HBASE基础全解析
标签: 大数据生态
本文使用版本 hbase-0.98.6-cdh5.3.6
源码库: https://github.com/apache/hbase/releases
注:rel = release即发行版本 , RC=Release Candidate即候选发行版
Write By VinFly
HBASE概述
HBASE概述
HBASE是HADOOP数据库,是一个分布式的,可扩展的,存储海量数据的数据库,存储级别一般为数十亿行及数百万列的数据,它是一个非关系型数据库,能随机、实时读写,部署在低廉的商用机上(扩展性好),基于高可用性的分布式系统。
HBASE数据表结构
HBASE是以表的形式存储数据,表有行和列组成,列划分为若干个列族(Column Family)。
在HBASE的表中,Row Key的设计是表中每条记录的“主键”,在查询HBASE中的数据时,也是根据Row Key来查询,所以Row Key的设计非常重要,Row Key的值在表中以字节数组的类型存储。HBASE表结构如下图所示。
数据表结构详解:
- Row Key
与nosql数据库们一样,row key是用来检索记录的主键。访问hbase table中的行,只有三种方式:
- 通过单个rowkey访问 (get)
- 通过rowkey的range (scan)
- 全表扫描
Row key行键 (Row key)可以是任意字符串(最大长度是 64KB,实际应用中长度一般为 10-100bytes),在hbase内部,row key保存为字节数组。
存储时,数据按照Row key的字典序(byte order)排序存储。设计key时,要充分排序存储这个特性,将经常一起读取的行存储放到一起。(位置相关性)
- 列族(Column Family)
hbase表中的每个列,都归属与某个列族。列族是表的schema的一部分(而列不是),必须在使用表之前定义。列名都以列族作为前缀。例如courses:history , courses:math 都属于 courses 这个列族。
访问控制、磁盘和内存的使用统计都是在列族层面进行的。实际应用中,列族上的控制权限能 帮助我们管理不同类型的应用:我们允许一些应用可以添加新的基本数据、一些应用可以读取基本数据并创建继承的列族、一些应用则只允许浏览数据(甚至可能因 为隐私的原因不能浏览所有数据)。
- 时间戳(Time Stamp)
HBase中通过row和columns确定的为一个存贮单元称为cell。每个 cell都保存着同一份数据的多个版本。版本通过时间戳来索引。时间戳的类型是 64位整型。时间戳可以由hbase(在数据写入时自动 )赋值,此时时间戳是精确到毫秒的当前系统时间。时间戳也可以由客户显式赋值。如果应用程序要避免数据版本冲突,就必须自己生成具有唯一性的时间戳。每个 cell中,不同版本的数据按照时间倒序排序,即最新的数据排在最前面。
为了避免数据存在过多版本造成的的管理 (包括存贮和索引)负担,hbase提供了两种数据版本回收方式。一是保存数据的最后n个版本,二是保存最近一段时间内的版本(比如最近七天)。用户可以针对每个列族进行设置。maxversion=3 verson=1
- Cell
唯一确定的单元。cell中的数据是没有类型的,全部是字节码形式存贮
{rowkey, column( =<family> + <label>), version}
HBASE安装部署及简单SHELL使用
1、下载、解压源码包
使用HBASE要注意其与Hadoop的兼容性,本文使用CDH5.3.6版本的HBASE及HADOOP,下载地址:
http://archive.cloudera.com/cdh5/cdh/5/
下载完成后上传Hbase压缩包,赋予执行权限,解压至指定目录
2、配置
检查jdk是否正确(jdk版本使用1.7以上),启动hadoop,检查dfsadmin是否脱离安全模式
配置{HBASE_HOME}/conf下的hbase-enc.sh
export JAVA_HOME=/opt/modules/jdk1.7.0_67
export HBASE_MANAGES_ZK=false
其中的export HBASE_MANAGES_ZK=false是配置是否使用HBASE自带的zookeeper
配置{HBASE_HOME}/conf下的hbase-site.xml
首先在hbase目录下创建目录(可以在任意目录下):
mkdir -p data/tmp
配置hbase.tmp.dir属性值为创建的目录
配置hbase.root.dir指定存储的数据在HDFS上的目录
配置hbase.cluster.distributed值为true,指定是否为分布式模式
配置hbase.zookeeper.quorum ,这里配置的是zookeeper所在机器,在设置了主机名与IP地址映射之后,这里写的是主机名,中间用逗号隔开。
配置{HBASE_HOME}/conf下的regionservers,这里配置的是regionserver所在机器,根据需要自己设定。
注:如果下载的hbase版本与使用的hadoop版本不兼容,替换掉{HBASE_HOME}/lib下的hadoop jar包即可。
到这里基本的配置就完成了,如果有其他参数要求,参考官网。
地址:http://hbase.apache.org/book.html#config.files
3、启动与shell基本使用
启动命令:
${HBASE_HOME}/bin/hbase-daemon.sh start master
${HBASE_HOME}/bin/hbase-daemon.sh start regionserver
查看启动的进程:
启动Hbase命令行:bin/hbase shell
在命令行中,如果不熟悉某个命令,可以使用 help:查看帮助信息 比如help+’create’查看create命令使用方法
基本命令举例
创建表
create 'user', 'info'
//创建user表,列族名为info
PUT/UPDATE //插入数据
put 'user', '100001', 'info:name', 'zhangsan'
查询
get
依据ROWKEY进行查询,速度最快的
get 'user', '100001'
scan
全表扫描,也就测试用用,实际慎用
scan 'user'
scan range
范围查询
使用最多最广泛
scan 'user' , {STARTROW => ‘100001’}
HBASE也有它的端口号,默认为60010,可在浏览器中监控HBASE运行状况。
HBASE的物理结构
首先看HBASE的物理模型图
从图中可以看出一下几点:
- 在HBASE的表中,所有的行都是按照Row Key的字典序排列(a~z,1~9…)
在行的方向上分割为多个Region,而Region是按大小进行分割的,每个表初始只有一个Region,随着数据的增多,Region不断增大,当增大到一定阀值得时候,Region就会等分为两个新的Region
Region是HBASE中分布式存储的最小单元,不同的Region分布到不同的RegionServer上
Region是分布式存储的最小单元,但它不是存储的最小单元,Region又由一个或者多个Store组成,每个Store保存一个column family,每个Store由一个memStore和0到多个StoreFile组成,其中的memStore存储在内存中,StoreFile存储在HDFS文件系统上。
- HBASE在HDFS上的存储
HBASE中所有数据文件都存储在了HDFS文件系统上,HBASE主要包括两种文件类型:
HFile:HBase中KeyValue数据的存储格式,HFile是Hadoop的二进制格式文件,实际上上面提到的StoreFile就是对HFile做了轻量级包装,即StoreFile底层就是HFile
HLog File:HBASE中的WAL(Write Ahead Log :预写日志)的存储格式,物理上是Hadoop的Sequence File,具体的WAL将在后面讲解。
HBASE架构
HBase架构也是主从服务器架构,它由HRegion服务器(HRegion Server)群和HBase Master服务器(HBaseMaster Server)构成。HBase Master服务器负责管理所有的HRegion服务器,而HBase中所有的服务器都是通过ZooKeeper来进行协调,并处理HBase服务器运行期间可能遇到的错误。HBase Master Server本身不存储HBase中的任何数据,HBase中的表可能会被划分为多个HRegion,然后存储到HRegion Server群中,HBase Master Server中存储的是从数据到HRegionServer中的映射。
HBASE架构见图
HBASE架构中的组件解析
Client
客户端Client是整个集群的访问入口
Client使用HBase RPC机制与HMaster和HRegionserver进行通信
与HMaster进行通信进行管理类操作
与HRegionserver进行数据读写类操作
包含访问HBase的接口,并维护cache来加快对HBase的访问
协作组件zookeeper
zookeeper作为一个大数据协作框架,它的HBASE中的地位相当重要。
1、 zookeeper管理着HBASE的meta表的region等相关信息,那么何谓meta表?
在HBASE中,有命名空间——NAMESPACE的概念,它类似于数据库,我们用户自定义的表存储在名为default的namespace下,而meta表是hbase自带的系统表,它存储在名为hbase的命名空间下,见图。
![]()
其中的user table是我们自定义的表,而catalog tables是系统自带的表,那么meta表中存储的是什么数据呢?
通过完整的hbase命令hbase(main):005:0> scan 'hbase:meta'
查看meta表中的信息
![]()
在这个meta表中可以看到user表的信息,比如user表的某个region存储在了哪个regionserver上,region的startRowKey和endRowKey等信息。但是meta表也是HBASE中的一张表,它也遵循HBASE表的一般特性,那么它也有自己的region,比如某个region存储某张用户自定义的表,这些region的信息(表名、表的唯一标识符、startRowKey、endRowKey/存储在哪个regionserver上…)存储在哪里呢?
这里我们进入zookeeper的znode里面查看zookeeper存储的一些数据
使用命令:bin/zkCli.sh
->ls
->ls /hbase
![]()
![]()
在这里可以看到zookeeper存储了关于hbase的数据,其中的meta-region-server中就是存储了hbase中meta表的region的相关数据。所以,这里我们总结出对HBASE中数据操作的流程:
client->zookeeper->meta-region-server->regionServer上meta数据查找具体Regioin
2、 zookeeper中存储了监控着regionserver是否存活的数据,见图。也就是说,zookeeper实时监控了Hregionserver的上线和下线信息,并通知给HMaster。
![]()
3、 zookeeper保证了在任何时候,集群只有一个HMaster,如果一个HMaster宕掉,那么zookeeper会通过它的选举机制再重新选取一个regionserver作为新的HMaster,所以HBase集群不会有单节点故障。
主节点HMaster
为Region server分配region
负责Region server的负载均衡
发现失效的Region server并重新分配其上的region
管理用户对table