HBase -- 基于HDFS的开源分布式NoSQL数据库

　　HBase(Hadoop Database)是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，我们可以利用HBase技术在廉价的PC上搭建起大规模结构化存储集群。同Google的Bigtable基于GFS(Google FileSystem)所提供分布式数据存储服务一样，HBase基于HDFS之上也能提供类似的分布式数据存储服务。HBase利用Hadoop HDFS作为其文件存储系统，利用Hadoop MapReduce来处理HBase中的海量数据，利用Zookeeper作为协调工具。HBase为海量数据的及时查询提供了一个很好的开源解决方案，在大数据处理时代扮演者重要的角色。

一、HBase基础知识

1、逻辑数据模型

　  HBase不支持条件查询和Order By等复杂查询，读取记录时只能按行键或全表扫描。HBase表中存储的数据都是字节数组，并且数据是以行键的物理顺序存储。它介于NoSQL与RDBMS之间，仅支持单行事务(可通过hive来支持实现多表join等复杂操作)，主要用来存储非结构化和半结构化数据。

　  几个关键概念：

　  1) 表(table)：用于存储管理数据，具有稀疏的、面向列的特点。HBase中的每一张表，就是所谓的大表(Bigtable)，可以有上亿行，上百万列。对于为值为空的列，并不占用存储空间，因此表可以设计的非常稀疏。

　  2) 行键(RowKey)：类似于MySQL中的主键，HBase根据行键来快速检索数据，一个行键对应一条记录。与MySQL主键不同的是，HBase的行键是天然固有的，每一行数据都存在行键。

　  3) 列族(ColumnFamily)：是列的集合。列族在表定义时需要指定，而列在插入数据时动态指定。列中的数据都是以二进制形式存在，没有数据类型。在物理存储结构上，每个表中的每个列族单独以一个文件存储(参见图1.2)。

　  4) 时间戳(TimeStamp)：是列的一个属性，是一个64位整数。由行键和列确定的单元格，可以存储多个数据，每个数据含有时间戳属性，数据具有版本特性。可根据版本(VERSIONS)或时间戳来指定查询历史版本数据，如果都不指定，则默认返回最新版本的数据。

　  5) 区域(Region)：HBase自动把表水平划分成的多个区域，划分的区域随着数据的增大而增多。

图1.1 HBase-Regin存储结构

图1.2 HBase逻辑数据模型与物理数据模型

2、物理数据模型

　  HBase表中所有行按照行键的字典序列排序，并且在行的方向上分割为多个HRegion。

　  Region按大小分割的，每个表一开始只有一个Region，随着数据不断插入表，region不断增大，当增大到一个阀值的时候，HRegion就会等分为两个新的HRegion。当table中的行不断增多，就会有越来越多的HRegion。Hregion是Hbase中分布式存储和负载均衡的最小单元，最小单元就表示不同的Hregion可以分布在不同的HRegion server上，但一个Hregion是不会拆分到多个server上的。需要注意的是，HRegion虽然是分布式存储的最小单元，但并不是存储的最小单元。

图1.3 HBase的数据模型

3、架构体系

　  1) Client：①使用HBase RPC机制与HMaster和HRegionServer进行通信；②Client与HMaster进行通信进行管理类操作；③Client与HRegionServer进行数据读写类操作。

　  2) Zookeeper：①保证任何时候，集群中只有一个running master，避免单点问题；②存贮所有Region的寻址入口，包括-ROOT-表地址、HMaster地址；③实时监控Region Server的状态，将Region server的上线和下线信息，实时通知给Master；④存储Hbase的schema，包括有哪些table，每个table有哪些column family。

　  3) HMaster：可以启动多个HMaster，通过Zookeeper的Master Election机制保证总有一个Master运行。角色功能：①为Region server分配region；②负责region server的负载均衡；③发现失效的region serve并重新分配其上的region；④GFS上的垃圾文件回收；⑤处理用户对标的增删改查操作。

　  4) HRegionServer：HBase中最核心的模块，主要负责响应用户I/O请求，向HDFS文件系统中读写数据。作用：①维护Master分配给它的region，处理对这些region的IO请求；②负责切分在运行过程中变得过大的region。此外，HRegionServer管理一些列HRegion对象，每个HRegion对应Table中一个Region，HRegion由多个HStore组成，每个HStore对应Table中一个Column Family的存储，Column Family就是一个集中的存储单元，故将具有相同IO特性的Column放在一个Column Family会更高效。

　  5) HStore：HBase存储的核心，由MemStore和StoreFile组成。用户写入数据的流程为：client写入 -> 存入MemStore，一直到MemStore满 -> Flush成一个StoreFile，直至增长到一定阈值 -> 触发Compact合并操作 -> 多个StoreFile合并成一个StoreFile，同时进行版本合并和数据删除 -> 当StoreFiles Compact后，逐步形成越来越大的StoreFile -> 单个StoreFile大小超过一定阈值后，触发Split操作，把当前Region Split成2个Region，Region会下线，新Split出的2个孩子Region会被HMaster分配到相应的HRegionServer上，使得原先1个Region的压力得以分流到2个Region上，如图所示。

图1.4 HStore写入流程

　  6) HLog：在分布式系统环境中，无法避免系统出错或者宕机，一旦HRegionServer意外退出，MemStore中的内存数据就会丢失，引入HLog就是防止这种情况。工作机制：每个HRegionServer中都会有一个HLog对象，HLog是一个实现Write Ahead Log的类，每次用户操作写入Memstore的同时，也会写一份数据到HLog文件，HLog文件定期会滚动出新，并删除旧的文件(已持久化到StoreFile中的数据)。当HRegionServer意外终止后，HMaster会通过Zookeeper感知，HMaster首先处理遗留的HLog文件，将不同region的log数据拆分，分别放到相应region目录下，然后再将失效的region重新分配，领取到这些region的HRegionServer在Load Region的过程中，会发现有历史HLog需要处理，因此会Replay HLog中的数据到MemStore中，然后flush到StoreFiles，完成数据恢复。

　  架构体系如图1.5所示：

图1.5 HBase架构体系图

4、两张特殊的表

　  HBase中存有两张特殊的表，-ROOT-和.META.。

　  1) .META.：记录了用户表的Region信息，.META.可以有多个regoin。

　  2) -ROOT-：记录了.META.表的Region信息，-ROOT-只有一个region。Zookeeper中记录了-ROOT-表的location。

　  Client访问用户数据之前需要首先访问zookeeper，然后访问-ROOT-表，接着访问.META.表，最后才能找到用户数据的位置去访问，如图1.6所示：

图1.6 Client访问HBase数据顺序图 

二、HBase安装

　　本实例安装环境：① 操作系统：CentOS；② HBase版本：1.0.1(hbase-1.0.1-bin.tar.gz)。

1、伪分布式模式安装

　  1) 上传hbase压缩包到/usr/local下并解压，然后重新命名为hbase，执行命令：① tar -zxvf hbase-0.94.7-security.tar.gz；② mv hbase-0.94.7-security hbase；

　  2) 配置环境变量，增加一行hbase环境配置HBASE_HOME=/usr/local/hbase，并在PATH中增加$HBASE_HOME/bin，执行命令：① vi /etc/profile；② source /etc/profile；

　  3) 修改配置文件，执行命令：vi /usr/local/hbase/conf/hbase-env.sh，将# export JAVA_HOME=/usr/java/jdk1.6.0/行去掉注视，并更改为正确路径/usr/local/jdk/，然后去掉# export HBASE_MANAGES_ZK=true行的注视；

　  4) 修改文件hbase-site.xml，执行命令：vi /usr/local/hbase/conf/hbase-site.xml，增加如下内容：

<property>
  <name>hbase.rootdir</name>
  <value>hdfs://hadoop0:9000/hbase</value>
</property>
<property>
  <name>hbase.cluster.distributed</name>
  <value>true</value>
</property>
<property>
  <name>hbase.zookeeper.quorum</name>
  <value>hadoop0</value>
</property>
<property>
  <name>dfs.replication</name>
  <value>1</value>
</property>

View Code

　  5) (可选)修改regionservers为localhost；

　  6) 启动HBase，执行命令：start-hbase.sh，注意启动hbase之前必须确保hadoop已启动并可写入数据。启动后，会增加HMaster、HQuorumPeer、HRegionServer三个进程。

　  注：HBase也伪分布式模式也支持使用本地磁盘作为存储路径，不需要hdfs的支持。只需要修改hbase-env.sh中的JAVA_HOME和hbase-site.xml中的hbase.rootdir，其中hbase.rootdir的值以file://开头，如file:///Downloads/hbase_data，启动之后只有HMaster一个进程。

2、集群模式安装(在伪分布模式基础上进行搭建)

　  本集群安装实例结构为：主节点(hmaster)是hadoop0，从节点(region server)是hadoop1和hadoop2。

　  1) 修改主节点hadoop0上的几个hbase配置文件，修改明细如下：

　　　▶ 修改hbase-env.sh的最后一行：export HBASE_MANAGES_ZK=false；

　　　▶ 修改hbase-site.xml文件的hbase.zookeeper.quorum的值：hadoop0,hadoop1,hadoop2；　

　　　▶ 修改regionservers文件(存放的region server的hostname)，内容修改为：hadoop1（\r\n换行）hadoop2；

　  2) 如果hbase.rootdir配置了NameNode HA的逻辑nameservice名称，那么需要将hadoop中的core-site.xml和hdfs-site.xml配置文件拷贝至hbase的conf目录下；

　  3) 复制hadoop0中的hbase文件夹到hadoop1、hadoop2中，在hadoop0上执行命令：scp /usr/local/hbase hadoop1:/usr/local/；

　  4) 复制hadoop0中的/etc/profile到hadoop1、hadoop2中，在hadoop0上执行命令：scp /etc/profile hadoop1:/etc/，然后分别在hadoop1和hadoop2上执行命令：source /etc/profile；

　  5) 启动，记住启动顺序：① 启动zookeeper集群；② 启动hadoop集群；③ 启动hbase集群；

　  6) 添加Backup Masters，选择节点（这里的节点必须不是hbase从节点，即regionservers中配置的节点，节点可以选择为非zookeeper节点）并执行命令：hbase-daemon.sh start master，可以在当前节点启动HMaster进程，多个HMaser节点依靠Zookeeper来协调，当active的HMaster挂掉后，其他Backup Master节点就会通过Zookeeper选择一个并激活为active状态；

　  注：可通过“http://hadoop0:16010/master-status”查看HBase集群状态，启动hbase后，会在HDFS根目录下新建hbase目录。这里不同版本查看的web默认端口可能不一样，早期版本端口号应该是60010，hbase-1.x版本之后默认改成了16010，默认配置见hbase-x.x.x-src/hbase-common/src/main/resources/hbase-default.xml中的hbase.master.info.port值，也可以在hbase-site.xml中配置自定义查看端口。

三、HBase的Shell命令操作

　　进入hbase命令行终端，执行命令：hbase shell，退出命令：quit。 官方文档：http://abloz.com/hbase/book.html，一些常用HBase shell命令见下表：

1、创建表，关键字create

　  语法：create '表名称', '列族名称1','列族名称2','列族名称N'

　  范例：create 'users','user_id','address','info'   --创建表user，该表有三个列族user_id,address,info

2、添加记录，关键字put

　  语法：put '表名称', '行名称', '列名称:', '值'

　  范例：put 'users','hans','info:age','28'   --在表users中插入数据，行名称为hans，列族info下列age(动态新增)的值设置为28

3、查看记录，关键字get

　  语法：get '表名称', '行名称' [,'列名称']

　  范例：get 'user','hans','info:age'   --查看表users中行名称为hans，列族info下列age的最新的值

4、查看所有记录，关键字scan

　  语法：scan '表名称'

　　　　  scan '表名称',{COLUMNS=>'列族名称:列名称'}   --查看表中某个列中的所有数据，COLUMNS必须大写

　  范例：scan 'users'   --查看表users下所有的记录

5、删除记录，关键字delete

　  语法：delete  '表名称' ,'行名称' , '列名称'   --删除某行的某列记录

　　　　  deleteall   '表名称' ,'行名称'   --删除整行记录

　  范例：delete 'user','hans','info:age'   --删除表users中行名称为hans的列族info下列age的记录

6、删除表，关键字drop

　  语法：disable '表名称'   --删除表之前必须先使其失效

　　　　  drop '表名称'   --删除表

7、查看表中的记录总数，关键字count

　  语法：count '表名称' 

8、查看表结构信息，关键字describe

　  语法：describe '表名称' 

　  注意：结果中列族的versions指定了最多版本数

9、其他操作

　  truncate '表名称'   --清空表数据

　  exists '表名称'   --是否存在某表

　  is_enabled '表名称'   --某表是否可用

　  is_disabled '表名称'   --某表是否已失效 　　

　  help 或 help 'create'   -帮助命令

四、使用Java API操作HBase 

1、获得特殊的Configuration，HBase操作的Configuration通过HBaseConfiguration.create()获取，并设置hbase.rootdir和hbase.zookeeper.quorum属性，获取方法如下：

//创建HBase的Configuration
private static Configuration getConfiguration() {
    Configuration conf = HBaseConfiguration.create();
    //客户端通过zookeeper去访问hbase
    conf.set("hbase.zookeeper.quorum", "hadoop0:2181,hadoop1:2181,hadoop2:2181");
    return conf;
}

View Code

2、创建、删除表使用HBaseAdmin，插入记录、查询记录、遍历记录使用HTable，详细操作实例如下所示：

package com.hicoor.hbase;

import java.io.IOException;
import java.util.List;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.Cell;
import org.apache.hadoop.hbase.CellUtil;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.HColumnDescriptor;
import org.apache.hadoop.hbase.HTableDescriptor;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.Get;
import org.apache.hadoop.hbase.client.HBaseAdmin;
import org.apache.hadoop.hbase.client.HTable;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.client.Result;
import org.apache.hadoop.hbase.client.ResultScanner;
import org.apache.hadoop.hbase.client.Scan;

public class HBaseDemo {

    public static final String TABLE_NAME = "table1";
    public static final String FAMILY_NAME = "family1";
    public static final String ROW_KEY = "rowkey1";
    public static void main(String[] args) throws Exception {
        Configuration conf = getConfiguration();
        
        //创建、删除表使用HBaseAdmin 
        HBaseAdmin hBaseAdmin = new HBaseAdmin(conf);
        
        //创建表
        //createTable(hBaseAdmin,conf);
        //删除表
        //deleteTable(hBaseAdmin);
        
        //插入记录、查询记录、遍历记录使用HTable
        HTable hTable = new HTable(conf,TABLE_NAME);
        //插入记录
        //insertRecord(hTable);
        //查询数据
        //searchRecord(hTable);
        //遍历数据
        scanRecord(hTable);
        //关闭HTable
        //hTable.close();
    }

    private static void scanRecord(HTable hTable) throws IOException {
        Scan scan = new Scan();
        ResultScanner scanner = hTable.getScanner(scan);
        //scanner包含所有行 result为一行(同一个行键)
        for (Result result : scanner) {
            List<Cell> cells = result.listCells();
            //result.getRow()获取当前行键
            System.out.println("行键："+new String(result.getRow()));
            for(Cell cell:cells){
                System.out.println("\t"+cell.toString()+"\t"+new String(CellUtil.cloneValue(cell)));
            }
        }
    }

    private static void searchRecord(HTable hTable) throws IOException {
        Get get = new Get(ROW_KEY.getBytes());
        //根据指定列查询
        get.addColumn(FAMILY_NAME.getBytes(), "age".getBytes());
        Result result = hTable.get(get);
        List<Cell> list = result.listCells();
        for(Cell c:list){
            System.out.println(c.toString()+"\t"+new String(CellUtil.cloneValue(c)));
        }
    }

    private static void insertRecord(HTable hTable) throws IOException {
        //指定行键
        Put put = new Put(ROW_KEY.getBytes());
        //指定列族、列名、值   同hbase shell语句：put 'table1','rowkey1','family:age','25' 
        put.addColumn(FAMILY_NAME.getBytes(), "age".getBytes(), "29".getBytes());
        hTable.put(put);
    }

    private static void deleteTable(HBaseAdmin hBaseAdmin) throws IOException {
        if(hBaseAdmin.tableExists(TABLE_NAME)){
            //删除表之前先让表失效
            hBaseAdmin.disableTable(TABLE_NAME);
            hBaseAdmin.deleteTable(TABLE_NAME);
        }
    }

    private static void createTable(HBaseAdmin hBaseAdmin,Configuration conf) throws Exception {
        if(hBaseAdmin.tableExists(TABLE_NAME)){
            System.out.println("table exists!");
        } else {
            HTableDescriptor tableDescriptor = new HTableDescriptor(TableName.valueOf(TABLE_NAME));
            //添加列族
            HColumnDescriptor family = new HColumnDescriptor(FAMILY_NAME);
            tableDescriptor.addFamily(family);
            hBaseAdmin.createTable(tableDescriptor);
            System.out.println("table create success");
        }
    }
    
    //创建HBase的Configuration
    private static Configuration getConfiguration() {
        Configuration conf = HBaseConfiguration.create();
        //客户端通过zookeeper去访问hbase
        conf.set("hbase.zookeeper.quorum", "hadoop0:2181,hadoop1:2181,hadoop2:2181");
        return conf;
    }

}

View Code

3、通过MapReduce批量导入数据到HBase，下述例子表示将手机流量数据上（格式详见《Hadoop学习（4）-- MapReduce》中的“手机流量数据统计分析”示例）传到HBase数据库中，源码如下所示（注意自定义reduder继承TableReducer）：

package hbase;

import java.text.SimpleDateFormat;
import java.util.Date;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.mapreduce.TableOutputFormat;
import org.apache.hadoop.hbase.mapreduce.TableReducer;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Counter;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;

public class BatchImportHBaseByMR {
    
    public static void main(String[] args) throws Exception {
        final Configuration configuration = new Configuration();
        //设置zookeeper
        configuration.set("hbase.zookeeper.quorum", "hadoop0");
        //设置hbase表名称
        configuration.set(TableOutputFormat.OUTPUT_TABLE, "wlan_log");
        //将该值改大，防止hbase超时退出
        configuration.set("dfs.socket.timeout", "180000");
        
        final Job job = new Job(configuration, "HBaseBatchImport");
        
        job.setMapperClass(BatchImportMapper.class);
        job.setReducerClass(BatchImportReducer.class);
        //设置map的输出，不设置reduce的输出类型
        job.setMapOutputKeyClass(LongWritable.class);
        job.setMapOutputValueClass(Text.class);
        
        job.setInputFormatClass(TextInputFormat.class);
        //不再设置输出路径，而是设置输出格式类型
        job.setOutputFormatClass(TableOutputFormat.class);
        
        FileInputFormat.setInputPaths(job, "hdfs://hadoop0:9000/input");
        
        job.waitForCompletion(true);
    }

    static class BatchImportMapper extends Mapper<LongWritable, Text, LongWritable, Text>{
        SimpleDateFormat dateformat1 = new SimpleDateFormat("yyyyMMddHHmmss");
        Text v2 = new Text();
        
        protected void map(LongWritable key, Text value, Context context) throws java.io.IOException ,InterruptedException {
            final String[] splited = value.toString().split("\t");
            try {
                final Date date = new Date(Long.parseLong(splited[0].trim()));
                final String dateFormat = dateformat1.format(date);
                String rowKey = splited[1]+":"+dateFormat;
                v2.set(rowKey+"\t"+value.toString());
                context.write(key, v2);
            } catch (NumberFormatException e) {
                final Counter counter = context.getCounter("BatchImport", "ErrorFormat");
                counter.increment(1L);
                System.out.println("出错了"+splited[0]+" "+e.getMessage());
            }
        };
    }

    static class BatchImportReducer extends TableReducer<LongWritable, Text, NullWritable>{
        protected void reduce(LongWritable key, java.lang.Iterable<Text> values, Context context) throws java.io.IOException ,InterruptedException {
            for (Text text : values) {
                final String[] splited = text.toString().split("\t");
                
                final Put put = new Put(Bytes.toBytes(splited[0]));
                put.add(Bytes.toBytes("cf"), Bytes.toBytes("date"), Bytes.toBytes(splited[1]));
                //省略其他字段，调用put.add(....)即可
                context.write(NullWritable.get(), put);
            }
        };
    }

}

View Code

　　参考：http://www.cnblogs.com/johnnyflute/p/3654426.html?utm_source=tuicool

转载于:https://www.cnblogs.com/hanganglin/p/4128472.html