HBase简介

一、Hbase是什么？

Hbase属于NoSql的一种。

二、为什么会产生HBase?

要想明白为什么产生 HBase，就需要先了解一下 Hadoop 存在的限制？Hadoop 可以通过 HDFS 来存储结构化、半结构甚至非结构化的数据，它是传统数据库的补充，是海量数据存储的最佳方法，它针对大文件的存储，批量访问和流式访问都做了优化，同时也通过多副本解决了容灾问题。

但是 Hadoop 的缺陷在于它只能执行批处理，并且只能以顺序方式访问数据，这意味着即使是最简单的工作，也必须搜索整个数据集，无法实现对数据的随机访问。实现数据的随机访问是传统的关系型数据库所擅长的，但它们却不能用于海量数据的存储。在这种情况下，必须有一种新的方案来解决海量数据存储和随机访问的问题，HBase 就是其中之一 (HBase，Cassandra，couchDB，Dynamo 和 MongoDB 都能存储海量数据并支持随机访问)。

1、Hadoop生态系统

2、HBase简介

1）HBase – Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩、实时读写的分布式数据库

2）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作为其分布式协同服务

3）主要用来存储非结构化和半结构化的松散数据（列存 NoSQL 数据库）

操作HBase的方式：shell        JavaAPI        Phoenix

3、Hbase系统架构

 注意：HLog是存在于HRegionServer上的，而非HRegion上，图中有误

1）Master

1.为Region server分配region

2.负责Region server的负载均衡

3.发现失效的Region server并重新分配其上的region

4.管理用户对table的增删改操作（对表结构增删改，即元数据）

2）RegionServer

1.Region server维护region，处理对这些region的IO请求

2.Region server负责切分在运行过程中变得过大的region 

3）Region

1.HBase自动把表水平划分成多个区域(region)，每个region会保存一个表里面某段连续的数据（每个region都有范围,startkey,endkey）；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，region就会等分为两个新的region（裂变）。

2.当table中的行不断增多，就会有越来越多的region。这样一张完整的表被保存在多个Regionserver 上。 

 4）Memstore 与 storefile

1.一个region由多个store组成，一个store对应一个CF（列族），store包括位于内存中的memstore（一个）和位于磁盘中的storefile（零至多个）,写操作先写入memstore，当memstore中的数据达到某个阈值，hregionserver会启动flashcache进程写入storefile，每次写入形成单独的一个storefile 

2.当storefile文件的数量增长到一定阈值后，系统会进行合并（minor、major、compaction），在合并过程中会进行版本合并和删除工作（major），形成更大的storefile

3.当一个region所有storefile的大小和数量超过一定阈值后，会把当前的region分割为两个，并由hmaster分配到相应的regionserver服务器，实现负载均衡

4.客户端检索数据，先在memstore找，找不到再找storefile 

compaction操作：

Minor：选取一些小的，相邻的storeFile合并成一个更大的storeFile

Major：指将所有的storeFile合并成一个storeFile（到一定时间执行，可能触发flush风暴）

             清理三类：被删除数据，TTL过期数据，版本号超过设定版本号的数据

4、HBase数据模型

HBase中有一个概念——三维有序

1、rk字典升序

2、CF字典升序

3、t（Timestamp时间戳）自然降序（最新的在最前面） 

来唯一确定一个cell（单元格），如不指定t，则默认最新的

1）Region

1.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。

2.HRegion由一个或者多个Store组成，每个store保存一个columns family（列族）。

3.每个Strore又由一个memStore和零至多个StoreFile组成。如图：StoreFile以HFile格式保存在HDFS上。（HFile-->Hdfs-->磁盘）

注意：一般一个Region里1~3个store（列簇）

2）RowKey

1.唯一标识一行数据

2.可以通过RowKey获取一行数据

3.按照字典顺序排序的

4.Row key只能存储64k的字节数据  10-100byte

3）Column Family（列族）和Qualifier（列）

1.HBase表中的每个列都归属于某个列族，列族必须作为表模式定义的一部分预先给出。如 create ‘test’, ‘info’

2.列名以列族作为前缀，每个“列族”都可以有多个列成员(column)；如 info:name , info:age , 新的列族成员（列）可以随后按需、动态加入。

3.权限控制、存储以及调优都是在列族层面进行的；

4.HBase把同一列族里面的数据存储在同一目录下，由几个文件保存。 

4）Timestamp时间戳

1.在HBase每个cell存储单元对同一份数据有多个版本，根据唯一的时间戳来区分每个版本之间的差异，不同版本的数据按照时间倒序排序，最新的数据版本排在最前面。

2.时间戳的类型是 64位整型。

3.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

4.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。 

5）Cell单元格

1.由行和列的坐标交叉决定。

2.单元格是有版本的。

3.单元格的内容是未解析的字节数组。

4.由{row key， column( =<family> +<qualifier>)， version} 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储。 

6）HLog(WAL / Write Ahead Log)容错机制

1.HLog文件就是一个普通的Hadoop Sequence File，Sequence File 的Key是HLogKey对象，HLogKey中记录了写入数据的归属信息，除了table和region名字外，同时还包括 sequence number和timestamp，timestamp是”写入时间”，sequence number的起始值为0，或者是最近一次存入文件系统中sequence number。

2.HLog SequeceFile的Value是HBase的KeyValue对象，即对应HFile中的KeyValue。 

5、读写流程