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。