HBase基础原理知识（为什么使用HBase + HBase结构（ZooKeeper、RegionServer等） + 架构图），非常适合初学者和基础不清晰的朋友

HBase学习

这些基础知识可以说是HBase学习必不可少的知识，因为我没有学扎实吃了不少亏。

希望读者可以耐心看完，真的很好理解！没有想象的那么困难！

随着学习的深入我也会慢慢更新文章的内容，如果对你有帮助的话可以点个关注❤️

初识HBase

1、为什么使用HBase

基于Hadoop衍生出来的HBase存储，可以实现高吞吐量的数据集应用程序。HBase采用Key/Value的存储方式，即使数据量增大，也几乎不会导致查询性能的下降。

HBase并不快，只是当数据量很大的时候它慢的不明显

数据分析是HBase的弱项，因为它基本不支持表的关联，group by或order by的实现非常复杂。

所以当你的大体情况符合以下任意一种情况：

• 主要需求是数据分析，比如报表
• 单表数据不超过千万

建议使用Mysql之类的产品，避免脑细胞死的过多

当你的情况是：

• 单表数据超过千万，并发还挺高
• 数据分析需求较弱，或者不需要那么灵活或者实时

使用HBase不会让你失望

2、HBase的基本架构

部署架构

从HBase部署架构来说，HBase有两种服务器：Master服务器和RegionServer服务器

一般的HBase集群有一个Master服务器和多个RegionServer服务器。Master服务器负责维护表的结构信息，实际数据都存储在RegionServer服务器上

HBase特殊性：客户端获取数据由客户端直接连接RegionServer，当Master挂掉后依然可以查询数据，就是不能建新表。

RegionServer是直接负责存储数据的服务器，存储在Hadoop的HDFS上，如图：

Region非常依赖ZooKeeper服务，可以说没有ZooKeeper就没有HBase。ZooKeeper就像管家一样管理了HBase所有RegionServer的信息，包括具体的数据段存放在哪个RegionServer上。

客户端每次与HBase连接，都是先和ZooKeeper通信，查询出哪个RegionServer需要连接，然后再连接RegionServer。

这是HBase的整体架构。

Region是什么？

Region就是一段数据的集合。HBase一般有一个到多个Region。

• region不能跨服务器，一个RegionServer上有一个或多个Region。
• 数据量大的时候HBase会拆分Region
• HBase进行负载均衡时也可能会从一台RegionServer上把Region移动到另一台RegionServer上
• Region是基于HDFS的，它的所有数据存取操着都是调用了HDFS的客户端接口来实现的

RegionServer是什么？

存放Region的容器，直观点来说就是服务器上的一个服务，一般来说一个服务器就装一个RegionServer。

当客户端从ZooKeeper获取RegionServer的地址后，会直接从RegionServer获取数据

Master是什么？

和它的名字不太一样，它不是HBase的领导，相反，它有点像是个打杂的。Master只负责各种协调工作，比如建表、删表、移动Region、合并等操作。这些操作的共性是需要跨越RegionServer，由哪个RegionServer来执行都不合适，所以就将这些操作放在了Master上。

这种结构的好处是大大降低了集群对Master的依赖。如果Master宕机了，集群依然可以正常的运行，依然可以存储和删除数据。

存储架构

这里卡了我很久，对传统数据库存储方式的根深蒂固让我无法一下子接受，需要一点时间才能体会到HBase存储的精髓。

HBase的最基本存储单位是列（column），一个列和多个列形成一行（row）。与传统数据库不同的是，它的行和列可以完全不一样！

上图是HBase的存储结构，每个列有多个版本，多个版本的值存放在单元格（cell），下图是实列：

多个列可以汇总成一个列族

行键

每个行都有唯一的行键（row key）来标定这行的唯一性。这个row key完全由用户指定的一串不重复的字符串。rowkey会直接决定row的存储位置。系统永远是根据rowkey来排序（根据字典排序）。比如以下三个key

• row-1
• row-2
• row-11

排序后：

• row-1
• row-11
• row-2

如果输入的rowkey已经存在，则会更新之前存在的row，之前已经存在的值会被放到这个单元格的历史记录里面，并且不会被丢弃，只不过需要带上版本参数才能找到这个被丢弃的值。

什么是单元格？

一个列上可以存放多个版本的单元格。是数据存储的最小单元。

列族

若干个列可以组成一个列族（column family）。

同一列族内的所有列都有相同的属性，因为他们都在一个列族里，而属性都是定义在列族上的。

一个没有列族的表是没有意义的，列必须依赖列族存在。

列族存在的意义是：HBase会把相同列族的列尽量放在同一台机器上。

官方建议：列族越少越好。没有必要设置过多的列族。列族太多会极大程度的降低数据库性能；而且根据目前HBase的实现，列族定的太多，容易出BUG。

单元格

（行键：列族：列）可以确定唯一值吗？

当然不可以，因为一个单元格可能会有多个版本，我们用版本号（Version）来区分。所以唯一确定一条结果的表达式应该是（行：列族：列：版本号）。

不过版本号可以省略。不写版本号默认是最后一个版本的数据返回。

这里的版本号就是时间戳（timestamp）

Region跟行的关系

一个Region就是多个行的集合。在Region中行的排序按照行键（rowkey）字典排序

和关系数据库的对比

我们通过图片来对比

关系行数据库

其中每个行都是不可分割的，也就是说三个列必须在一起，而且要被存储到同一台机器上，甚至是同一个文件里。

HBase表结构

HBase中每个行都是离散的。由于列族的存在，所以一个行里不同的列甚至被分配到不同的服务器上。行的概念被减弱到只有一个抽象的存在。行键（rowkey）是行概念在HBase中唯一的体现。

---

2021年12月27日更新

新写了篇文章，可以加深大家对HBase的理解：HBase举例理解