大数据学习--之--HBASE理论基础

Apache HBase简介

Apache HBase(Hadoop DataBase)是一个高可靠行、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可以在廉价的PC上搭建起大规模结构化存储集群。

HBase是Google Bigtable的开源实现，类似Google Bigtable利用GFS作为文件存储系统，HBase利用Hadoop HDFS作为其文件存储系统；Google运行MapReduce来处理Bigtable中的海量数据，HBase同样利用Hadoop MapReduce来处理HBase中的海量数据；Google Bigtable利用Chubby作为协同服务，HBase利用Zookeeper作为对应。

HBase是一种"NoSQL"数据库，"NoSQL"是一个通用词表示数据库不是RDBMS，后者支持SQL作为主要访问手段。有许多种NoSQL数据库，比如：BerkeleyDB是本地NoSQL数据库例子，而HBase是大型分布式数据库。从技术上来说，HBase更像是"Data Store(数据存储)"多于"Data Base(数据库)"，因为HBase缺少很多RDBMS的特性，如列类型、第二索引、触发器、高级查询语言等。

然而HBase有许多特征同时支持多元化和模块化扩充。HBase集群通过增加RegionServer进行扩展，而且只需要将它可以放到普通的服务器中即可。例如：如果集群从10扩充到20个RegionServer，存储空间和处理容量都同时翻倍。RDBMS也能进行扩充，但是仅针对某个点---特别是对一个单独数据库服务器的带下---同时，为了更好的性能，需要依赖特殊的硬件和存储设备，而HBase并不需要这些。

HBase有如下特性：

---强一致性读写：HBase不是"eventually consistent(最终一致性)"数据存储，这让它很适合高速计数聚合类任务；

---自动分片(Automatic sharding)：HBase表通过Region分布在集群中，数据增长时，Region会自动分配并重新分布；

---RegionServer自动故障移除；

---Hadoop/HDFS集成：HBase支持开箱即用地支持HDFS作为他的分布式文件系统；

---MapReduce：HBase通过MapReduce支持大并发处理；

---Java客户端API：HBase支持易于使用的JavaAPI进行编程访问；

---Thrift/REST API：HBase支持Thirft和REST作为非Java前端的访问；

---Block Cache和BloomFilter：对于大容量查询优化，HBase支持Block Cache和 Bloom Filter；

---运维管理：HBase支持JMX通过内置网页用于运维。

HBase的应用场景

首先，HBase不适合所有的场景。

1.确保有足够多的数据，如果有上亿或者上千亿行数据，HBase是很好的备选。如果只有上千行或者上百万行，则用传统的RDBMS可能是更好的选择。因为所有数据可以在一两个节点保存，集群其他节点可能闲置。

2.确定可以不依赖左右RDBMS的额外特性(如：列数据类型、第二索引、事务、高级查询语言等)。

3.确定有足够的硬件，因为HDFS在小于5个数据节点时，基本上体现不出它的优势。

注：HBase能在单独的笔记本上运行良好，到那时这应仅当成开发阶段的配置。

HBase的数据模型比较简单，数据按照rowkey排序存放，适合HBase存储的数据总结如下：

===以实体为中心的数据

===以事件为中心的数据

这些数据有的是结构化数据，有的是半结构或非结构化数据。HBase的“稀疏矩阵”设计，使其对应非结构化数据存储时能够得心应手，但在外面的实际应用场景中，结构化数据存储已然占据了比较重的比例。由于HBase仅提供了基于rowkey的单维度索引能力，在应对一些具体场景时，已然还需要基于哈色之上构建一些专业的能力。

HBase的优缺点

优点：

---列可以动态增加，并且列为空就不存储数据，节省存储空间

---自动切分数据，使得数据存储自动具有水平扩展

---可以提供高并发读写操作

---与Hadoop MapReduce相结合有利于数据分析

---容错性好

---非常灵活的模式设计(没有固定模式的限制)

---可以跟Hive集成，使用累SQL查询

---自动故障转移

---客户端接口易于适应

---行级别原子性，即：PUT操作一定是完全成功或者完全失败

---版权免费

缺点：

---不能支持条件查询，只支持按照rowkey来查询

---容易产生单点故障(在只是用一个HMaster的时候)

---不支持事务

---JOIN不是数据库层支持的，而需要用MapReduce

---稚嫩在主键上索引和排序

---没有内置的身份和权限认证

HBase与Hadoop/HDFS的差异

HDFS是分布式文件系统，适合保存大文件，官方宣称它并非普通用途的文件系统，不提供文件的个别记录和快速查询。另一方面，HBase基于HDFS，并能够提供大表的记录快速查找和更新。这有时可能会引起概念混乱：HBase内部将数据放到索引好的"StoreFiles"存储文件中，以便提供高速查询，而存储文件位于HDFS中。

问1：HBase中的数据为何不直接存在HDFS上？

===HBase中存储的海量数据记录，通常在几百bytes到kb级别，如果将这些数据直接存储到HDFS上，会导致大量的小文件产生，为HDFS的元数据管理节点（NameNode）带来沉重的压力。

问2：文件能否直接存储于HBase里面？

===如果是几Mb的文件，其实也可以直接存储于HBase中，我们暂且将这类文件称之为小文件，HBase提供了一个名为MOB的特性来应对这类小文件的存储。如果是更大的文件，强烈不建议用HBase来存储。

HBase的基本概念

关于Apache HBase官方定义是：Apache HBase is the Hadoop database, a distributed, scalable, big data store.

即：HBase是基于Hadoop构建的一个分布式的、可伸缩的、海量数据存储系统。

在HBase的数据被存储在表中，具有行和列。这和关系型数据库（RDBMS）中的术语重叠，但是在概念上它们不是一类。相反，应该将HBase的表党委是一个多维的map结构，来方便理解。

1.术语

---Table（表）：HBase table由多个row组成

---Row（行）：每一row代表着一个数据对象，每一row都是以一个rowkey和一个或多个column组成。rowkey是每个数据对象的唯一标识，按字母顺序排列，即row也是按照这个顺序来进行存储的。所以rowkey的设计相当重要。一个重要的原则是：相关的row要存储在接近的位置。

---Column（列）：column由column family和column qualifier组成，由冒号进行间隔。如：family：qualifier。

---Column Family（列族）：在HBase，column family是一些column的集合。一个column family所有的column成员是有着相同的前缀的。比如，courses:history和courses:math都是courses的成员。冒号（：）是column family的分隔符，用来区分前缀和列名。column前缀必须是可打印的字符，剩下的部分列名可以是任意字节数组，column family必须在table建立时声明。column随时可以新建。在物理上，一个的column family成员在文件系统上都是存储在一起的。因为存储优化都是针对column family级别的，这就意味着，一个column family的所有成员都是用相同的方式访问的。

---Column Qualifier（列限定符）：column family中的数据通过column qualifier来进行映射。column qualifier也没有特定的数据类型，以二进制字节来存储。虽然column family是在table创建时就固定了，但column qualifier是可变的，可能在不同的row之间有很大的不同。

---Cell（单元格）：cell是row、column family和column qualifier的组合，包含了一个值和一个timestamp，用于标识值得版本。

---TimeStamp（时间戳）：每个值都会有一个timestamp，作为该值特定版本的标识。默认情况下，timestamp代表了数据被写入RegionServer的时间，但你也可以在把数据放到cell时，指定不同的timestamp。

2.map

HBase/BigTable的核心数据结构是map，不同的编程语言针对 map 有不同的术语，比如 associative array（PHP）、associative array（Python），Hash（Ruby）或 Object （JavaScript）。

简单来说，map 就是 key-value 对集合。下面是一个用 JSON 格式来表达 map 的例子：

{
"zzzzz" : "woot",
"xyz" : "hello",
"aaaab" : "world",
"1" : "x",
"aaaaa" : "y"
}

3.分布式

HBase/Bigtable 都是建立在分布式系统上的，HBase 基于 Hadoop Distributed File System (HDFS) 或者 Amazon’s Simple Storage Service（S3），而 Bigtable 使用 Google File System（GFS）。它们要解决的一个问题就是数据的同步。这里不讨论如何做到数据同步。 HBase/Bigtable 可以部署在成千上万的机器上来分散访问压力。

4.排序

和一般的 map 实现有所区别，HBase/Bigtable 中的 map 是按字母顺序严格排序的。这就是说，对于 row key 是“aaaaa”的旁边 row key 应该是 “aaaab”，而与 row key 是“zzzzz”离得较远。

还是以上面的 JSON 为例，一个排好序的例子如下：

{
"1" : "x",
"aaaaa" : "y",
"aaaab" : "world",
"xyz" : "hello",
"zzzzz" : "woot"
}

在一个大数据量的系统里面，排序很重要，特别是 row key 的设置策略决定了查询的性能。比如网站的域名，row key 就是域名，在设计时要将域名反转（例如，org.apache.www、org.apache.mail、org.apache.jira）。

5.多维

多维 map，即 map 里面嵌套 map。例如：

 1 {
 2 　　"1" : {
 3 　　　　"A" : "x",
 4 　　　　"B" : "z"
 5　　 },
 6 　　"aaaaa" : {
 7 　　　　"A" : "y",
 8 　　　　"B" : "w"
 9 　　},
10 　　"aaaab" : {
11 　　　　"A" : "world",
12 　　　　"B" : "ocean"
13 　　},
14　　 "xyz" : {
15 　　　　"A" : "hello",
16 　　　　"B" : "there"
17 　　},
18 　　"zzzzz" : {
19 　　　　"A" : "woot",
20 　　　　"B" : "1337"
21　　 }
22 }

6.时间版本

在查询中不指定时间，返回的将是最近的一个时间的版本。如果给出 timestamp，返回的将是早于这个时间的数值。例如： 查询 row/column 是“aaaaa”/“A:foo”的，将返回 y；查询 row/column/timestamp 是“aaaaa”/“A:foo”/10的，将返回 m；查询 row/column/timestamp 是“aaaaa”/“A:foo”/2的，将返回 null。

 1 {
 2 　　// ...
 3 　　"aaaaa" : {
 4 　　　　"A" : {
 5 　　　　　　"foo" : {
 6 　　　　　　　　15 : "y",
 7 　　　　　　　　4 : "m"
 8　　　　 　　},
 9 　　　　　　"bar" : {
10 　　　　　　　　15 : "d",
11　　 　　　　}
12 　　　　},
13　　　　 "B" : {
14 　　　　　　"" : {
15 　　　　　　　　6 : "w"
16 　　　　　　　　3 : "o"
17 　　　　　　　　1 : "w"
18 　　　　　　}
19 　　　　}
20 　　},
21 // ...
22 }

7.概念视图

下面表格是一个名为 webtable 的 table ，包含了两个 row（com.cnn.www 和 com.example.www）和三个 column family（contents、 anchor和people）。第一个 row（com.cnn.www）中，anchor 包含了两个 column（anchor:cssnsi.com和 anchor:my.look.ca），contents包含了一个 column（contents:html）。在这个例子里面，row key 是com.cnn.www的 row 包含了5个版本，而 row key 是com.example.www的 row 包含了1个版本。column qualifier 为 contents:html包含了给定网站的完整的 HTML。column family 是anchor的每个 qualifier 包含了网站的链接。人们列族代表与网站相关的人。column family 是people关联的是网站的人物资料。

在这个表中显示为空的 cell 不占用空间，这使得 HBase 变得“稀疏”。除了表格方式来展现数据试图，也使用使用多维 map，如下：

 1 {
 2     "com.cnn.www": {
 3         contents: {
 4     　　　　t6: contents:html: "<html>..."
 5 　　　　　　t5: contents:html: "<html>..."
 6 　　　　　　t3: contents:html: "<html>..."
 7 　　　　}
 8 　　　　anchor: {
 9 　　　　　　t9: anchor:cnnsi.com = "CNN"
10　　　　　　 t8: anchor:my.look.ca = "CNN.com"
11 　　　　}
12 　　　　people: {}
13 　　}
14 　　"com.example.www": {
15 　　　　contents: {
16 　　　　　　t5: contents:html: "<html>..."
17 　　　　}
18 　　　　anchor: {}
19　　　　 people: {
20 　　　　　　t5: people:author: "John Doe"
21        }
22     }
23 }            

在这个表中显示为空的 cell 不占用空间，这使得 HBase 变得“稀疏”。除了表格方式来展现数据试图，也使用使用多维 map，如下：

 1 {
 2 　　"com.cnn.www": {
 3     　　contents: {
 4       　　t6: contents:html: "<html>..."
 5       　　t5: contents:html: "<html>..."
 6       　　t3: contents:html: "<html>..."
 7     　　}
 8     　　anchor: {
 9       　　t9: anchor:cnnsi.com = "CNN"
10       　　t8: anchor:my.look.ca = "CNN.com"
11     　　}
12     　　people: {}
13   }
14   "com.example.www": {
15     　　contents: {
16       　　t5: contents:html: "<html>..."
17     　　}
18     　　anchor: {}
19    　　 people: {
20       　　t5: people:author: "John Doe"
21     　　}
22   }
23 }

8.物理视图

尽管在概念视图里，table 可以被看成是一个稀疏的 row 的集合。但在物理上，它的是按照 column family 存储的。新的 column qualifier （column_family:column_qualifier）可以随时添加进已有的 column family 。

下表是一个 ColumnFamily anchor：

下表是一个 ColumnFamily contents：

值得注意的是在上面的概念视图中空白 cell 在物理上是不存储的，因为根本没有必要存储。因此若一个请求为要获取 t8 时间的contents:html，他的结果就是空。相似的，若请求为获取 t9 时间的anchor:my.look.ca，结果也是空。但是，如果不指明 timestamp，将会返回最新时间的 column。例如，如果请求为获取行键为“com.cnn.www”，没有指明 timestamp 的话，返回的结果是 t6 下的contents:html，t9下的anchor:cnnsi.com和 t8 下anchor:my.look.ca。

9.数据模型操作

四个主要的数据模型操作是 Get、Put、Scan 和 Delete。通过 Table 实例进行操作。有关 Table 的 API 可以参见 http://hbase.apache.org/apidocs/org/apache/hadoop/hbase/client/Table.html。

Get

Get 返回特定 row 的属性。 Get 通过 Table.get 执行。有关 Get 的 API 可以参见 http://hbase.apache.org/apidocs/org/apache/hadoop/hbase/client/Get.html。

Put

Put 要么向 table 增加新 row（如果 key 是新的）或更新 row（如果 key 已经存在）。 Put 通过 Table.put（writeBuffer）或 Table.batch（非 writeBuffer）执行。有关 Put 的 API 可以参见 http://hbase.apache.org/apidocs/org/apache/hadoop/hbase/client/Put.html。

Scan

Scan 允许多个 row 特定属性迭代。

下面是一个在 Table 表实例上的 Scan 示例。假设 table 有几行 row key 为“row1”、“row2”、“row3”，还有一些 row key 值为“abc1”、 “abc2” 和“abc3”。下面的示例展示 Scan 实例如何返回“row”打头的 row。

public static final byte[] CF = "cf".getBytes();
public static final byte[] ATTR = "attr".getBytes();
...

Table table = ...      // instantiate a Table instance

Scan scan = new Scan();
scan.addColumn(CF, ATTR);
scan.setRowPrefixFilter(Bytes.toBytes("row"));
ResultScanner rs = table.getScanner(scan);
try {
  for (Result r = rs.next(); r != null; r = rs.next()) {
    // process result...
  }
} finally {
  rs.close();  // always close the ResultScanner!
}

注意，通常最简单的方法来指定用于 scan 停止点是采用 InclusiveStopFilter 类，其 API 可以参见 http://hbase.apache.org/apidocs/org/apache/hadoop/hbase/filter/InclusiveStopFilter.html。

Delete

Delete 用于从 table 中删除 row。Delete 通过 Table.delete 执行。有关 Delete 的 API 可以参见 http://hbase.apache.org/apidocs/org/apache/hadoop/hbase/client/Delete.html。

HBase 没有修改数据的合适方法。所以 delete 通过创建名为 tombstones 的新标志进行处理。这些 tombstones 和死去的值，会在 major compaction 时清除掉。

参考引用

• http://hbase.apache.org/book.html
• Shashwat Shriparv.Learning Hbase中文版.周彦伟，蒲聪，娄帅译.北京：电子工业出版社，2015
• Lars George.HBase: The Definitive Guide, 2nd Edition.Sebastopol：O’Reilly Media，2016
• http://jimbojw.com/wiki/index.php?title=Understanding_Hbase_and_BigTable

原文地址：https://blog.csdn.net/kkkloveyou/article/details/52518325

***********************

心得之谈：欢迎指正，一起学习。

***********************

原文地址：https://www.cnblogs.com/donsenChen/p/9267449.html