HBase简介：
HBase---Hadoop DataBase，是一个高可靠、高性能、面向列、可存储、实时读写的分布式数据库
利用HBase HDFS作为其文件存储系统
HBase数据模型：
（1）RowKey：
决定一行数据，按照字典顺序排序，RowKey只能存储64K字节数据
（2）Column Family列族 & qualifier列：
HBase表中某个列都归属某个列族，列族必须作为表模式（schema）定义的一部分预先给出。
列名以列族作为前缀，每个列族都可以有多个列成员（cloumn）
HBase把同一列族里面的数据存储在统一目录下，由几个文件保存
（3）Timestamp时间戳
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；
时间戳的类型是64位整型
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
时间戳也可以由客户显示赋值，如果应用程序之间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
（4）Cell单元格
由行和列的坐标交叉决定；单元格是有版本的；单元格的内容是未解析的字节数组
（5）HLog（WAL Log）
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
HLog SequenceFile的Value是HBase的keyValue是HBase的KeyValue对象，即对应HFile中的KeyValue
HBase体系架构
（1）Client
包含访问HBase的接口并维护cache来加快对HBase的访问
（2）Zookeeper
保证任何时候，集群中只有一个Master处于active状态
存储所有Region的寻址入口
实时监控Region Server的上下线信息，并实时通知Master
存储HBase的schema和table元数据信息
（3）Master
为Region Server分配region
负责Region Server的负载均衡
发现失效的Region Server，并重新分配失效Region Server上的Region
管理用户对table的增删改操作
（6）Region Server
Region Server维护region，处理对这些region的IO请求
Region Server负责切分在运行过程中变得过大的Region
（7）Memstore和storefile
一个region由多个store组成，一个store对应一个CF；
store包括内存中的memstore和位于磁盘的storefile，写操作先写入memstore，当memstore中的数据达到某个阈值时，hregionserver会启动flushcache进程写入storefile，每次写入形成一个单独的storefile
当storefile文件数量增长到一定阈值的时候，系统会进行minor、major compaction，在合并过程中会进行版本合并和删除工作，形成更大的storefile
当一个region中所有storefile的大小和数量超过一定阈值的时候，会把当前的region分割为两个，并由hmaster分配到相应的regionserver上，实现负载均衡
客户端检索数据，先在memstore上找，找不到再去storefile中找
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HRegion可以分布在不同HRegion Server上面
HBase Compaction
主要有Minor Compaction和Major Compaction
Minor Compaction：指选取一些小的、相邻的storefile将他们合并成更大的StoreFile，在这个过程不会处理Delete或者Expired的Cell
Major Compaction：指将所有的StoreFile合并成一个StoreFile，在这个过程中会有清理三类无意义数据：被删除的数据，TTL过期的数据，版本号超过设定版本的数据，整个过程会消耗大量的系统资源
Compaction就是使用短时间的IO消耗以及带宽消耗换取后续查询的低延迟
Compaction流程：
Compaction出发时机始于特定的触发条件，比如flush、周期性的Compaction检查操作或手动触发，一旦触发，HBase会将该Compaction交由一个单独的线程去操作
Memstore Flush：memstore flush 会产生一个hfile文件，文件越来越多就需要compact，一旦文件数大于设定值就会进行compact
后台线程周期性检查：手动触发，一般不会做过多的检查，直接执行合并
sanpshort流程：
主要分为以下几个步骤：
（1）加一把全局锁，此时不允许任何数据写入更新以及删除操作
（2）将memstore中缓存的数据flush（可选）
（3）为所有hfile文件分别新建引用指引，这些指针元数据就是snapshort
功能：
（1）全量/增量的备份
（2）对重要数据业务进行快照，如果发生错误后可回滚之前的快照点
（3）数据迁移，使用ExportSnapshot功能将快照到另一个集群
snapshort使用：
（1）为表‘sourceTable‘打一个快照‘snapshotName‘，快照并不涉及数据移动，可以在线完成
hbase> snapshot ‘sourceTable‘,‘snapshotName‘
（2）恢复指定快照，恢复过程会替代原有数据，将表还原到快照点，快照点之后的所有更新数据将会丢失，需要注意的是原有表需要先disable，然后才能恢复操作
hbase> restore_snapshot ‘snapshotName‘
（3）根据快照恢复出一个新表，恢复过程不涉及数据移动，可以在秒级完成
hbase> clone_snapshot ‘snapshotName‘,‘tableName‘
使用ExportSnapshot命令可以将A集群的快照数据迁移到B集群，ExportSnapshot是HDFS层面的操作，会使用MR进行数据的并行迁移，因此需要在开启MR的机器上进行迁移。HMaster和HRegionServer并不参与这个过程，因此不会带来额外的内存开销以及GC开销。唯一的影响是DN在拷贝数据的时候需要额外的带宽以及IO负载，ExportSnapshot也针对这个问题设置了参数-bandwidth来限制带宽的使用。
hbase org.apache.hadoop.hbase.snapshot.ExportSnapshot -snapshot MySnapshot -copy-from hdfs://srv2:8082/hbase -copy-to hdfs://srv1:50070/hbase -mappers 16 -bandwidth 1024\
HBase优化：
（1）表的设计：
- 表的预分区 可解决热点问题
- RowKey设计 最大长度64kB，越小越好（可散列性，取反或hash）
- Column Family 一般设计1~3个，不宜太多
- Compact&Split 一般对于major做优化
- 设置最大版本号 Max Version [ HColumnDescriptor.setMaxVersions(int maxVersions) ]
- 设置表中数据的生命周期 Time To Live [ HColumnDescriptor.setTimeToLive(int timeToLive) ]
- 创建表的时候将表放入到缓存 In Memory [ HColumnDescriptor.setInMemory(true) ]
（2）写表操作：
- Auto Flush 避免每put一条数据就刷新一次 [ HTable.setAutoFlush(false) ]
- Write Buffer 可以设置HTable客户端写Buffer大小 [ HTable.setWriteBufferSize(writeBufferSize) ]
- 批量写
（3）读表操作
- Scanner Caching 使用scan时候设置一次从服务端拉取的数据条数，可以减少scan过程中next()的时间开销
- scan指定column family
- close resultscanner
- Blockcache 读缓存
原文地址：https://www.cnblogs.com/asura7969/p/8322444.html