Hbase基本概念

待我称王封你为后i 2022-04-24 12:22 292阅读 0赞

# 1. HBase简介 #

## 1.1 什么是HBase ##

HBASE是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBASE技术可在廉价PC Server上搭建起大规模结构化存储集群。

HBASE的目标是存储并处理大型的数据，更具体来说是仅需使用普通的硬件配置，就能够处理由成千上万的行和列所组成的大型数据。

HBASE是Google Bigtable的开源实现，但是也有很多不同之处。比如：Google Bigtable使用GFS作为其文件存储系统，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作为协同服务。

## 1.2 与传统数据库的对比 ##

1、传统数据库遇到的问题：

1）数据量很大的时候无法存储；  
2）没有很好的备份机制；  
3）数据达到一定数量开始缓慢，很大的话基本无法支撑；

2、HBASE优势：

1）线性扩展，随着数据量增多可以通过节点扩展进行支撑；  
2）数据存储在hdfs上，备份机制健全；  
3）通过zookeeper协调查找数据，访问速度快。

## 1.3 HBase集群中的角色 ##

1、一个或者多个主节点，Hmaster；

2、多个从节点，HregionServer；

3、HBase依赖项，zookeeper；

# 2. HBase数据模型 #

![1217276-20180412165246351-1504091538.png][]

## 2.1 HBase的存储机制 ##

HBase是一个面向列的数据库，在表中它由行排序。表模式定义只能列族，也就是键值对。一个表有多个列族以及**每一个列族可以有任意数量的列**。后续列的值连续存储在磁盘上。表中的每个单元格值都具有时间戳。总之，在一个HBase：

*  表是行的集合。
 *  行是列族的集合。
 *  列族是列的集合。
 *  列是键值对的集合。

这里的列式存储或者说面向列，其实说的是列族存储，HBase是根据列族来存储数据的。列族下面可以有非常多的列，列族在创建表的时候就必须指定。

### HBase 和 RDBMS的比较 ###

![1217276-20180502160419739-1372070262.png][]

RDBMS的表：

![1217276-20180502160625443-336515309.png][]

HBase的表：

![1217276-20180502160640314-1773712421.png][]

## 2.2 Row Key 行键 ##

与nosql数据库一样，row key是用来表示唯一一行记录的**主键**，HBase的数据时按照RowKey的**字典顺序**进行全局排序的，所有的查询都只能依赖于这一个排序维度。访问HBASE table中的行，只有三种方式：

1. 通过单个row key访问；

2. 通过row key的range（正则）

3. 全表扫描

Row key 行键（Row key）可以是任意字符串(最大长度是64KB，实际应用中长度一般为10-1000bytes)，在HBASE内部，row key保存为字节数组。存储时，数据按照Row key的字典序(byte order)排序存储。设计key时，要充分排序存储这个特性，将经常一起读取的行存储放到一起。(位置相关性)

## 2.3 Columns Family 列族 ##

列簇：HBASE表中的每个列，都归属于某个列族。列族是表的schema的一部分(而列不是)，必须在使用表之前定义。列名都以列族作为前缀。例如courses：history，courses：math 都属于courses这个列族。

## 2.4 Cell ##

由\{row key，columnFamily，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。

关键字：无类型、字节码

## **2.5 Time Stamp 时间戳** ##

HBASE中通过rowkey和columns确定的为一个存储单元称为cell。每个cell都保存着同一份数据的多个版本。版本通过时间戳来索引。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。每个cell中，不同版本的数据按照时间倒序排序，即最新的数据排在最前面。

为了避免数据存在过多版本造成的管理(包括存储和索引)负担，HBASE提供了两种数据版本回收方式。一是保存数据的最后n个版本，而是保存最近一段时间内的版本(比如最近7天)。用户可以针对每个列族进行设置。

# 3. HBase原理 #

## HBase系统架构体系图 ##

![1217276-20180502141711373-31653278.png][]

组成部件说明：

**Client：**

使用HBase RPC机制与HMaster和HRegionServer进行通信  
Client与HMaster进行管理类操作  
Client与HRegionServer进行数据读写类操作

**Zookeeper：**

Zookeeper Quorum存储-ROOT-表地址、HMaster地址  
HRegionServer把自己以Ephedral方式注册到Zookeeper中，HMaster随时感知各个HRegionServer的健康状况  
Zookeeper避免HMaster单点问题

Zookeeper的主要作用：客户端首先联系ZooKeeper子集群（quorum）（一个由ZooKeeper节点组成的单独集群）查找行健。上述过程是通过ZooKeeper获取含有-ROOT-的region服务器名（主机名）来完成的。通过含有-ROOT-的region服务器可以查询到含有.META.表中对应的region服务器名，其中包含请求的行健信息。这两处的主要内容都被缓存下来了，并且都只查询一次。最终，通过查询.META服务器来获取客户端查询的行健数据所在region的服务器名。一旦知道了数据的实际位置，即region的位置，HBase会缓存这次查询的信息，同时直接联系管理实际数据的HRegionServer。所以，之后客户端可以通过缓存信息很好地定位所需的数据位置，而不用再次查找.META.表。

**HMaster：**

HMaster没有单点问题，HBase可以启动多个HMaster，通过Zookeeper的Master Election机制保证总有一个Master在运行  
主要负责Table和Region的管理工作：  
1. 管理用户对表的增删改查操作  
2. 管理HRegionServer的负载均衡，调整Region分布  
3. Region Split后，负责新Region的分布  
4. 在HRegionServer停机后，负责失效HRegionServer上Region迁移

**HRegionServer：**

HBase中最核心的模块，主要负责响应用户I/O请求，向HDFS文件系统中读写

![1217276-20180502154607794-710652455.png][]

![1217276-20180502155839968-280021952.png][]

HRegionServer管理一系列HRegion对象；  
每个HRegion对应Table中一个Region，HRegion由多个HStore组成；  
每个HStore对应Table中一个Column Family的存储；  
Column Family就是一个集中的存储单元，故将具有相同IO特性的Column放在一个Column Family会更高效。

可以看到，client访问hbase上的数据并不需要master参与（寻址访问zookeeper和region server，数据读写访问region server），master仅仅维护table和region的元数据信息（table的元数据信息保存在zookeeper上），负载很低。HRegionServer存取一个子表时，会创建一个HRegion对象，然后对表的每个列族创建一个Store实例，每个Store都会有一个MemStore和0个或多个StoreFile与之对应，每个StoreFile都会对应一个HFile，HFile就是实际的存储文件。因此，一个HRegion（表）有多少个列族就有多少个Store。一个HRegionServer会有多个HRegion和一个HLog。

**HRegion：**

table在行的方向上分隔为多个Region。Region是HBase中分布式存储和负载均衡的最小单元，即不同的region可以分别在不同的Region Server上，但同一个Region是不会拆分到多个server上。

Region按大小分隔，每个表一般是只有一个region。随着数据不断插入表，region不断增大，当region的某个列族达到一个阀值（默认256M）时就会分成两个新的region。

每个region由以下信息标识：

1.  <表名，startRowKey，创建时间>
2.  由目录表(-ROOT-和.META.)记录该region的endRowKey

HRegion定位：Region被分配给哪个RegionServer是完全动态的，所以需要机制来定位Region具体在哪个region server。

HBase使用三层结构来定位region：

1.  通过zookeeper里的文件/hbase/rs得到-ROOT-表的位置。-ROOT-表只有一个region。
2.  通过-ROOT-表查找.META.表的第一个表中相应的region的位置。其实-ROOT-表是.META.表的第一个region；.META.表中的每一个region在-ROOT-表中都是一行记录。
3.  通过.META.表找到所要的用户表region的位置。用户表中的每个region在.META表中都是一行记录。

注意：

\-ROOT-表永远不会被分隔为多个region，保证了最多需要三次跳转，就能定位到任意的region。client会将查询的位置信息缓存起来，缓存不会主动失效，因此如果client上的缓存全部失效，则需要进行6次网络来回，才能定位到正确的region，其中三次用来发现缓存失效，另外三次用来获取位置信息。

table和region的关系

table默认最初只有一个region，随着记录数的不断增加而变大，起初的region会逐渐分裂成多个region，一个region有【startKey, endKey】表示，不同的region会被master分配给相应的regionserver管理。

region是hbase分布式存储和负载均衡的最小单元，不同的region分不到不同的regionServer。

注意：region虽然是分布式存储的最小单元，但并不是存储的最小单元。region是由一个或者多个store组成的，每个store就是一个column family。每个store又由memStore和1至多个store file 组成(memstore到一个阀值会刷新，写入到storefile，有hlog来保证数据的安全性，一个regionServer有且只有一个hlog)

**HStore：**

HBase存储的核心。由MemStore和StoreFile组成。MemStore是Stored Memory Buffer。  
**HLog：**

引入HLog原因：在分布式系统环境中，无法避免系统出错或者宕机，一旦HRegionServer意外退出，MemStore中的内存数据就会丢失，引入HLog就是防止这种情况。

工作机制：  
每个HRegionServer中都会有一个HLog对象，HLog是一个实现Write Ahead Log的类，每次用户操作写入MemStore的同时，也会写一份数据到HLog文件，HLog文件定期会滚动出新，并删除旧的文件(已持久化到StoreFile中的数据)。当HRegionServer意外终止后，HMaster会通过Zookeeper感知，HMaster首先处理遗留的HLog文件，将不同region的log数据拆分，分别放到相应region目录下，然后再将失效的region重新分配，领取到这些region的HRegionServer在Load Region的过程中，会发现有历史HLog需要处理，因此会Replay HLog中的数据到MemStore中，然后flush到StoreFiles，完成数据恢复。

## 3.1 HBase的存储格式 ##

HBase中的所有数据文件都存储在Hadoop HDFS文件系统上，格式主要有两种：

1. HFile，HBase中Key-Value数据的存储格式，HFile是Hadoop的二进制格式文件，实际上StoreFile就是对HFile做了轻量级包装，即StoreFile底层就是HFile。

2. HLog File，HBase中WAL(Write Ahead Log)的存储格式，物理上是Hadoop的Sequence File

### HFile ###

![1217276-20180503005707958-1447071381.jpg][]

图片解释：

HFile文件不定长，长度固定的块只有两个：Trailer和FileInfo

Trailer中指针指向其他数据块的起始点

File Info中记录了文件的一些Meta信息，例如：AVG\_KEY\_LEN, AVG\_VALUE\_LEN, LAST\_KEY, COMPARATOR, MAX\_SEQ\_ID\_KEY等

Data Index和Meta Index块记录了每个Data块和Meta块的起始点

Data Block是HBase I/O的基本单元，为了提高效率，HRegionServer中有基于LRU的Block Cache机制

每个Data块的大小可以在创建一个Table的时候通过参数指定，大号的Block有利于顺序Scan，小号Block利于随机查询

每个Data块除了开头的Magic以外就是一个个KeyValue对拼接而成, Magic内容就是一些随机数字，目的是防止数据损坏

HFile里面的每个KeyValue对就是一个简单的byte数组。这个byte数组里面包含了很多项，并且有固定的结构。

![1217276-20180503010131198-724999946.jpg][]

KeyLength和ValueLength：两个固定的长度，分别代表Key和Value的长度

Key部分：Row Length是固定长度的数值，表示RowKey的长度，Row 就是RowKey

Column Family Length是固定长度的数值，表示Family的长度

接着就是Column Family，再接着是Qualifier，然后是两个固定长度的数值，表示Time Stamp和Key Type（Put/Delete）

Value部分没有这么复杂的结构，就是纯粹的二进制数据

### HLog File ###

![1217276-20180503010301359-528531120.jpg][]

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 Sequece File的Value是HBase的KeyValue对象，即对应HFile中的KeyValue

## 3.2 写流程 ##

![1217276-20180503001412746-1581550869.png][]

1) Client通过Zookeeper的调度，向RegionServer发出写数据请求，在Region中写数据；

2) 数据被写入Region的MemStore，知道MemStore达到预设阀值(即MemStore满)；

3) MemStore中的数据被Flush成一个StoreFile；

4) 随着StoreFile文件的不断增多，当其数量增长到一定阀值后，触发Compact合并操作，将多个StoreFile合并成一个StoreFile，同时进行版本合并和数据删除；

5) StoreFiles通过不断的Compact合并操作，逐步形成越来越大的StoreFile；

6) 单个StoreFile大小超过一定阀值后，触发Split操作，把当前Region Split成2个新的Region。父Region会下线，新Split出的2个子Region会被HMaster分配到相应的RegionServer上，使得原先1个Region的压力得以分流到2个Region上。

可以看出HBase只有增添数据，所有的更新和删除操作都是在后续的Compact历程中举行的，使得用户的写操作只要进入内存就可以立刻返回，实现了HBase I/O的高性能。

## 3.3 读流程 ##

1) Client访问Zookeeper，查找-ROOT-表，获取**.**META**.**表信息；

2) 从**.**META**.**表查找，获取存放目标数据的Region信息，从而找到对应的RegionServer；

3) 通过RegionServer获取需要查找的数据；

4) RegionServer的内存分为MemStore和BlockCache两部分，MemStore主要用于写数据，BlockCache主要用于读数据。读请求先到MemStore中查数据，查不到就到BlockCache中查，再查不到就会到StoreFile上读，并把读的结果放入BlockCache。

寻址过程：client—>Zookeeper—>ROOT表—>**.**META**.** 表—>RegionServer—>Region—>client

# 4. HBASE命令 #

## 4.1 命令的进退 ##

1、hbase提供了一个shell的终端给用户交互

*hbase shell*

![1217276-20180412223447617-1196334871.png][]

2、如果退出执行*quit*命令

![1217276-20180412223750135-1760972050.png][]

## 4.2 命令 ##

<table> 
 <tbody> 
  <tr> 
   <td>名称</td> 
   <td>命令表达式</td> 
  </tr> 
  <tr> 
   <td>查看hbase状态</td> 
   <td>status</td> 
  </tr> 
  <tr> 
   <td>创建表</td> 
   <td>create '表名','列族名1','列族名2','列族名N'</td> 
  </tr> 
  <tr> 
   <td>查看所有表</td> 
   <td>list</td> 
  </tr> 
  <tr> 
   <td>描述表</td> 
   <td>describe '表名'</td> 
  </tr> 
  <tr> 
   <td>判断表存在</td> 
   <td>exists '表名'</td> 
  </tr> 
  <tr> 
   <td>判断是否禁用启用表</td> 
   <td> <p>is_enabled '表名'<br> is_disabled '表名'</p> </td> 
  </tr> 
  <tr> 
   <td>添加记录</td> 
   <td>put '表名','rowkey','列族：列'，'值'</td> 
  </tr> 
  <tr> 
   <td>查看记录rowkey下的所有数据</td> 
   <td>get '表名','rowkey'</td> 
  </tr> 
  <tr> 
   <td>查看所有记录</td> 
   <td>scan '表名'</td> 
  </tr> 
  <tr> 
   <td>查看表中的记录总数</td> 
   <td>count '表名'</td> 
  </tr> 
  <tr> 
   <td>获取某个列族</td> 
   <td>get&nbsp; '表名','rowkey','列族：列'</td> 
  </tr> 
  <tr> 
   <td>获取某个列族的某个列</td> 
   <td>get '表名','rowkey','列族：列'</td> 
  </tr> 
  <tr> 
   <td>删除记录</td> 
   <td>delete '表名','行名','列族：列'</td> 
  </tr> 
  <tr> 
   <td>删除整行</td> 
   <td>deleteall '表名','rowkey'</td> 
  </tr> 
  <tr> 
   <td>删除一张表</td> 
   <td> <p>先要屏蔽该表，才能对该表进行删除<br> 第一步 disable '表名'，第二步 drop '表名'</p> </td> 
  </tr> 
  <tr> 
   <td>清空表</td> 
   <td>truncate '表名'</td> 
  </tr> 
  <tr> 
   <td>查看某个表某个列中所有数据</td> 
   <td>scan '表名',{COLUMNS=&gt;'列族名：列名'}</td> 
  </tr> 
  <tr> 
   <td>更新记录</td> 
   <td>就是重新一遍，进行覆盖，hbase没有修改，都是追加</td> 
  </tr> 
 </tbody> 
</table>

具体实例：

1、查看HBase运行状态 status

![1217276-20180413111151431-318623810.png][]

2、创建表 create <table>,\{NAME => <family>, VERSIONS => <VERSIONS>\}

创建一个User表，并且有一个info列族

![1217276-20180413113824492-774805746.png][]

3、查看所有表 list

![1217276-20180413114007139-611606791.png][]

4、描述表详情 describe 'User'

![1217276-20180413121044733-2083100343.png][]

5、判断表是否存在 exists 'User'

![1217276-20180413121349423-1333153437.png][]

6、启用或禁用表 is\_disabled 'User' is\_enabled 'User'

![1217276-20180413121603237-805176516.png][]

7、添加记录，即插入数据，语法：put <table>,<rowkey>,<family:column>,<value>

![1217276-20180413122020453-914441331.png][]

8、根据rowKey查询某个记录，语法：get <table>,<rowkey>,\[<family:column>, ...\]

![1217276-20180413122538312-470099930.png][]

9、查询所有记录，语法：scan <table>,\{COLUMNS => \[family:column, ...\], LIMIT => num\}

扫描所有记录

![1217276-20180413122934856-486440430.png][]

扫描前2条

![1217276-20180413123206775-1739846948.png][]

范围查询

![1217276-20180413123602241-1128643343.png][]

另外，还可以添加TIMERANGE和FILTER等高级功能，STARTROW、ENDROW必须大写，否则报错，查询结果不包含等于ENDROW的结果集。

10、统计表记录数，语法：count <table>, \{INTERVAL => intervalNum，CACHE => cacheNum\}

INTERVAL设置多少行显示一次及对应的rowkey，默认1000；CACHE每次去取的缓存区大小，默认是10，调整该参数可提高查询速度。

![1217276-20180413124218237-665630801.png][]

11、删除

删除列

![1217276-20180413124525782-2069077254.png][]

删除整行

![1217276-20180413124730351-995833036.png][]

删除表中所有数据

![1217276-20180413124844290-2067922262.png][]

12、禁用或启用表

禁用表

![1217276-20180413125325416-599912303.png][]

启用表

![1217276-20180413125433862-2123274653.png][]

12、删除表

删除前，必须先disable

![1217276-20180413125616137-288855577.png][]

[1217276-20180412165246351-1504091538.png]: /images/20220215/67ba0028f59e40be9bd7edcb4f7e8b61.png
[1217276-20180502160419739-1372070262.png]: /images/20220215/c83e5b74f49c43ccb18f377f2c8d9ef5.png
[1217276-20180502160625443-336515309.png]: /images/20220215/0a927f6feb654affad587d8323ebdfba.png
[1217276-20180502160640314-1773712421.png]: /images/20220215/c6cde80e196c4cd5bf6ea43676fb1f3b.png
[1217276-20180502141711373-31653278.png]: /images/20220215/797fd6545a8e4eb7a55ab306786dd9c1.png
[1217276-20180502154607794-710652455.png]: /images/20220215/ef7568fb5ca34970afe0cb65a452550e.png
[1217276-20180502155839968-280021952.png]: /images/20220215/ff2d5349e0b2415495ef928b747408fb.png
[1217276-20180503005707958-1447071381.jpg]: /images/20220215/8d708d235d8640e28285ebeedf6c2044.png
[1217276-20180503010131198-724999946.jpg]: /images/20220215/5e6abfa044fd458680f11b82e1c1dc4b.png
[1217276-20180503010301359-528531120.jpg]: /images/20220215/fc0babd5eb4f4f33be857ca74e2fa973.png
[1217276-20180503001412746-1581550869.png]: /images/20220215/618a43fa7f3a46ca9ff6792a868d445d.png
[1217276-20180412223447617-1196334871.png]: /images/20220215/0cb67155a18c44ad9028e0a20ade1979.png
[1217276-20180412223750135-1760972050.png]: /images/20220215/939facca651c48689d9bb26c0405d6d3.png
[1217276-20180413111151431-318623810.png]: /images/20220215/6ab54c299af0413eb9b9d4d15ae4411b.png
[1217276-20180413113824492-774805746.png]: /images/20220215/cea98e3f2e3943509e8bffb3bee7833e.png
[1217276-20180413114007139-611606791.png]: /images/20220215/9442be62b4084b659feeb88c2328f7ad.png
[1217276-20180413121044733-2083100343.png]: /images/20220215/5718087df91246ee8a04aa8514c944e4.png
[1217276-20180413121349423-1333153437.png]: /images/20220215/26af22185c924c8bab1d2dac24de08bc.png
[1217276-20180413121603237-805176516.png]: /images/20220215/0f368c99aae14eea8b8fafff8c79042f.png
[1217276-20180413122020453-914441331.png]: /images/20220215/ba3b7ac388074b72b9ee3b806cdbe62a.png
[1217276-20180413122538312-470099930.png]: /images/20220215/2e7f1f3b05a14317baeb166a00a82529.png
[1217276-20180413122934856-486440430.png]: /images/20220215/c66b6501d7394844ae6ca7ddb0dbb873.png
[1217276-20180413123206775-1739846948.png]: /images/20220215/b0c960becc6c43b398c3f0426e312251.png
[1217276-20180413123602241-1128643343.png]: /images/20220215/99c685f6cbdd4b82863e3497f70b9e15.png
[1217276-20180413124218237-665630801.png]: /images/20220215/77a30eb5a6344f0aae5b69562c6c26a3.png
[1217276-20180413124525782-2069077254.png]: /images/20220215/45717c782314476cb76cc55537ecc307.png
[1217276-20180413124730351-995833036.png]: /images/20220215/20e5418d2df84d57896c6101fa3cf290.png
[1217276-20180413124844290-2067922262.png]: /images/20220215/6a68a5113b46438bbaa4e0309f02c7f4.png
[1217276-20180413125325416-599912303.png]: /images/20220215/c559461701954acab2d2f5eebc0ad830.png
[1217276-20180413125433862-2123274653.png]: /images/20220215/89742a506f6541908f098e4a352dd5cf.png
[1217276-20180413125616137-288855577.png]: /images/20220215/4a451d54d6394132a67b03b2230bc1b3.png