一、简介
-
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
-
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
- 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）
二、数据模型
- ROW KEY
-
决定一行数据
-
– 按照字典顺序排序的。
-
– Row key只能存储64k的字节数据
-
- Column Family列族 & qualifier列
-
HBase表中的每个列都归属于某个列族，列族必须作为表模式(schema)定义的一部分预先给出。如 create ‘test’, ‘course’；
-
列名以列族作为前缀，每个“列族”都可以有多个列成员(column)；如course:math, course:english, 新的列族成员（列）可以随后按需、动态加入；
-
权限控制、存储以及调优都是在列族层面进行的；
-
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。
-
- 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
-
- 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；
• 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贮。
-
- 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 SequeceFile的Value是HBase的KeyValue对象，即对应HFile中的KeyValue。
-
-
Client
-
包含访问HBase的接口并维护cache来加快对HBase的访问
-
-
Zookeeper
-
保证任何时候，集群中只有一个master
-
存贮所有Region的寻址入口。
-
实时监控Region server的上线和下线信息。并实时通知Master
-
存储HBase的schema和table元数据
-
-
Master为Region server分配region
-
负责Region server的负载均衡
-
发现失效的Region server并重新分配其上的region
-
管理用户对table的增删改操作
-
-
RegionServer
-
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
-
-
Region
-
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就会等分会两个新的region（裂变）；
-
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。
-
-
Memstore 与 storefile
-
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，hregionserver会启动flashcache进程写入storefile，每次写入形成单独的一个storefile
-
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（majar），形成更大的storefile
-
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
-
客户端检索数据，先在memstore找，找不到再找storefile
-
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。
HRegion由一个或者 多个Store组成，每个store保存一个columns family。
每个Strore又由一个memStore和0至多个StoreFile组成。如图：StoreFile以HFile格式保存在HDFS上。
三、HBase集群安装
前提：Hadoop集群要启动正常，Zookeeper集群启动正常
- 配置regionservers ，主机名
- 配置backup-masters
- 配置hbase-env.sh
- 配置JAVA_HOME
- 配置HBASE_MANAGERS_ZK=false
- 配置hbase-site.xml
- Hbase.rootdir
- Zookeeper集群主机
- 启用hbase集群：true
- 把hdfs-site.xml (or hadoop-site.xml) 拷贝到${HBASE_HOME}/conf下
- 启动hbase
hbase-site.xml示例<configuration> <property> <name>hbase.rootdir</name> <value>hdfs://namenode.example.org:8020/hbase</value> </property> <property> <name>hbase.cluster.distributed</name> <value>true</value> </property> <property> <name>hbase.zookeeper.quorum</name> <value>node-a.example.com,node-b.example.com,node-c.example.com</value> </property> </configuration>
四、HBase Shell
- create 建立一个表 create 'scores','grade', 'course'
- list 查看当前HBase中具有哪些表
- describe 查看表的构造 describe 'scores'
五、Hbase表结构设计
根据新浪微博系统：请建立微博系统的表。
- 用户表不需要创建，假设用户已经存在，在DBMS中。
- 所有用户可以发微博
- 所有用户可以添加关注用户和取消关注用户
- 所有用户可以查看粉丝列表
- 用户首页，用户所关注的其他用户最新发布的微博列表。
用户表
| rowkey | cf1（关注列表） | cf2（粉丝列表） |
| uid | uid=uname | uid=uname |
微博表
| rowkey | cf1 |
| uid_LONG.MAX-time | content=微博内容 |
收微博表（主页用）
| rowkey | cf1 |
| uid | id=uid_LONG.MAX-time version=1000 |
六、protocal buffer
Protocol Buffers 是一种轻便高效的结构化数据存储格式，可以用于结构化数据串行化，或者说序列化。它很适合做数据存储或 RPC 数据交换格式。可用于通讯协议、数据存储等领域的语言无关、平台无关、可扩展的序列化结构数据格式。目前提供了 C++、Java、Python 三种语言的 API。
目的：每个cell都含有rowkey、列族、列、版本等，存的值都很短，大部分存储空间被浪费，把多列或多条数据合并成一个cell，节省storefile空间，提高存储空间使用率。
./configure –prefix=/usr/protobuffer
make&&make install
写好xx.proto文件，protoc --java_out=/app/ xx.proto
就生成了xx.java类，按照定义把属性封装好了，而且实现了序列化的方法。
七、MapReduce操作HBase
官网示例：http://hbase.apache.org/book.html#mapreduce.example
- 通过TableMapReduceUtil初始化job
- Mapclass需要实现TableMap
- reducerclass需要实现TableReducer
Configuration config = HBaseConfiguration.create(); Job job = new Job(config,"ExampleSummary"); job.setJarByClass(MySummaryJob.class); // class that contains mapper and reducer Scan scan = new Scan(); scan.setCaching(500); // 1 is the default in Scan, which will be bad for MapReduce jobs scan.setCacheBlocks(false); // don't set to true for MR jobs // set other scan attrs TableMapReduceUtil.initTableMapperJob( sourceTable, // input table scan, // Scan instance to control CF and attribute selection MyMapper.class, // mapper class Text.class, // mapper output key IntWritable.class, // mapper output value job); TableMapReduceUtil.initTableReducerJob( targetTable, // output table MyTableReducer.class, // reducer class job); job.setNumReduceTasks(1); // at least one, adjust as required boolean b = job.waitForCompletion(true); if (!b) { throw new IOException("error with job!"); }
public static class MyMapper extends TableMapper<Text, IntWritable> { public static final byte[] CF = "cf".getBytes(); public static final byte[] ATTR1 = "attr1".getBytes(); private final IntWritable ONE = new IntWritable(1); private Text text = new Text(); public void map(ImmutableBytesWritable row, Result value, Context context) throws IOException, InterruptedException { String val = new String(value.getValue(CF, ATTR1)); text.set(val); // we can only emit Writables... context.write(text, ONE); } }
public static class MyTableReducer extends TableReducer<Text, IntWritable, ImmutableBytesWritable> { public static final byte[] CF = "cf".getBytes(); public static final byte[] COUNT = "count".getBytes(); public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int i = 0; for (IntWritable val : values) { i += val.get(); } Put put = new Put(Bytes.toBytes(key.toString())); put.add(CF, COUNT, Bytes.toBytes(i)); context.write(null, put); } }
八、HBase调优