Hadoop大数据实战系列文章之HBase

HBase – Hadoop Database，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。

本章内容：

1) Hbase 简介

2) Hbase 数据模型

3) Hbase 基础原理

4) Hbase 系统架构

5) Hbase 基础操作

1. Hbase 简介

HBase 是 Apache Hadoop 中的一个子项目，Hbase 依托于 Hadoop 的 HDFS 作为最基本存储基础单元，通过使用hadoop的DFS工具就可以看到这些这些数据存储文件夹的结构,还可以通过 Map/Reduce 的框架(算法)对 HBase 进行操作。

上图描述了 Hadoop EcoSystem 中的各层系统，其中 HBase 位于结构化存储层，Hadoop HDFS 为 HBase 提供了高可靠性的底层存储支持，Hadoop MapReduce 为HBase提供了高性能的计算能力，Zookeeper为HBase提供了稳定服务和failover机制。

Hbase 适用场景：

1) 大数据量存储，大数据量高并发操作

2) 需要对数据随机读写操作

3) 读写访问均是非常简单的操作

Hbase 与 HDFS 对比：

 两者都具有良好的容错性和扩展性，都可以扩展到成百上千个节点；

 HDFS 适合批处理场景，但不支持数据随机查找，不适合增量数据处理，不支持数

据更新

2. Hbase 数据 模型

HBase 以表的形式存储数据。表由行和列族组成。列划分为若干个列族(row family)，其逻辑视图如下：

几个关键概念：

1) 行键(RowKey)

 行键是字节数组, 任何字符串都可以作为行键；

 表中的行根据行键进行排序，数据按照 Row key 的字节序(byte order)排序存储；

 所有对表的访问都要通过行键 （单个RowKey访问，或RowKey范围访问，或全表扫描)

2) 列族（ColumnFamily）

 CF 必须在表定义时给出

 每个 CF可以有一个或多个列成员(ColumnQualifier)，列成员不需要在表定义时给出，新的列族成员可以随后按需、动态加入

 数据按CF分开存储，HBase所谓的列式存储就是根据CF分开存储（每个CF对应一个 Store），这种设计非常适合于数据分析的情形

3) 时间戳（TimeStamp）

 每个 Cell 可能又多个版本，它们之间用时间戳区分

4) 单元格（Cell）

 Cell 由行键，列族:限定符，时间戳唯一决定

 Cell 中的数据是没有类型的，全部以字节码形式存储

5) 区域(Region）

 HBase 自动把表水平（按 Row）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；

 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 Region 上。

 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，StoreFile 包含 HFile；memStore 存储在内存中，StoreFile 存储在 HDFS 上。

3. Hbase 架构 及 基本组件

从上图看到 HBase 的基本组件：

1) Client：

 包含访问HBase的接口，并维护cache来加快对HBase的访问，比如region的位置信息。

2) 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 的增删改查操作

3) Region Server

 Regionserver 维护 region，处理对这些 region 的 IO 请求

 Regionserver 负责切分在运行过程中变得过大的 region

4) Zookeeper 作用

 通过选举，保证任何时候，集群中只有一个Master，Master与RegionServers启动时会向 ZooKeeper 注册

 存储所有 Region 的寻址入口

 实时监控 Region server 的上线和下线信息，并实时通知给 Master

 存储 HBase 的 schema 和 table 元数据

 默认情况下，HBase 管理 ZooKeeper 实例，比如， 启动或者停止ZooKeeper

 Zookeeper 的引入使得 Master 不再是单点故障

4. Hbase 容错 与 恢复

每个HRegionServer中都有一个HLog对象，HLog是一个实现Write Ahead Log的类，在每次用户操作写入 MemStore 的同时，也会写一份数据到 HLog 文件中（HLog 文件格式见后续），HLog 文件定期会滚动出新的，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感知到，HMaster首先会处理遗留的 HLog 文件，将其中不同 Region 的 Log 数据进行拆分，分别放到相应region的目录下，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

Hbase 容错性：

1) Master 容错：Zookeeper 重新选择一个新的 Master

 无 Master 过程中，数据读取仍照常进行；

 无 master 过程中，region 切分、负载均衡等无法进行；

2) RegionServer 容错：定时向 Zookeeper汇报心跳，如果一旦时间内未出现心跳，Master 将该 RegionServer 上的 Region 重新分配到其他 RegionServer 上，失效服务器上“预写”日志由主服务器进行分割并派送给新的 RegionServer

3) Zookeeper容错：Zookeeper是一个可靠地服务，一般配置3或5个Zookeeper实例

Region 定位流程：

寻找 RegionServer 过程：ZooKeeper--> -ROOT-(单 Region)--> .META.--> 用户表

1) -ROOT-

 表包含.META.表所在的 region 列表，该表只会有一个 Region；

 Zookeeper 中记录了-ROOT-表的 location。

2) .META.

 表包含所有的用户空间 region 列表，以及 RegionServer 的服务器地址。

5. Hbase 基础操作

1) 进入 hbase shell console

$HBASE_HOME/bin/hbase shell

表的管理：

2) 查看有哪些表

list

3) 创建表

# 语法：create <table>, {NAME => <family>, VERSIONS => <VERSIONS>}

# 例如：创建表 t1，有两个 family name：f1，f2，且版本数均为 2

> create 't1',{NAME => 'f1', VERSIONS => 2},{NAME => 'f2', VERSIONS => 2}

4) 删除表

# 分两步：首先 disable，然后 drop

# 例如：删除表 t1

> disable 't1'

> drop 't1'

5) 查看表的结构

# 语法：describe <table>

# 例如：查看表 t1 的结构

> describe 't1'

6) 修改表结构

# 修改表结构必须先 disable

# 语法：alter 't1', {NAME => 'f1'}, {NAME => 'f2', METHOD => 'delete'}

# 例如：修改表 test1 的 cf 的 TTL 为 180 天

> disable 'test1'

> alter 'test1',{NAME=>'body',TTL=>'15552000'},{NAME=>'meta', TTL=>'15552000'}

> enable 'test1'

权限管理：

1) 分配权限

# 语法 : grant <user> <permissions> <table> <column family> <column qualifier> 参数

后面用逗号分隔

# 权限用五个字母表示： "RWXCA".

# READ('R'), WRITE('W'), EXEC('X'), CREATE('C'), ADMIN('A')

# 例如，给用户‘test'分配对表 t1 有读写的权限，

> grant 'test','RW','t1'

2) 查看权限

# 语法：user_permission <table>

# 例如，查看表 t1 的权限列表

> user_permission 't1'

3) 收回权限

# 与分配权限类似，语法：revoke <user> <table> <column family> <column qualifier>

# 例如，收回 test 用户在表 t1 上的权限

> revoke 'test','t1'

表数据的增删改查：

1) 添加数据

# 语法：put <table>,<rowkey>,<family:column>,<value>,<timestamp>

# 例如：给表 t1 的添加一行记录：rowkey 是 rowkey001，family name：f1，column name：

col1，value：value01，timestamp：系统默认

> put 't1','rowkey001','f1:col1','value01'

2) 查询数据——查询某行记录

# 语法：get <table>,<rowkey>,[<family:column>,....]

# 例如：查询表 t1，rowkey001 中的 f1 下的 col1 的值

> get 't1','rowkey001', 'f1:col1'

# 或者：

> get 't1','rowkey001', {COLUMN=>'f1:col1'}

# 查询表 t1，rowke002 中的 f1 下的所有列值

hbase(main)> get 't1','rowkey001'

3) 查询数据——扫描表

# 语法：scan <table>, {COLUMNS => [ <family:column>,.... ], LIMIT => num}

# 另外，还可以添加 STARTROW、TIMERANGE 和 FITLER 等高级功能

# 例如：扫描表 t1 的前 5 条数据

> scan 't1',{LIMIT=>5}

4) 查询表中的数据行数

# 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

# 例如，查询表 t1 中的行数，每 100 条显示一次，缓存区为 500

> count 't1', {INTERVAL => 100, CACHE => 500}

5) 删除数据——删除行中的某个列值

# 语法：delete <table>, <rowkey>, <family:column> , <timestamp>,必须指定列名

# 例如：删除表 t1，rowkey001 中的 f1:col1 的数据

> delete 't1','rowkey001','f1:col1'

6) 删除数据——删除行

# 语法：deleteall <table>, <rowkey>, <family:column> , <timestamp>，可以不指定列名，

删除整行数据

# 例如：删除表 t1，rowk001 的数据

> deleteall 't1','rowkey001'

7) 删除数据——删除表中的所有数据

# 语法： truncate <table>

# 其具体过程是：disable table -> drop table -> create table

# 例如：删除表 t1 的所有数据

> truncate 't1'

Region 管理：

1) 移动 Region

# 语法：move 'encodeRegionName', 'ServerName'

# encodeRegionName 指的 regioName 后面的编码，ServerName 指的是 master-status 的

Region Servers 列表

# 示例

>move '4343995a58be8e5bbc739', 'db-41.xxx.xxx.org,60020,139'

2) 开启/关闭 region

# 语法：balance_switch true|false

hbase(main)> balance_switch

3) 手动 split

# 语法：split 'regionName', 'splitKey'

4) 手动触发 major compaction

#语法：

#Compact all regions in a table:

> major_compact 't1'

#Compact an entire region:

> major_compact 'r1'

#Compact a single column family within a region:

> major_compact 'r1', 'c1'

#Compact a single column family within a table:

> major_compact 't1', 'c1'