hbase 学习笔记二----shell

      Hbase 是一个分布式的、面向列的开源数据库，其实现是建立在google 的bigTable 理论之上，并基于hadoop HDFS文件系统。     Hbase不同于一般的关系型数据库(RDBMS)。是一种适用于非结构化数据存储的数据库，且Hbase是基于列的数据库。

     下面的内容基于我们已经安装好hadoop、hbase。

    一、hbase shell 介绍

     hbase shell是用户和hbase 交互的接口之一，当然还可以通过其它方式比如java api等

     下表列出了 hbase 基本命令操作：

      

操作	命令表达式	注意
创建表	create 'table_name, 'family1','family2','familyN'
添加记录	put 'table_name', 'rowkey', 'family:column', 'value'
查看记录	get 'table_name', 'rowkey'	查询单条记录，也是hbase 最常用的命令
查看表中的记录总数	count  'table_name'	这个命令并不快，且目前没有找到更快的方式统计行数
删除记录	delete 'table_name' ,'rowkey','family_name:column' deleteall 'table_name','rowkey'	第一种方式删除一条记录单列的数据 第二种方式删除整条记录
删除一张表	1、disable 'table_name'
	2、drop 'table_name'
查看所有记录	scan "table_name" ,{LIMIT=>10}	LIMIT=>10 只返回10条记录，否则将全部展示

 

利用上面基础命令可以完成基本的hbase 操作，下面几个shell 命令在后续的hbase 操作中可以起到很到的作用，且主要体现在建表的过程中，看下面几个create 属性

1、BLOOMFILTER  默认是NONE 是否使用布隆过虑 使用何种方式

     布隆过滤可以每列族单独启用。使用 HColumnDescriptor.setBloomFilterType(NONE | ROW | ROWCOL) 对列族单独启用布隆。 Default = NONE 没有布隆过滤。对 ROW，行键的哈希在每次插入行时将被添加到布隆。对 ROWCOL，行键 + 列族 + 列族修饰的哈希将在每次插入行时添加到布隆

   使用方法: create 'table',{BLOOMFILTER =>'ROW'} 

   启用布隆过滤可以节省必须读磁盘过程，可以有助于改进读取延迟 

2、VERSIONS 默认是3 这个参数的意思是数据保留三个 版本，如果我们认为我们的数据没有这么大的必要保留这么多，随时都在更新，而老版本的数据对我们毫无价值，那将此参数设为1 能节约2/3的空间

     使用方法: create 'table',{VERSIONS=>'2'}

3、COMPRESSION 默认值是NONE 即不使用压缩

     这个参数意思是该列族是否采用压缩，采用什么压缩算法

     使用方法: create 'table',{NAME=>'info',COMPRESSION=>'SNAPPY'} 

     我建议采用SNAPPY压缩算法，个压缩算法的比较网上比较多，我从网上摘抄一个表格作为参考，具体的snappy 的安装后续会以单独章节进行描述。

     这个表是Google几年前发布的一组测试数据，实际测试Snappy 和下表所列相差无几。

    HBase中，在Snappy发布之前（Google 2011年对外发布Snappy），采用的LZO算法，目标是达到尽可能快的压缩和解压速度，同时减少对CPU的消耗；

    在Snappy发布之后，建议采用Snappy算法（参考《HBase: The Definitive Guide》），具体可以根据实际情况对LZO和Snappy做过更详细的对比测试后再做选择。

          

Algorithm	% remaining	Encoding	Decoding
GZIP	13.4%	21 MB/s	118 MB/s
LZO	20.5%	135 MB/s	410 MB/s
Zippy/Snappy	22.2%	172 MB/s	409 MB/s

  

     如果建表之初没有 压缩，后来想要加入压缩算法，怎么办 hbase 有另外的一个命令alter

4、alter 

     使用方法：

     如 修改压缩算法      

      disable 'table'

      alter 'table',{NAME=>'info',COMPRESSION=>'snappy'} 

      enable 'table'

     删除列族

     disable 'table'

     alter 'table',{NAME=>'info',METHOD=>'delete'}

     enable 'table'

     但是这样修改之后发现表数据还是那么大，并没有发生多大变化。怎么办

     major_compact 'table' 命令之后 才会做实际的操作。

5、TTL 默认是 2147483647 即:Integer.MAX_VALUE 值 大概是68年吧

     这个参数是说明该列族数据的 存活时间 也就是数据的生命周期 单位是s 默写文章写的单位是ms 是错误的。

     这个参数可以根据 具体的需求 对数据设定 存活时间，超过存过时间的数据将在表中不在显示，待下次major compact的时候再彻底删除数据

     为什么在下次major compact的时候删除数据，后面会具体介绍到。

     注意的是TTL设定之后 MIN_VERSIONS=>'0' 这样设置之后，TTL时间戳过期后，将全部彻底删除该family 下所有的数据，如果MIN_VERSIONS 不等于0 那将保留最新

     的MIN_VERSIONS个版本的数据，其它的全部删除，比如MIN_VERSIONS=>'1' 届时将保留一个最新版本的数据，其它版本的数据将不再保存。

6、describe 'table' 这个命令查看了create table 的各项参数 或者是默认值。

7、disable_all 'toplist.*' disable_all 支持正则表达式，并列出当前匹配的表的如下：

      toplist_a_total_1001                                                                                                                                                 

toplist_a_total_1002                                                                                                                                                
      toplist_a_total_1008                                                                                                                                                
      toplist_a_total_1009                                                                                                                                                
      toplist_a_total_1019                                                                                                                                                
      toplist_a_total_1035

     ...

     Disable the above 25 tables (y/n)? 并给出确认提示

8、drop_all 这个命令和disable_all的使用方式是一样的

9、hbase 表预分区 也就是手动分区

     默认情况下，在创建HBase表的时候会自动创建一个region分区，当导入数据的时候，所有的HBase客户端都向这一个region写数据，直到这个region足够大了才进行切分。一种可以加快批量写入速度的方法是通过预先创建一些空的regions，这样当数据写入HBase时，会按照region分区情况，在集群内做数据的负载均衡。

     使用方法:create 't1', 'f1', {NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}

     也可以使用 api的方式 

     hbase org.apache.hadoop.hbase.util.RegionSplitter test_table HexStringSplit -c 10 -f info  

     参数很容易看懂 test_table  是表名 HexStringSplit 是split 方式 -c 是分10个region -f 是family

     这样就可以将表预先分为10个区，减少数据达到storefile 大小的时候自动分区的时间消耗，并且还有以一个优势，就是合理设计rowkey 能让各个region 的并发请求 平均分配(趋于均匀) 使IO 效率达到最高，但是预分区需要将filesize 设置一个较大的值，设置哪个参数呢 hbase.hregion.max.filesize 这个值默认是10G 也就是说单个region 默认大小是10G

     这个值发生从0.90 到0.92到0.94.3 从 256M--1G--10G 这个根据自己的需求将这个值修改。

     但是如果MapReduce Input类型为TableInputFormat 使用hbase作为输入的时候，就要注意了，每个region一个map，如果数据小于10G 那只会启用一个map 造成很大的资源浪费，这时候可以考虑适当调小 该参数的值，或者采用预分配region 的方式，并将hbase.hregion.max.filesize 设为一个相对比较大的值，不容易达到的值比如1000G，检测如果达到这个值，再手动分配region。

 前面说到了 compact 为什么设置了TTL 超过存活时间的数据 就消失了，是如何消失的呢？是删除了吗？通过哪些参数删除的。

后面将要说到 hbase compact