一起学HBase——简单介绍HBase各种组件

HBase是谷歌BigTble的开源实现。谷歌的三篇论文拉开了大数据江湖的序幕，铸就了现在以Hadoop为主的大数据技术生态圈。而HBase是开源的大数据数据库，和传统的行式数据库不同的是，HBase是列式数据库。列式数据的特点是开源横向扩展，将一张表的数据存储在hadoop集群的不同datanode中，一张表的存储量可以达到T级别。这是行式关系型数据库无法实现的。本文主要讲解HBase的基本概念，只有概念清楚了才能更好的在我们的系统中使用HBase。

核心组件介绍

Table：可理解为传统数据库中的一个表，但因为SchemaLess的设计，它较之传统数据库的表而言，在设计上更加灵活。

Region：将表横向切割为一个个子表，子表在HBase中被称之为Region。

RegionServer：数据服务进程，Region必须部署在某一个RegionServer上才可以提供读写服务。

HFile：HBase数据库在底层分布式文件系统中的文件组织形式。

Column Family：一些列的集合。不同的Column Family数据被存储在不同的路径中。

MemStore：用来在内存中缓存一定大小的数据，达到设定的阈值后批量写入到底层文件系统中。数据是有序的。

下图清晰的展示了Table，Region，RegionServer，HFile，MemStore，Column Family在HBase的逻辑关系。

下图显示了HBase集群中的关键进程

Zookeeper：HBase集群的调度器，可以用于将HBase RegionServer信息注册到zookeeper中，查询HBase RegionServer状态信息，HMaster启动时会将HBase系统表-ROOT-加载到zookeeper集群中，通过zookeeper集群可以获取当前系统表.META.的存储所对应的RegionServer信息
。
Master，通过jps命令显示的进程名称是HMaster，在负责表管理操作，Region到各个RegionServer的分配以及RegionServer Failover的处理等。

RegionServer进程提供数据读写服务。

NameNode，Hadoop进程，处理来自Master的请求，H管理DFS文件系统的命名空间NameSpace。

DataNode，Hadoop数据节点进程，HBase的所有数据都存在Hadoop的DataNode中。

KeyValue数据存储结构

HBase所存储的数据是以KeyValue形式存放的，KeyValue有特定的数据结构，如下图所示，一个KeyValue可以理解成HBase表中的一个列，当一行存在多个列时，将包含多个KeyValue，同一行的KeyValue有可能存储在不同的文件中，但在读取时，会按需合并在一起返回给客户端。

用户写数据时，需要定义用户数据的RowKey,指定每一列所存放的Column Family,并且为其定义相应的Qualifier（列名），Value部分存放用户数据。Hbase中每一行可拥有不同的KeyValues，这就是HBase Schema-less的特点。

HBase中支持数据的多版本，通过带有不同时间戳的多个KeyValue版本来实现的，如下图所示。

HBase所保存的版本数据是可配置的，默认存放3个版本。在普通的读取流程中，旧版本的数据时不可见的，但通过制定版本数或者版本号的读取，可以获取旧版本数据。下图是普通读取刘恒与多版本读取流程的对比。

灵活的列定义

用户数据存入到HBase表中时，需要进行Qualifier(KeyValue/列)设计。一个最简单的设计是保持HBase的列与用户数据的列一致，如下图1的设计。这种设计，基本上与关系型数据库的设计是一致的，但这种设计会带来较大的数据冗余(KeyValue结构开销)。但HBase基于KeyValue的接口，决定了这种设计可以是非常灵活的，例如，我们也可以考虑为HBase的每一行只设置两个列，其中，Name为一个列，其他内容合并到一个列中，如下图2所示。

尽管我们在使用HBase表存放数据的时候，需要预先做好列的设计。但这个设计仅仅由应用层感知，HBase并没有存放任何的Schema信息来描述这个设计。也就是说，应用层需要知道为每一个表/每一行设计了什么样的列(KeyValue)，然后在地区的时候做相应的解析。既然HBase中并没有Schema信息，name，每一行中的列，也可以是任意添加的。如下图所示，绿色背景的KeyValue为后续增加的。

Column Family

假设为表设置了两个列族，而且，定义了每一个列簇中要存放的列，如下图所示：
{Name} -> Column Family - A, {City,Phone,Gender} -> Column Familly-B。不同列簇的数据会被存储在不同的路径中。即，设置多个列簇时一行数据可能存在于两个路径中。整行读取的时候，需要将两个路径中的数据合并在一起蔡可以获取完整的一行记录。但如果仅仅读取Name一列的话，只需要读取Column Family-A即可。