（第6篇）大数据发展背后的强力推手—

摘要: 今天我们介绍可在廉价PC Server上搭建起大规模结构化存储集群的分布式存储系统——HBase。

博主福利给大家赠送一套hadoop视频课程

授课老师是百度 hadoop 核心架构师
内容包括hadoop入门、hadoop生态架构以及大型hadoop商业实战案例。
讲的很细致， MapReduce 就讲了 15 个小时。
学完后可以胜任 hadoop 的开发工作，很多人学的这个课程找到的工作。
（包括指导书、练习代码、和用到的软件都打包了）
先到先得先学习。联系老师微信ganshiyu1026，备注OSchina。即可免费领取

部分视频截图展示

前面的文章我们介绍了HDFS文件系统、Mapreduce计算框架、Zookeeper协作服务今天我们介绍可在廉价PC Server上搭建起大规模结构化存储集群的分布式存储系统——HBase。

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：

l 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；

l 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：

行健	时间戳	列族contents	列族anchor	列族mime
“com.cnn.www”	T9		Anchor:cnnsi.com=“CNN”
T8		Anchor:my.look.ca=“CNN.com”
T6	Contents:html=“<html>……”		Mime.type=“text/html”
T5	Contents:html=“<html>……”
T3	Contents:html=“<html>……”

几个关键概念：

1) 行键(RowKey)

l 行键是字节数组, 任何字符串都可以作为行键；

l 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；

l 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）

l CF必须在表定义时给出

l 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

l 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）

l 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）

l Cell 由行键，列族:限定符，时间戳唯一决定

l 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）

l 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；

l 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；

l 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。

l 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：

l 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

l 为Region server分配region

l 负责Region server的负载均衡

l 发现失效的Region server并重新分配其上的region

l 管理用户对table的增删改查操作

3) Region Server

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

l Regionserver负责切分在运行过程中变得过大的region

4) Zookeeper作用

l 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

l 存储所有Region的寻址入口

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

l 存储HBase的schema和table元数据

l 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

l 无Master过程中，数据读取仍照常进行；

l 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-

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

l Zookeeper中记录了-ROOT-表的location。

2) .META.

l 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'

此时你已经学会了安装hadoop集群，了解了HDFS文件系统，MapReduce计算框架和Zookeeper协作服务（Zookeeper数据模型、访问控制、应用场景），今天学完了HBase，下一篇我们介绍hadoop的数据库工具——Hive。