HBase介绍

1、关系型数据库与非关系型数据库

（1）关系型数据库

关系型数据库最典型的数据机构是表，由二维表及其之间的联系所组成的一个数据组织

优点：

1、易于维护：都是使用表结构，格式一致

2、使用方便：SQL语言通用，可用于复杂查询

3、复杂操作：支持SQL，可用于一个表以及多个表之间非常复杂的查询

缺点：

1、读写性能比较差，尤其是海量数据的高效率读写

2、固定的表结构，灵活度稍欠

3、高并发读写需求，传统关系型数据库，硬盘IO是一个很大的瓶颈

（2）非关系型数据库

非关系型数据库严格上不是一种数据库，应该是一种数据结构化存储方法的集合，可以是文档或键值对

优点：

1、格式灵活：存储数据的格式可以是key，value形式、文档形式、图片形式等等，文档形式、图片形式等等，使用灵活，应用场景广泛，而关系型数据库则只支持基础类型。

2、速度快：nosql可以使用硬盘或者随机存储器作为载体，而关系型数据库只能使用硬盘

3、高扩展性

4、成本低：nosql数据库部署简单，基本都是开源软件

缺点：

1、不提供sql支持，学习和使用成本较高；

2、无事务处理

3、数据结构相对复杂，复杂查询方面稍欠

2、HBase简介

	Use Apache HBase™ when you need random, realtime read/write access to your Big Data. This project's goal is the hosting of very large tables -- billions of rows X millions of columns -- atop clusters of commodity hardware. Apache HBase is an open-source, distributed, versioned, non-relational database modeled after Google's Bigtable: A Distributed Storage System for Structured Data by Chang et al. Just as Bigtable leverages the distributed data storage provided by the Google File System, Apache HBase provides Bigtable-like capabilities on top of Hadoop and HDFS.

HBase的全称是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数据的松散数据（列存NoSQL数据库）。

注意：NoSQL的全称是Not Only SQL，泛指非关系型数据库。

3、HBase数据模型

(1)rowkey

（1）决定一行数据，每行记录的唯一标识

（2）按照字典序排序

（3）RowKey只能存储64K的字节数据

(2)Column Family & Qualifier

（1）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’；

（2）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；

（3）权限控制、存储以及调优都是在列族层面进行的；

（4）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。

(3)TimeStamp时间戳

（1）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。

（2）时间戳的类型是 64位整型。

（3）时间戳可以由HBase(在数据写入时自动)赋值，此时间戳是精确到毫秒的当前系统时间。

（4）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。

(4)Cell

（1）由行和列的坐标交叉决定；

（2）单元格是有版本的；

（3）单元格的内容是未解析的字节数组；

1、由{row key， column( = +)， version} 唯一确定的单元。

2、cell中的数据是没有类型的，全部是字节数组形式存贮。

4、HBase架构

角色介绍：

（1）Client

1、包含访问HBase的接口并维护cache来加快对HBase的访问。

（2）Zookeeper

1、保证任何时候，集群中只有一个活跃master

2、存储所有region的寻址入口

3、实时监控region server的上线和下线信息，并实时通知master

4、存储HBase的schema和table元数据

（3）Master

1、为region server分配region

2、负责region server的负载均衡

3、发现失效的region server并重新分配其上的region

4、管理用户对table的增删改操作

（4）RegionServer

1、region server维护region，处理对这些region的IO请求

2、region server负责切分在运行过程中变得过大的region

regionserver组件介绍

（1）region

1、HBase自动把表水平划分成多个区域(region)，每个region会保存一个表里某段连续的数据

2、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，当增大到一个阈值的时候，region就会等分会两个新的region（裂变）

3、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。

（2）Memstore与storefile

1、一个region由多个store组成，一个store对应一个CF（列族）

2、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

3、当storefile文件的数量增长到一定阈值后，系统会进行合并（minor、major ），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

4、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

5、客户端检索数据，先在memstore找，找不到去blockcache，找不到再找storefile

注意问题：

1、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。

2、HRegion由一个或者多个Store组成，每个store保存一个columns family。

3、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。

5、HBase读写流程

（1）读流程

1、客户端从zookeeper中获取meta表所在的regionserver节点信息

2、客户端访问meta表所在的regionserver节点，获取到region所在的regionserver信息

3、客户端访问具体的region所在的regionserver，找到对应的region及store

4、首先从memstore中读取数据，如果读取到了那么直接将数据返回，如果没有，则去blockcache读取数据

5、如果blockcache中读取到数据，则直接返回数据给客户端，如果读取不到，则遍历storefile文件，查找数据

6、如果从storefile中读取不到数据，则返回客户端为空，如果读取到数据，那么需要将数据先缓存到blockcache中（方便下一次读取），然后再将数据返回给客户端。

7、blockcache是内存空间，如果缓存的数据比较多，满了之后会采用LRU策略，将比较老的数据进行删除。

（2）写流程