【NoSql】之Hbase

Hbase概述

·  Hbase是构建在hdfs上的分布式列式存储系统

·  Hbase内部管理的文件全部存储在HDFS上面，

·  Hbase是基于google bigtable 模型开发的，典型的noSql-KeyValue数据库；

·  Hbase是hadoop生态系统中的重要一员，主要用于海量结构化数据的存储；

·  从逻辑上讲，Hbase将数据按照表，行和列进行存储

·  与hadoop一样，Hbase目标主要依靠横向扩展，通过不断的增加廉价的商

用服务器来增加计算能力和存储能力。

Hbase表的特点

·  大：一个表可以有数十亿，上百万列；

·  无模式：每行都有一个可排序的主键和任意多的列，列可以根据需求动态的增加，同一张表中不同的行包括了不同的列

·  面向列：面向列（族）的存储和权限控制，列（族）独立检索

·  稀疏：空（null并不占有存储空间）表可以设计的非常稀疏

·  数据多版本：每个单元中的数据可以有多个版本，默认情况下，版本好自动

分配，是单元格插入的时间戳

·  数据类型单一：Hbase中的数据都是字符串.没有其他类型

HBase的数据模型

·  Hbase的逻辑视图

　　　　　　　　　　

·  Hbase的基本概念

RowKey：是byte array 是表中每条记录的主键，方便快速查找，rowkey的设计非常重要。

Columns Family:列族，拥有一个名称String，包含一个或多个相关列

Column ：属于某一个ColumnsFamily familyName:columnname 每条记录动态添加

VersionNumber :类型为long ，默认值是系统时间戳,可由用户自定义

Value（cell）byte array

·  Hbase的物理模型

每个colums family存储在HDFS上的一个单独文件中，空值不被保存

Key和version number 在每个column family 中均有一份

Hbase为每个值维护了多级索引

即<key,column family,column name ,timastamp>

·  Hbase的物理存储

Table中所有的行都按照rowkey的字典顺序排序

Table 在行的方向上被分为多个Region

Region 按大小分割的.每个表开始只有一个Region 随着数据的增多，Region不断增大，当增大到一个阀值的时候,Region就会等分成两个新的Region,之后会越来越多的Region

Region是Hbase中分布式存储和负载均衡的最小单元，不同Region被分配到不同的RegionServer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由多个Store组成,每个store保存着一个columns family ;每个Store又由一个memStore和多个0个或多个StoreFile组成，StoreFile 包含HFile; memStore存储在内存中,StoreFile存储在HDFS上

　　

·  Hbase的架构及基本组件

　　　　

基本组件说明

• Client

包含访问Hbase的接口，并维护cache来加快hbase的访问 比如Region的位置信息

• Master

为RegionServer 分配Region

负责RegionServer的负载均衡

发现失效的RegionServer并重新分配其上的Region

管理用户对table的增删改查

• RegionServer

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大的Region

• Zookeeper

通过选举，保证任何时候，集群当中只有一个Master.Master与RegionServer启动的时候会向Zookeeper注册

存储所有的Region的地址

实时监控RegionServer的上线和下线的信息。并适时通知给Master

存储着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

 Hbase的容错与恢复机制

从架构中我们可以发现，每一个RegionServer中有一个HLog文件， 在每次用户操作写入MemStore的同时，也会先向Hlog中写一份，Hlog文件会定期更新，并删除旧的文件（已经持久化到StoreFile中的数据）。当RegionServer宕机以后，Master会通过Zookeeper感知到,Master首先会处理遗留的Hlog文件，将其不同的Region的log数据进行拆分，分别放到相应的Region目录上,然后再将失效的Region重新分配到其他RegionServers上，RegionServer在load Region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进StoreFile中 完成数据的恢复

Hbase的容错性

• Master容错：zookeeper 重新选举一个Master
• RegionServer容错：定时向Zookeeper汇报心跳，如果一旦时间内未进行心跳,Master将该RegionServer上的Region重新分配到RegionServer上，失效服务器上 预写 hlog有Master分割并发送给其他的RegionServer上
• Zookeeper容错：Zookeeper是一个可靠的服务,一般配置3个或5个Zookeeper实例

Hbase的读写都要先经过先确定RegionServer的地址

过程大概如下：客户端先向ZK请求目标数据的地址

ZK保存了-ROOT-表的location，客户端根据location找到.META.表 其中包含了所有的用户空间Region列表，以及RegionSever地址，根据请求参数去表中查找，然后得到一个regionInfo列的数据  RegionServer

客户端根据RegionServer地址然后开始进行数据读和写

读：客户端发出读请求，客户端根据用户提供的表名，行键去客户端里的缓冲区进行查找，如果没有，就去Zookeeper进行查询，通过上面过程找到RegionServer地址和regioninfo信息，然后与RegionServer建立连接,将regioninfo列的数据提交给Regionserver

RegionServer接收到客户端的请求,然后创建一个RegionScanner对象，通过该对象定位到Region,然后Region创建StoreScanner，通过StoreScanner对定位到Store，Store创建一个MemStoreScanner对象，这个对象负责去MemStore中有没有数据，有就返回，没有就创建多个StoreFIleScanner对象，每个对象，负责去不同的HFile中查询数据。如果找到返回，找不到返回null

写：客户端发出写的请求，

当客户端进行put操作时，数据会自动保存到HRegion上，在HRegionServer中，找到对应要写入的HRegion之后，数据会写入到HLog中并同时写入到HStore的MemStore内存中，会在内存中按照行键对数据进行排序，当内存中的数据达到一定阈值后，会触发flush操作。Flush操作主要就是把MemStore内存中的数据写入到StoreFile中，当HDFS中的StoreFile个数达到一定的阈值后，会触发compact（合并）操作，将HDFS中所有的StoreFile合并成一个新的SotreFile，在合并的时候会按照行键进行排序，并且会进行版本合并和数据删除。当StoreFile通过不断的合并操作后，StoreFile文件会变得越来越大，当这个StoreFile达到一定的阈值后，会触发Split（切分）操作，同时把当前region拆分成两个新的region，原有的region会下线，新的两个region会被HMaster分配到相应的HRegionServer上，使得原来一个Region的压力得以分流到两个Region上，其实，HBase只是增加数据，更新和删除操作都是compact阶段做的，所以，客户端写入成功的标志是HLog和MemStore中都有数据。

先写HLog，但是如果显示MemSotre也是没问题的，因为MemStore的MVCC（多版本并发控制）不会向前滚动，这些变化在更新MVCC之前，Scan是无法看到的，所以在写入HLog之前，即使MemStore有数据，客户端也查询不到。

HBase的使用场景

• 大数据两存储.大数据两高并发操作
• 需要对数据随机读写操作
• 读写访问都是非常简单的操作

HBase的优化

1.RowKey的设计

Hbase是通过RowKey进行检索的，系统通过找到某个RowKey（或者某个RowKey范围）所在的Region。然后将查询数据的请求由该Region获取数据 Hbase支持3中检索方式

A)通过单个Rowkey访问，按照某个RowKey键值进行get操作获取唯一一条记录

B)通过RowKey的range进行scan即通过设置startRowkey和endRowKey,可以按指定的条件获取一批记录

C)全表扫描，即直接扫描整张表中所有行的数

设计原则：

·长度原则：不要超过16个字节

原因：如果rowKey长度过长，会极大影响HFile的存储效率

Memstore将缓冲的部分数据加载到内存，如果rowKey过长，内存的有效利用率会降低，从而降低检索效率

·唯一原则：保证唯一性

·散列原则：项目中的设计，因为我们的查找数据的时候，是按照时间戳进行查找的，所以时间戳应该是rowkey的一部分，把rowkey的低位放时间字段，

高位是用CRC32算法将eventName+uuid+memberid压缩保证唯一性

HBase和Hive的整合

整合的原理：

Hive和hbase的整合的实现是利用两者本身对外的API接口互相进行通信，主要是依靠hive/lib下的hive-hbase-handler-0.9.0.jar 他负责通信

整合的好处：

Hive方便的提供了Hql类sql语句接口来简化mapreduce的使用，而Hbase提供了低延迟的数据库访问。两者相结合就可以用mapreduce来对hbase中的数据进行离线的计算和分析

缺点：性能的损失

1.创建一个指向Hbase的hive表

create external table event_logs(

row string,

pl string,

en string,

s_time string,

p_url string,

u_ud string,

u_sd string)

row format serde 'org.apache.hadoop.hive.hbase.HBaseSerDe'

stored by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'

With serdeproperties('hbase.columns.mapping'=':key,info:pl,info:en,info:s_time,info:p_url,

info:u_ud,info:u_sd')

tblproperties('hbase.table.name'='event_logs');

**** 为了数据的安全，将表创建成外部表，防止删除表的时候将hbase表中的数据删除

2.添加数据的时候只能用insert....select....

3.两端的数据是同步的

4.Hive多列和hbase的多列出了行键和hive第一个字段不对应外，一一对应

5.Hive就是读取hbase的数据

HBase的过滤器