HBase-再看HBase

---

为什么HBase主要应用于在线应用系统？（还没搞懂）

www.github.com/HBaseinaction

google 三大论文  Google File System MapReduce BigTable

HBase shell 是一个封装了Java api 的JRuby软件

一个表可以有多个列簇，至少一个列簇

HBase==无模式数据库

HBase两种方式读取数据：get和scan

HBase每个数据单元可以有多个时间版本，版本数有默认值，也可以自定义，取出时默认是最新版本

scan命令在不指定情况下返回所有行

什么事HBase的逻辑数据模型、物理数据模型和模式设计

HBase运行和操作需要配置信息，有两种方式来定义或者获得配置信息，一种是从配置文件中获取比如hbase-site.xml，另一种是手动输入。shell一般用的是配置文件，Java api一般用的是手动，如果不指定，则使用默认的，比如zookeeper.quorum是localhost，如果你在客户端非集群上，显然不行，则要手动配置

由于操作hbase需要获得链接，消耗网络开销，所以有了链接池，链接从链接池里分配，工作关闭后链接返回到链接池

hbase中所有数据都是按字节数组的形式存储的

hbase使用坐标来定位数据。行健、列簇、列、时间版本。rowkey column family column qualifier  version

hbase中数据作为值value存在单元里

hbase中修改数据使用的方式跟存储新数据使用的方式一样

执行写入的时会写到两个地方：预写式日志（WAL）和memstore。只有这两个地方的变换信息确认后才认为写操作完成

memstore，内存里的写入缓冲区。当memstore填满后刷新到硬盘，生成一个HFile。

HFile对应列族，一个列族可以有多个HFile，但一个HFile不能存多个列族的数据。在集群每个节点上，每个列族有一个memstore

如果HBase宕机，没有从memstore刷写数据到HFile，可以通过回访WAL来恢复。不用手工操作，HBase内部机制中有恢复流程部分来处理

每台服务器有一个WAL，这台服务器上所有表共享这个WAL

blockcache读优化。最近最少使用算法

删除是给要删除的内容打上墓碑标记，用来标志删除的内容不能被get和scan读取。
因为HFile不能改变，所以直到一次大合并，这些墓碑记录才会被处理

合并分为大合并和小合并。小合并把多个小的HFile合并成一个大的HFile。大合并将处理给定region的一个列族的所有HFile。大合并相当耗费资源。大合并是清理删除记录的唯一机会

如果一个单元的版本超出了最大数量，多出的记录会在下一次大合并的时候扔掉

关系型数据库是二维坐标系统，HBase是四维坐标系统

如果使用get检索数据的时候如果不指定时间版本，返回数据中会是多个时间版本的映射集合，按照坐标的降序排列

什么是半结构化数据

HBase没有事务

HFile本身是二进制文件

在HBase中query的替代品是scan加filter

Filter在服务器端过滤，不是在客户端。过滤器可以组合

HBase的在线操作（online）和离线操作（offline）

一张总的大HBase表切分成小一点的数据单位分配到堕胎服务器上，这些小一点的数据单位叫做region，托管region的服务器叫做regionserver。一个regionserver托管多个region

为什么工作负载主要是随机读写就不需要MR框架？

单个region大小可以自定义，如果超过则切分成两个

ROOT和META表用来查找region位置在哪儿。META表如果大到一定程度可以切分，ROOT表不会切分

zookeeper提供HBase的入口点，即ROOT表

在HBase中使用mapreduce计算和多线程计算有同样的效率，但是吞吐量却高很多的原因：数据的并行放置，让任务本地化了

（counters是hadoop作业里收集监控指标的一个简单方法）

宽表和窄表

get（）API内部实现是一次扫描单行的scan（）运算

get（）的使用必须需要行健，scan没有限制，如果有起始和终止则可以限定范围

对于HBase集群，最消耗计算资源的操作发生在使用服务器过滤器扫描结果的时候

协处理器从0.92.0版本引入

OpenTSDB，基于HBase，一种数据可视化工具

scan ‘-ROOT-’

scan ‘.META.’

---

这些都是在HBase实战中看的，这本书不错

http://pan.baidu.com/s/1i3uwuZN

---

---