HBase基本概念与基本使用
本帖最后由 168主编 于 2020-12-28 14:47 编辑1. HBase简介1.1 什么是HBase HBASE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。 HBASE的目标是存储并处理大型的数据，更具体来说是仅需使用普通的硬件配置，就能够处理由成千上万的行和列所组成的大型数据。 HBASE是Google Bigtable的开源实现，但是也有很多不同之处。比如：Google Bigtable使用GFS作为其文件存储系统，HBASE利用Hadoop HDFS作为其文件存储系统；Google运行MAPREDUCE来处理Bigtable中的海量数据，HBASE同样利用Hadoop MapReduce来处理HBASE中的海量数据；Google Bigtable利用Chubby作为协同服务，HBASE利用Zookeeper作为协同服务。1.2 与传统数据库的对比1、传统数据库遇到的问题： 1）数据量很大的时候无法存储；
2）没有很好的备份机制；
3）数据达到一定数量开始缓慢，很大的话基本无法支撑；2、HBASE优势： 1）线性扩展，随着数据量增多可以通过节点扩展进行支撑；
2）数据存储在hdfs上，备份机制健全；
3）通过zookeeper协调查找数据，访问速度快。1.3 HBase集群中的角色
[*]一个或者多个主节点，Hmaster；
[*]多个从节点，HregionServer；
[*]HBase依赖项，zookeeper；
2. HBase数据模型 https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180412165246351-1504091538.png2.1 HBase的存储机制 HBase是一个面向列的数据库，在表中它由行排序。表模式定义只能列族，也就是键值对。一个表有多个列族以及每一个列族可以有任意数量的列。后续列的值连续存储在磁盘上。表中的每个单元格值都具有时间戳。总之，在一个HBase：
[*]
[*]表是行的集合。
[*]行是列族的集合。
[*]列族是列的集合。
[*]列是键值对的集合。
这里的列式存储或者说面向列，其实说的是列族存储，HBase是根据列族来存储数据的。列族下面可以有非常多的列，列族在创建表的时候就必须指定。HBase 和 RDBMS的比较 https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180502160419739-1372070262.pngRDBMS的表： https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180502160625443-336515309.pngHBase的表： https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180502160640314-1773712421.png2.2 Row Key 行键 与nosql数据库一样，row key是用来表示唯一一行记录的主键，HBase的数据时按照RowKey的字典顺序进行全局排序的，所有的查询都只能依赖于这一个排序维度。访问HBASE table中的行，只有三种方式：
[*]
[*]通过单个row key访问；
[*]通过row key的range（正则）
[*]全表扫描
Rowkey 行键（Row key）可以是任意字符串(最大长度是64KB，实际应用中长度一般为10-1000bytes)，在HBASE内部，rowkey保存为字节数组。存储时，数据按照Rowkey的字典序(byteorder)排序存储。设计key时，要充分排序存储这个特性，将经常一起读取的行存储放到一起。(位置相关性)2.3 ColumnsFamily 列族 列簇：HBASE表中的每个列，都归属于某个列族。列族是表的schema的一部分(而列不是)，必须在使用表之前定义。列名都以列族作为前缀。例如courses：history，courses：math 都属于courses这个列族。2.4 Cell 由{row key，columnFamily，version} 唯一确定的单元。cell中的数据是没有类型的，全部是字节码形式存储。2.5 Time Stamp 时间戳 HBASE中通过rowkey和columns确定的为一个存储单元称为cell。每个cell都保存着同一份数据的多个版本。版本通过时间戳来索引。时间戳的类型是64位整型。时间戳可以由HBASE(在数据写入时自动)赋值，此时时间戳是精确到毫秒的当前系统时间。时间戳也可以由客户显示赋值。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。每个cell中，不同版本的数据按照时间倒序排序，即最新的数据排在最前面。 为了避免数据存在过多版本造成的管理(包括存储和索引)负担，HBASE提供了两种数据版本回收方式。一是保存数据的最后n个版本，而是保存最近一段时间内的版本(比如最近7天)。用户可以针对每个列族进行设置。3. HBase原理 HBase系统架构体系图 https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180502141711373-31653278.png组成部件说明：Client： 使用HBase RPC机制与HMaster和HRegionServer进行通信
Client与HMaster进行管理类操作
Client与HRegionServer进行数据读写类操作Zookeeper： Zookeeper Quorum存储-ROOT-表地址、HMaster地址
HRegionServer把自己以Ephemeral方式注册到Zookeeper中，HMaster随时感知各个HRegionServer的健康状况
Zookeeper避免HMaster单点问题 Zookeeper的主要作用：客户端首先联系ZooKeeper子集群（quorum）（一个由ZooKeeper节点组成的单独集群）查找行健。上述过程是通过ZooKeeper获取含有-ROOT-的region服务器名（主机名）来完成的。通过含有-ROOT-的region服务器可以查询到含有.META.表中对应的region服务器名，其中包含请求的行健信息。这两处的主要内容都被缓存下来了，并且都只查询一次。最终，通过查询.META服务器来获取客户端查询的行健数据所在region的服务器名。一旦知道了数据的实际位置，即region的位置，HBase会缓存这次查询的信息，同时直接联系管理实际数据的HRegionServer。所以，之后客户端可以通过缓存信息很好地定位所需的数据位置，而不用再次查找.META.表。HMaster： HMaster没有单点问题，HBase可以启动多个HMaster，通过Zookeeper的Master Election机制保证总有一个Master在运行
主要负责Table和Region的管理工作：
[*]
[*]管理用户对表的增删改查操作
[*]管理HRegionServer的负载均衡，调整Region分布
[*]Region Split后，负责新Region的分布
[*]在HRegionServer停机后，负责失效HRegionServer上Region迁移
HRegionServer： HBase中最核心的模块，主要负责响应用户I/O请求，向HDFS文件系统中读写 https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180502154607794-710652455.png https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180502155839968-280021952.png HRegionServer管理一系列HRegion对象；
每个HRegion对应Table中一个Region，HRegion由多个HStore组成；
每个HStore对应Table中一个Column Family的存储；
Column Family就是一个集中的存储单元，故将具有相同IO特性的Column放在一个Column Family会更高效。 可以看到，client访问hbase上的数据并不需要master参与（寻址访问zookeeper和region server，数据读写访问region server），master仅仅维护table和region的元数据信息（table的元数据信息保存在zookeeper上），负载很低。HRegionServer存取一个子表时，会创建一个HRegion对象，然后对表的每个列族创建一个Store实例，每个Store都会有一个MemStore和0个或多个StoreFile与之对应，每个StoreFile都会对应一个HFile，HFile就是实际的存储文件。因此，一个HRegion（表）有多少个列族就有多少个Store。一个HRegionServer会有多个HRegion和一个HLog。HRegion： table在行的方向上分隔为多个Region。Region是HBase中分布式存储和负载均衡的最小单元，即不同的region可以分别在不同的Region Server上，但同一个Region是不会拆分到多个server上。 Region按大小分隔，每个表一般是只有一个region。随着数据不断插入表，region不断增大，当region的某个列族达到一个阀值（默认256M）时就会分成两个新的region。 每个region由以下信息标识：
[*]
[*]<表名，startRowKey，创建时间>
[*]由目录表(-ROOT-和.META.)记录该region的endRowKey
HRegion定位：Region被分配给哪个RegionServer是完全动态的，所以需要机制来定位Region具体在哪个region server。 HBase使用三层结构来定位region：
[*]
[*]通过zookeeper里的文件/hbase/rs得到-ROOT-表的位置。-ROOT-表只有一个region。
[*]通过-ROOT-表查找.META.表的第一个表中相应的region的位置。.META.表中的每一个region在-ROOT-表中都是一行记录。
[*]通过.META.表找到所要的用户表region的位置。用户表中的每个region在.META表中都是一行记录。
这个查找过程就像一个3层分布式B+树(见下图)，-ROOT-表是B+树的-ROOT-节点。.META. region是-ROOT-节点(-ROOT-region)的叶子，用户表的region是.META.region的叶子。 https://img2020.cnblogs.com/blog/1217276/202005/1217276-20200525145424656-1183291276.png 注意： -ROOT-表永远不会被分隔为多个region，保证了最多需要三次跳转，就能定位到任意的region。client会将查询的位置信息缓存起来，缓存不会主动失效，因此如果client上的缓存全部失效，则需要进行6次网络来回，才能定位到正确的region，其中三次用来发现缓存失效，另外三次用来获取位置信息。 table和region的关系： table默认最初只有一个region，随着记录数的不断增加而变大，起初的region会逐渐分裂成多个region，一个region有【startKey, endKey】表示，不同的region会被master分配给相应的regionserver管理。region是hbase分布式存储和负载均衡的最小单元，不同的region分不到不同的regionServer。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是由一个或者多个store组成的，每个store就是一个column family。每个store又由memStore和1至多个store file 组成(memstore到一个阀值会刷新，写入到storefile，有hlog来保证数据的安全性，一个regionServer有且只有一个hlog) HStore： HBase存储的核心。由MemStore和StoreFile组成。MemStore是Stored Memory Buffer。
HLog： 引入HLog原因：在分布式系统环境中，无法避免系统出错或者宕机，一旦HRegionServer意外退出，MemStore中的内存数据就会丢失，引入HLog就是防止这种情况。 工作机制：
每个HRegionServer中都会有一个HLog对象，HLog是一个实现Write Ahead Log的类，每次用户操作写入MemStore的同时，也会写一份数据到HLog文件，HLog文件定期会滚动出新，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，HMaster首先处理遗留的HLog文件，将不同region的log数据拆分，分别放到相应region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。3.1 HBase的存储格式 HBase中的所有数据文件都存储在Hadoop HDFS文件系统上，格式主要有两种：
[*]
[*]HFile，HBase中Key-Value数据的存储格式，HFile是Hadoop的二进制格式文件，实际上StoreFile就是对HFile做了轻量级包装，即StoreFile底层就是HFile。
[*]HLog File，HBase中WAL(Write Ahead Log)的存储格式，物理上是Hadoop的Sequence File
HFile https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180503005707958-1447071381.jpg 解析： HFile文件不定长，长度固定的块只有两个：Trailer和FileInfo Trailer中指针指向其他数据块的起始点 File Info中记录了文件的一些Meta信息，例如：AVG_KEY_LEN, AVG_VALUE_LEN, LAST_KEY, COMPARATOR, MAX_SEQ_ID_KEY等 Data Index和Meta Index块记录了每个Data块和Meta块的起始点 Data Block是HBase I/O的基本单元，为了提高效率，HRegionServer中有基于LRU的Block Cache机制 每个Data块的大小可以在创建一个Table的时候通过参数指定，大号的Block有利于顺序Scan，小号Block利于随机查询 每个Data块除了开头的Magic以外就是一个个KeyValue对拼接而成, Magic内容就是一些随机数字，目的是防止数据损坏 HFile里面的每个KeyValue对就是一个简单的byte数组。这个byte数组里面包含了很多项，并且有固定的结构。 https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180503010131198-724999946.jpg KeyLength和ValueLength：两个固定的长度，分别代表Key和Value的长度 Key部分：Row Length是固定长度的数值，表示RowKey的长度，Row 就是RowKey Column Family Length是固定长度的数值，表示Family的长度 接着就是Column Family，再接着是Qualifier，然后是两个固定长度的数值，表示Time Stamp和Key Type（Put/Delete） Value部分没有这么复杂的结构，就是纯粹的二进制数据HLog File https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180503010301359-528531120.jpg HLog文件就是一个普通的Hadoop Sequence File，Sequence File 的Key是HLogKey对象，HLogKey中记录了写入数据的归属信息，除了table和region名字外，同时还包括 sequence number和timestamp，timestamp是“写入时间”，sequence number的起始值为0，或者是最近一次存入文件系统中sequence number。 HLog Sequece File的Value是HBase的KeyValue对象，即对应HFile中的KeyValue3.2 写流程 https://images2018.cnblogs.com/blog/1217276/201805/1217276-20180503001412746-1581550869.png 1) Client通过Zookeeper的调度，向RegionServer发出写数据请求，在Region中写数据； 2) 数据被写入Region的MemStore，知道MemStore达到预设阀值(即MemStore满)； 3) MemStore中的数据被Flush成一个StoreFile； 4) 随着StoreFile文件的不断增多，当其数量增长到一定阀值后，触发Compact合并操作，将多个StoreFile合并成一个StoreFile，同时进行版本合并和数据删除； 5) StoreFiles通过不断的Compact合并操作，逐步形成越来越大的StoreFile； 6) 单个StoreFile大小超过一定阀值后，触发Split操作，把当前Region Split成2个新的Region。父Region会下线，新Split出的2个子Region会被HMaster分配到相应的RegionServer上，使得原先1个Region的压力得以分流到2个Region上。 可以看出HBase只有增添数据，所有的更新和删除操作都是在后续的Compact历程中举行的，使得用户的写操作只要进入内存就可以立刻返回，实现了HBase I/O的高性能。3.3 读流程 1) Client访问Zookeeper，查找-ROOT-表，获取.META.表信息； 2) 从.META.表查找，获取存放目标数据的Region信息，从而找到对应的RegionServer； 3) 通过RegionServer获取需要查找的数据； 4) RegionServer的内存分为MemStore和BlockCache两部分，MemStore主要用于写数据，BlockCache主要用于读数据。读请求先到MemStore中查数据，查不到就到BlockCache中查，再查不到就会到StoreFile上读，并把读的结果放入BlockCache。 寻址过程：client—>Zookeeper—>ROOT表—>.META. 表—>RegionServer—>Region—>client4. HBASE命令4.1 namespace概述 在HBase中，namespace命名空间指对一组表的逻辑分组，类似RDBMS中的database，方便对表在业务上划分。Apache HBase从0.98.0，0.95.2两个版本开始支持namespace级别的授权操作，HBase全局管理员可以创建、修改和回收namespace的授权。 HBase系统默认定义了两个缺省的namespace：
[*]hbase：系统内建表，包括namespace和meta表
[*]default：用户建表时未指定namespace的表都创建在此
4.2 命令的进退1、hbase提供了一个shell的终端给用户交互hbase shellhttps://images2018.cnblogs.com/blog/1217276/201804/1217276-20180412223447617-1196334871.png2、如果退出执行quit命令https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180412223750135-1760972050.png4.3 基本操作命令
名称命令表达式
查看hbase状态status
创建namespacecreate_namespace '命名空间名称'
删除namespacedrop_namespace '命名空间名称'
查看namespacedescribe_namespace '命名空间名称'
列出所有namespacelist_namespace
在namespace下创建表create '命名空间名称:表名', '列族名1'
查看namespace下的表list_namespace_tables '命名空间名称'
创建表，默认命名空间为defaultcreate '表名','列族名1','列族名2','列族名N'
查看所有表list
描述表describe '表名'
判断表存在exists '表名'
判断是否禁用启用表is_enabled '表名'
is_disabled '表名'
添加记录put '表名','rowkey','列族：列'，'值'
查看记录rowkey下的所有数据get '表名','rowkey'
查看所有记录scan '表名'
查看表中的记录总数count '表名'
获取某个列族get'表名','rowkey','列族：列'
获取某个列族的某个列get '表名','rowkey','列族：列'
计算表的行数量count '表名'
删除记录delete '表名','行名','列族：列'
删除整行deleteall '表名','rowkey'
删除一张表先要屏蔽该表，才能对该表进行删除
第一步 disable '表名'，第二步 drop '表名'
清空表truncate '表名'
查看某个表某个列中所有数据scan '表名',{COLUMNS=>'列族名：列名'}
更新记录就是重新一遍，进行覆盖，hbase没有修改，都是追加
具体实例：1、查看HBase运行状态statushttps://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413111151431-318623810.png2、创建表create <table>,{NAME => <family>, VERSIONS => <VERSIONS>}创建一个User表，并且有一个info列族 https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413113824492-774805746.png3、查看所有表list https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413114007139-611606791.png4、描述表详情describe 'User'https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413121044733-2083100343.png5、判断表是否存在 exists'User'https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413121349423-1333153437.png6、启用或禁用表 is_disabled'User' is_enabled'User'https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413121603237-805176516.png7、添加记录，即插入数据，语法：put <table>,<rowkey>,<family:column>,<value>https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413122020453-914441331.png8、根据rowKey查询某个记录，语法：get <table>,<rowkey>,[<family:column>, ...]https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413122538312-470099930.png9、查询所有记录，语法：scan <table>,{COLUMNS=>, LIMIT => num}扫描所有记录 https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413122934856-486440430.png扫描前2条https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413123206775-1739846948.png范围查询https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413123602241-1128643343.png另外，还可以添加TIMERANGE和FILTER等高级功能，STARTROW、ENDROW必须大写，否则报错，查询结果不包含等于ENDROW的结果集。10、统计表记录数，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。https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413124218237-665630801.png11、删除删除列https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413124525782-2069077254.png删除整行https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413124730351-995833036.png删除表中所有数据https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413124844290-2067922262.png12、禁用或启用表禁用表https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413125325416-599912303.png启用表https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413125433862-2123274653.png12、删除表删除前，必须先disable https://images2018.cnblogs.com/blog/1217276/201804/1217276-20180413125616137-288855577.png4.4 批量命令4.4.1 bulkload bulkload为hbase的批量插入命令，应用于大数据量的插入，没有性能问题hbase org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles \ -Dhbase.mapreduce.bulkload.max.hfiles.perRegion.perFamily=1024 \ hdfs:///hfile_path \ hbase_namespace:table_name
4.4.2 bulkload应用 业务场景：Hive离线计算好的数据，需要同步到HBase供在线业务查询，思路是用HBase自带的ImportTsv工具。Hive跑批： 建表语句，要用文本格式，即Tsv格式，分割符可以自己定义：https://common.cnblogs.com/images/copycode.gif
CREATE TABLE IF NOT EXISTS tableA( rowkey STRING, ...)PARTITIONED BY (dt STRING)-- format: 2020-07-28ROW FORMAT DELIMITEDFIELDS TERMINATED BY '\t'LINES TERMINATED BY '\n'STORED AS TEXTFILE;https://common.cnblogs.com/images/copycode.gif
跑批语句，注意设置不要compress，否则ImportTsv工具无法识别SET hive.exec.compress.output=false;INSERT OVERWRITE TABLE tableAPARTITION( tx_date = \"$CALC_DATE\" )SELECT ..
生成中间的HFilehttps://common.cnblogs.com/images/copycode.gif
hbase --config config_dir org.apache.hadoop.hbase.mapreduce.ImportTsv \ -Dmapreduce.job.queuename=queue \ -Dimporttsv.bulk.output=hdfs:///hfile_path \ -Dimporttsv.columns="HBASE_ROW_KEY,column_family:column_name.." \ hbase_namespace:table_name \ hdfs://hive_table_dirhttps://common.cnblogs.com/images/copycode.gif
说明：config_dir是hbase的配置目录，里面包含hbase-site.xml，这个步骤ImportTsv会去读取hive_table_dir中的文件，并分析hbase table的region分布，生成对应region的hfile，放到hfile_path中bulkloadhbase --config config_dir org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles \ hdfs:///hfile_path \ hbase_namespace:table_name
说明：
[*]Hive表必须是带分隔符的文本格式，而且不能压缩（比如启用了mapreduce的output snappy压缩也不行）
[*]ImportTsv可以直接一条条插入hbase，这时mapper解析一条，就插入一条，没有reduce阶段；相比bulkload，大批量数据性能不好
[*]bulkload的优点是快，生成的hfile直接注册到region server，数据对应用立即可见，没有wal log，没有flush；
总结【参考资料】https://www.cnblogs.com/cenyuhai/p/3708135.htmlhttps://blog.csdn.net/liutong123987/article/details/79377327 https://www.cnblogs.com/Richardzhu/p/3435568.html 单独启动secondarynamenode，辅助namenode的元数据合并https://blog.csdn.net/maligebazi/article/details/79952459 hbase 命令详解之namespace与tablehttps://segmentfault.com/a/1190000011616473?utm_source=tag-newest Hive 数据导入 HBase
页:
[1]