分布式大数据仓库HBase的基本使用以及架构原理详解

当今移动互联网时代，每个人每天都会产生数据，海量数据的存储以及查询使得RDBMS无法满足需求，因此出现了HBase分布式大数据。本文主要介绍的HBase的基本使用以及Hbase的架构原理，使得读者对Hbase有一个更好地认识。


一、HBase介绍
首先，看看官网对于Hbase的介绍:
Apache HBase™ is the hadoop database, a distributed, scalable, big data store.
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是一个分布式的，可扩展的hadoop大数据仓库，它是基于hadoop之上的。
HBase适合处理海量数据，一般的处理数十亿行数据都是实时的。因此，适合做海量数据的存储于检索。在一张HBase表中，数十亿行，数百万列的数据HBase都可以轻松处理，因此更为准确的说HBase就是一个分布式、海量并且实时的大数据仓库。


HBase的特点有以下几点：


线性和模块化可扩展性
严格一致的读取和写入
表的自动配置和分片
支持RegionServers之间的自动故障转移
方便的基类支持hadoop的mapreduce作业与Apache HBase的表
易于使用的Java API的客户端的访问
块缓存和布鲁姆过滤器实时查询
Thrift网关和REST-FUL Web服务支持XML，protobuf和二进制的数据编码选项。
可扩展的基于JRuby的脚本。
支持监控信息通过hadoop子系统导出到文件或Ganglia.
二、HBase架构详解

从上面的架构图可以看出HBase是建立在hadoop之上的。HBase有3个重要的组件：Zookeeper、HMaster、HRegionServer。Zookeeper为整个HBase集群提供协助的服务（信息传输）。HMaster主要用于监控和操作集群的所有RegionServer。RegionServer主要用于服务和管理分区（Regions）。


（1）Client
Client使用HBase RPC机制与HMaster和HRegionServer进行通信，对于管理类操作，与HMaster进行RPC通信，对于数据的读写等操作，与HRegionServer进行RPC。
（2）Zookeeper
Zookeeper中除了保存表的地址与HMaster的地址外，HRegionServer也会把自己以Ephemeral方式注册到Zookeeper中，使HMaster可以随时感知到各个HRegionServer的健康转态。
（3）HMaster
HMaster不会有单点故障问题，zookeeper会使用Master Election机制保证总有一个Master运行，HMaster在功能上主要负责Table和Region的管理工作。管理用户对Table的CRUD、管理HRegionServer的负载均衡和调整HRegion分布、在Region Split之后，负责新的HRegion的分配、在某一台HRegionServer停机之后，负责失效的HRegionServer上的Region的数据迁移。
（4）HRegionServer
HRegionServer主要负责响应用户的I/O请求，是HBase的核心模块，它的内部有很多HRegion。


HBase是基于列式存储的数据库，不是行式存储的，它的每一列都存储在不同的文件中，列与列之间是隔离的，在不同的文件。在HBase创建一张表时，需要执行一个rowkey，它是一条记录的唯一标识，类似于RDBMS的索引，还需要执行一个列簇（Column family），列不需要执行指定，在插入数据时动态指定，每一个列簇包含有多个列。HBase会按照rowkey在行的方向上进行Region，并且会按照row key进行字典排序，每一个Region存储在不同的RegionServer上，每一个Region都有startRowkey和endRowkey来划分范围(范围前闭后开），Region时HBase集群分布式存储和负载均衡的最小存储单位（注意：不是最小存储单位）。当一张表刚开始被创建的时候，它只会有一个Region，startRowkey和endRowkey都不会指定，没有值，表示无上下限。当插入数据到一定的阀值后就会进行Split操作，将一个大的Region划分两个小的的Region，父Region下线，两个子Region被HMaster分配到不同的HRegionServer上进行管理。


HStore是HBase的核心存储，它由一个memstore和零至多个storefile组成。在向HBase中插入数据的时候，它首先会向将数据存储在Memstore（内存），并且同时写入日志文件HLog中。HLog是一个实现Write Ahead Log的类，Hlog会定时滚动刷新，保存新的数据，删除旧的数据（已经持久到StoreFile中的数据），同时HLog也肩负着数据恢复的重任。写入HLog的目的是防止RegionServer停机的时候在内存中的数据丢失。当存储在memstore中的数据超过一定的阀值，内存溢出的时候，就会向hdfs 文件中写入storefile。当storefile的数量超过一定的阀值时，就会出发compact过程，将多个storefile合并为一个大的storefile文件，合并过程中会合并每一个column的版本以及删除旧的数据，由此可见，HBase的更新以及删除操作并不会刚开始触发，会在后续过程中完成。这使得用户只需要将操作进入内存中即可返回，保证了HBase I/O性能。


也许上面的很多术语看的你有些糊涂，现在用一个简单的例子来看看HBase表的具体结构。在一张HBase表中，最为重要的是rowkey，它也是为什么HBase可以对海量数据查询很快的原因所在，接着就是column family，依一张user表为例：创建这张表时，需要指定一个rowkey，然后需要一个列簇info，在info中包含name,age,tel,adress, 每一个列可以有多个版本，也就是每次修改的值就是一个版本，HBase不会在每一个修改操作时删除旧的值，而是每一个值对应一个timestamp形成一个版本。比如address可以有多个版本。这种结构类似json数据格式：

[AppleScript] 纯文本查看 复制代码

user{
	info{
		'name':'zhangsan',
		'age':'20',
		'tel':'123456789',
		'address':[
				shanghaishi,
				baijingshi,
				]
		}
	}	

下面是表结构的简易图：





最后，需要注意的是HBase是也一个NOSQL数据库。


下面来看看如何动手安装部署HBase以及简单的CRUD操作.


三、HBase安装部署以及shell的使用
这里，只是简单的部署一个伪分布式的集群环境，即主从节点在一台机器上，读者也可参考官网的配置（http://hbase.apache.org/book.html#quickstart）。


首先，下载HBase，这里使用0.98.6，这个版本比较稳定，需要其他的版本可自行去下载（http://archive.apache.org/dist/）。HBase的安装部署非常简单，不过在这之前需要你熟悉hadoop集群的搭建，并且你的机器上也需要安装hadoop集群才能启动HBase（这里使用hadoop2.x），zookeeper这里使用HBase内部 自带的。


1.下载HBase压缩包，首先解压

tar -zxvf hbase-0.98.6-hadoop2-bin.tar.gz


2.解压后，由于这里使用的是Apache HBase，hadoop2.5，所以需要将hbase中的lib目录中的hadoop2.2的jar包全部替换为2.5版本的。进入conf目录。打开hbase-env.sh文件配置JAVA_HOME:


export JAVA_HOME=/opt/modules/jdk1.7.0_79


3.配置hbase-site.xml：

[AppleScript] 纯文本查看 复制代码

<configuration>
 <property>
    <name>hbase.rootdir</name>
    <value>hdfs://hadoop-senior.shinelon.com:8020/hbase</value>
  </property>
  <property>
    <name>hbase.cluster.distributed</name>
    <value>true</value>
  </property>
  <property>
    <name>hbase.zookeeper.quorum</name>
    <value>hadoop-senior.shinelon.com</value>
  </property>
</configuration> 

将上面的主机名换为你的主机名即可。

经过上的配置就可以启动HBase了。首先你需要启动HDFS，然后就可以启动了，下面是使用脚本全部启动，你也可以一个一个启动，和HDFS启动过程类似：

bin/start-hbase.sh

现在，HBase就已经启动成功，与HDFS和YARN一样，它也有web监控界面，0.98.6版本的端口号为60010，新版本有变动。

下面，我们使用hbase shell工具来进行增删改查：

bin/hbase shell

进入shell界面后，可以使用help获取帮助信息：

使用下面命令可以获取单个命令的帮助信息：

help 'command'

1.创建一张表，需要指定表名和列簇名：

create 'user','info'

2.插入数据，使用put命令：

put 'user','1001','info:name','zhansgan'

put 'user','1001','info:age','18'

put 'user','1002','info:name','lisi'

put 'user','1002','info:tel','123456'

3.查询数据，总共有三种方式：

（1）、使用get命令

（2）、使用scan range进行范围查询（最常用）

（3）、使用scan进行权标扫描

下面演示一下这些操作：

使用get:

使用scan进行范围查询：

使用scan进行全表扫描：

还有很多命令，读者可以使用help命令去自行查看和使用，这里就不加赘述，HBase的使用也不是很难。

至此，本文就介绍完了HBase的基本原理与使用，如有不足之处还请指出。

来源：https://blog.csdn.net/qq_37142346/article/details/80025587