最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

[Hbase] HBase基本概念与基本使用

[复制链接]
发表于 2020-12-28 14:46:38 | 显示全部楼层 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
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
  
2.1 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
  
RDBMS的表:
  
HBase的表:
  
2.2 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


  Row  key 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,row  key保存为字节数组。存储时,数据按照Row  key的字典序(byte  order)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 Columns  Family 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
  
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
  
                                                
  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。
  
  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
  
  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。
  
  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
  
  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KeyValue
3.2 写流程
  
  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—>client
4. 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 shell
2、如果退出执行quit命令
4.3 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  status
2、创建表  create <table>,{NAME => <family>, VERSIONS => <VERSIONS>}
创建一个User表,并且有一个info列族
3、查看所有表  list
4、描述表详情  describe 'User'
5、判断表是否存在 exists  'User'
6、启用或禁用表 is_disabled  'User'   is_enabled  'User'
7、添加记录,即插入数据,语法:put <table>,<rowkey>,<family:column>,<value>
8、根据rowKey查询某个记录,语法:get <table>,<rowkey>,[<family:column>, ...]
9、查询所有记录,语法:scan <table>,{COLUMNS  =>  [family:column, ...], LIMIT => num}
扫描所有记录
扫描前2条
范围查询
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。
11、删除
删除列
删除整行
删除表中所有数据
12、禁用或启用表
禁用表
启用表
12、删除表
删除前,必须先disable
4.4 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:
[url=][/url]
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;[url=][/url]

  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HFile[url=][/url]
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_dir[url=][/url]

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.html
https://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table


楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-29 05:31

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表