大数据(五) - HBase

jopen 9年前

HBase是一个构建在HDFS上的分布式列存储系统， 主要用于海量结构化数据存储， 从逻辑上讲，HBase将数据按照表、行和列进行存储。
HDFS适合批处理场景
        不支持数据随机查找
        不适合增量数据处理
        不支持数据更新
以上HDFS不适合、不支持的场景，HBase都支持
        大数据上高并发操作，比如每秒对PB级数据进行上千次操作，并且 读写访问均是非常简单的操作。

Hbase表的特点
        大：一个表可以有数十亿行，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，列可以根据需要动态的增加，同一张表中不同的行可以有截然不同的列；
        面向列：面向列（族）的存储和权限控制，列（族）独立检索；
        稀疏：对于空（null）的列，并不占用存储空间，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，默认情况下版本号自动分配，是单元格插入时的时间戳；
        数据类型单一：Hbase中的数据都是字符串，没有类型。

行存储和列存储的比较
传统行式数据库
        数据是按行存储的
        没有索引的查询使用大量I/O
        建立索引和物化视图需要花费大量时间和资源
        面向查询的需求，数据库必须被大量膨胀才能满足性能要求
列式数据库
        数据是按列存储-每一列单独存放
        数据即是索引
        指访问查询涉及的列-大量降低系统I/O
        每一列由一个线程来处理-查询的并发处理
        数据类型一致，数据特征相似-高效压缩

基本概念
    Row Key
        Byte array
        表中每条记录的“主键”
        方便快速查找
    Column Family
        拥有一个名称(string)
        包含一个或者多个相关列
    Column
        属于某一个Column Family
        包含在某一列中
                familyName:columnName
    Version Number
        每个rowkey唯一
        默认值: 系统时间戳
        类型为Long
    Value (Cell)
        Byte array

数据模型
        HBase schema可以有多个 Table
        每个表可由多个Column Family组成
        HBase 可以有 Dynamic Column
                列名称是编码在cell中的
                不同的cell可以拥有不同的列
        version number 可由用户提供
                无需以递增的顺序插入
                每一行的rowkey必须是唯一的
        Table 可能非常稀疏
                很多 cell 可以是空的 
        Row Key是主键

HBase支持操作
    所有操作都是基于rowkey的
    支持crud和scan
    单行操作：put、get、scan
    多行操作：MultiPut、scan
    没有内置join操作，可以使用MapReduce解决

物理模型
    rowkey和version number在每个column family中都有一份
    每个column family存储在HDFS上的一个单独文件中（就是store）
     控制不会被保存 ，不占存储空间
    以上特点类似分库技术中的垂直切分，提高了并发访问速度


物理存储
    1、Table中的所有行都按照row key的字典序排列； 
    2、Table 在行的方向上分割为多个Region；
    3、Region按大小分割的，每个表开始只有一个region，随着数据增多，region不断增大，当增大到一个阀值的时候，region就会等分会两个新的region，之后会有越来越多的region；
    4、Region是HBase中分布式存储和负载均衡的最小单元。不同Region分布到不同RegionServer上；
    5、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由一个或者多个Store组成，每个store保存一个columns family；
                每个Strore又由一个memStore和0至多个StoreFile组成；
                memStore存储在内存中，StoreFile存储在HDFS上。
HBase架构



HBase基本组件
    Client
            包含访问HBase的接口，并维护cache来加快对HBase的访问
    Zookeeper
            Hbase依赖Zookeeper，hbase会管理zookeeper的实例
            保证任何时候，集群中只有一个master
            存储所有region的寻址入口
            实时监控region server的上线和下线信息，并实时通知给master
            存储hbase的schema和table元数据
    Master
            为region server分配region
            负责region server的负载均衡
            发现失效的region server并重新分配其上的region
            管理用户对table的增删改查操作
    Region Server
            维护region，处理对这些region的IO请求
            负责切分在运行过程中变得过大的region

HBase容错性
    Master容错：zookeeper重新选择一个新的master
            无master过程中，数据读取仍照常运行
            无master过程中，region切分、负载均衡等无法进行
    region server容错：定时向zookeeper汇报心跳，如果一段时间内未出现心跳
            master将该region server上的region重新分配到其他region server上
            失效服务器上预写日志由主服务器进行分割并派送给新的region server
    zookeeper容错：zookeeper是一个可靠的服务
            一般配置3或5个zookeeper实例

Region定位


关系数据库和HBase比较


Hbase在淘宝的应用
        淘宝指数
        交易历史记录查询系统
非死book已经放弃了自己创建的Cassandra，使用了HBase

来自： http://blog.csdn.net//matthewei6/article/details/50526752