hadoop笔记6--HBase简介

HBase是Apache基金会的一个项目，是一个分布式可扩展的NoSQL数据库，提供了对结构化、半结构化、甚至非结构化大数据的实时读写和随机访问能力。

要说HBase在Hadoop中的地位，简单来说就是：

HBase之于HDFS就类似于数据库之于文件系统。

这里就来简单介绍一下HBase。

首先呢，先来看看我们用HBase的功能：

首先它是Hadoop的数据库，能够进行存储数据和检索数据。
与关系型数据库MySQL那些相比呢，它能够存储上亿级的海量数据，而且在海量数据上检索速度能达到准实时，秒级别。
它是基于HDFS的，因此HDFS的优势它都拥有，比如数据安全性等。

和Hive相比，Hive主要是基于mapreduce的，通过类SQL语句分析数据用的；而HBase主要就是检索数据用了。

HBase表中的数据可以进行快速查询，关键在于表中的rowkey的设计。只要能快速的定位rowkey, 就能实现快速的查询。

而且HBase的机制是数据先写入到内存中，当数据量达到一定的量（如128M），再写入磁盘中， 在内存中，是不进行数据的更新或合并操作的，只增加数据，这使得用户的写操作只要进入内存中就可以立即返回，因此可以进行实时查询。

借助网上看到的一幅图来表示Hadoop EcoSystem中的各层系统：

Hadoop Ecosystem

其中，HBase位于结构化存储层，Hadoop HDFS为HBase提供了高可靠性的底层存储支持，Hadoop MapReduce为HBase提供了高性能的计算能力，Zookeeper为HBase提供了稳定服务和failover机制。

另外，Pig和Hive还为HBase提供了高层语言支持，使得在HBase上进行数据统计处理变的非常简单。 Sqoop则为HBase提供了方便的RDBMS数据导入功能，使得传统数据库数据向HBase中迁移变的非常方便。

先不看其他的东西，现在先看看HBase作为数据库长的是什么样子。

HBase的数据模型

我们就先来看看HBase的基本数据模型。HBase表示一个分布式多维表，在数据模型定义上是一个3元组：{行关键字，列族和列名，时间戳}。HBase通过它们来进行索引和查询定位。

下面是一个例子：

HBase表的示例

在HDFS存储中，上表其实对应的是一组键值对，比如key3行CompanyInfo、Name下t2时间戳下的数值：company2，存储时的完整键值对为：

{key3,CompanyInfo,Name,t2}-->company2

也就是说HBase中并不存在行列这样的概念，在实现时只认为存在键值对这样的概念。那个value实际上是以byte数组的形式存储。

1.行关键字（row key）
HBase一张表可以有上亿行记录，每一行都是由一个行关键字来标识。表中的记录默认按照行关键字升序排序。
2.列族（Column Family）和列名（Column Name）
HBase每张表都有一个或多个列族，而列族相当于一个容器，每个列都必须归属于某个列族。一个列族中可以由任意多个列组成，列族支持动态扩展，无需预先定义列的数量以及类型，所有列均以二进制格式存储，用户需要自行进行类型转换。所有的列族成员的前缀是相同的，例如“abc:a1”和“abc:a2”两个列都属于abc这个列族。
3.时间戳（Timestamp）
每次数据操作对应的时间戳，可以看作是数据的版本号。
</br>
而上面三者合起来就构成了一个单元格（Cell）:这个是表存储数据的单元。由{行健，列（列族:列名），时间戳}唯一确定。

HBase的基本构架

接下来看看HBase的基本组成结构。

HBase的基本构架

HBase也是分布式的集群，因此还是会分为主节点和从节点，而这两者就是HBase的主要两个部分：HBase Master(作主节点)和HBase Region Server（做从节点）。

Master是HBase集群的主控服务器，负责集群状态的管理维护；Region Server是HBase具体对外提供服务的进程，就是主要负责数据的检索等。

另外Hbase集群由zookeeper来监控。在伪分布模式下Hbase会开启自带的zookeeper。

再来看一幅HBase总体组成结构图：

总体结构图

首先，HBase中的所有数据文件都存储在Hadoop HDFS文件系统上。主要包括两种文件类型：

1. HFile， HBase中KeyValue数据的存储格式。
2. HLogFile，HBase中WAL（Write Ahead Log） 的存储格式，物理上是Hadoop的Sequence File。

接着，可以看到，在一个Region server cluster里面有多个Region Server，其中Region Server又包含了很多Region，而Region是HBase调度的基本单位，多个Region能组成一个真正的Table，如下图：

Table

而每一个Region内部里面又有一系列Store。每个Store里面又是由memStore和StoreFile两个部分组成，其中StoreFile是最终的数据，它是对HFile的轻量级包装，存储到HDFS中；而memStore不论在Store是否有真实数据都将会有，在内存当中。

HBase可以看做HDFS文件系统上的数据库，有着海量数据存储、快速随机访问和大量写操作的应用的优点，常用在互联网搜索引擎数据存储、审计日志系统、实时系统、内容服务系统当中。

以上简单介绍了HBase，下一篇准备看看HBase的安装和它的基本用法。

(PS:以上的图示均来自《深入理解大数据》一书。)