Hbase入門詳解

1、hbase概述

1.1 hbase是什么

hbase是基于hdfs進行數據的分布式存儲，具有高可靠、高性能、列存儲、可伸縮、實時讀寫的nosql數據庫。

hbase可以存儲海量的數據，并且后期查詢性能很高，可以實現上億條數據的查詢秒級返回結果。

1.2 hbase表的特性

1、大

• hbase表可以存儲海量的數據。

2、無模式

• mysql表中每一行列的字段是相同，而hbase表中每一行數據可以有截然不同的列。

3、面向列

• hbase表中的數據可以有很多個列，后期它就是按照不同的列去存儲數據，寫入到不同的文件中。
• 面向列族進行存儲數據。

4、稀疏

• 在hbase表中為null的列并不占用實際的存儲空間。

5、數據的多版本

• 對于hbase表中的數據在進行數據更新的時候，它并沒有把之前的結果數據直接刪除掉，而是保留數據的多個版本，每一個數據都給一個版本號，這個版本號就是按照我們插入數據的時間戳去確定。

6、數據類型單一

• 無論是什么類型的數據，最后都被轉換成了字節數組存儲在hbase表中

1.3 hbase表的邏輯視圖

2、hbase的集群結構

1、client

• 提供了對hbase表操作的一些java接口。
• client 維護著一些 cache 來加快對 hbase 的訪問
• client 會將查詢過的位置信息保存緩存起來，緩存不會主動失效

2、zookeeper

客戶端操作hbase表數據需要一個zk集群

作用

1、zk保存了hbase集群的元數據信息

存儲 Hbase 的 schema,包括有哪些 table，每個 table 有哪些 column family

2、zk保存所有hbase表的尋址入口

后期通過客戶端接口去操作hbase數據的時候，需要連接上zk集群
存貯所有 Region 的尋址入口----root 表在哪臺服務器上

3、通過引入了zk之后，實現了整個hbase集群高可用

4、zk保存了HMaster和HRegionServer它們的注冊和心跳信息

后期哪一個HRegionServer掛掉之后，zk也會感知到，然后把這個信息通知給老大HMaster

3、HMaster

它是整個hbase集群老大

作用

1、它接受客戶端創建表、刪除表的請求。處理 schema 更新請求

2、它會給HRegionServer分配對應的region，進行數據的管理

3、它會把掛掉的HRegionServer所管理的region重新分配給其他的活著的HRegionServer

4、它會實現HRegionServer負載均衡，避免某一個HRegionServer管理的region過多。

4、HRegionServer

它是整合hbase集群的小弟

作用

1、負責管理HMaster老大給它分配的region

2、它會接受到客戶端的讀寫請求

3、它會把在運行過程中，變得過大的region數據進行切分

5、Region

它是整個hbase表中分布式存儲的最小單元

它的數據是基于hdfs進行存儲

3、hbase集群安裝部署

前提條件

• 先搭建好zk、hadoop集群

1、下載對應的安裝包

• http://archive.apache.org/dist/hbase/1.2.1/hbase-1.2.1-bin.tar.gz
• hbase-1.2.1-bin.tar.gz

2、規劃安裝目錄

• /export/servers

3、上傳安裝包到服務器中

4、解壓安裝包到指定的規劃目錄

• tar -zxvf hbase-1.2.1-bin.tar.gz -C /export/servers

5、重命名解壓目錄

• mv hbase-1.2.1 hbase

6、修改配置文件

需要把hadoop安裝目錄下/etc/hadoop文件夾中

• core-site.xml
• hdfs-site.xml

需要把以上2個hadoop的配置文件拷貝到hbase安裝目錄下的conf文件夾中

1、vim hbase-env.sh

#配置java環境變量
export JAVA_HOME=/export/servers/jdk
#指定hbase集群由外部的zk集群去管理，不在使用自帶的zk集群
export HBASE_MANAGES_ZK=false

2、vim hbase-site.xml

       <!-- 指定hbase在HDFS上存儲的路徑 -->
    <property>
        <name>hbase.rootdir</name>
<value>hdfs://node1:9000/hbase</value>
    </property>
        <!-- 指定hbase是分布式的 -->
    <property>
<name>hbase.cluster.distributed</name>
        <value>true</value>
    </property>
        <!-- 指定zk的地址，多個用“,”分割 -->
    <property>
        <name>hbase.zookeeper.quorum</name>
<value>node1:2181,node2:2181,node3:2181</value>
    </property>

3、vim regionservers

#指定哪些節點是HRegionServer
node2
node3

4、vim backup-masters

#指定哪些節點是備用的Hmaster
node2

7、配置hbase環境變量

vim /etc/profile

export HBASE_HOME=/export/servers/hbase
export PATH=$PATH:$HBASE_HOME/bin

8、分發hbase目錄和環境變量

scp -r hbase node2:/export/servers
scp -r hbase node3:/export/servers
scp /etc/profile node2:/etc
scp /etc/profile node3:/etc

9、讓所有hbase節點的環境變量生效

在所有節點上執行

• source /etc/profile

4、hbase集群的啟動和停止

1、啟動hbase集群

先啟動zk和hadoop集群

然后通過hbase/bin

start-hbase.sh

• 你在哪里啟動這個腳本，首先在當前機器啟動一個HMaster進程（它就是活著的HMaster）
• 通過regionservers文件在對應的節點來啟動HRegionServer
• 通過backup-masters文件在對應的節點來啟動備用的HMaster

2、停止hbase集群

通過hbase/bin

stop-hbase.sh

hbase集群web管理界面

1、啟動好hbase集群之后

訪問地址

HMaster主機名:16010

5、hbase shell 命令行操作

hbase/bin/hbase shell 進入到hbase shell客戶端命令操作

1、創建一個表

create 't_user_info','base_info','extra_info'
create 't1', {NAME => 'f1'}, {NAME => 'f2'}, {NAME => 'f3'}

2、查看有哪些表

list
類似于mysql表中sql：show tables

3、查看表的描述信息

describe 't_user_info'

4、修改表的屬性

#修改列族的最大版本數
alter 't_user_info', NAME => 'base_info', VERSIONS => 3

5、添加數據到表中

put 't_user_info','00001','base_info:name','zhangsan'
put 't_user_info','00001','base_info:age','30'
put 't_user_info','00001','base_info:address','beijing'
put 't_user_info','00001','extra_info:school','shanghai'
put 't_user_info','00002','base_info:name','lisi'

6、查詢表的數據

//按照條件查詢
get 't_user_info','00001'
get 't_user_info','00001', {COLUMN => 'base_info'}
get 't_user_info','00001', {COLUMN => 'base_info:name'}
get 't_user_info','00001',{TIMERANGE => [1544243300660,1544243362660]}
get 't_user_info','00001',{COLUMN => 'base_info:age',VERSIONS =>3}
//全表查詢
scan 't_user_info'

7、刪除數據

delete 't_user_info','00001','base_info:name'
deleteall 't_user_info','00001'

8、刪除表

disable 't_user_info'
drop 't_user_info'

6、hbase的內部原理

• Table 中的所有行都按照 row key 的字典序排列
• Table 在行的方向上分割為多個 Hregion
• region 按大小分割的(默認 10G)，每個表一開始只有一個 region , region 不斷增大，當增大到一個閥值的時候，Hregion 就會等分會兩個新的 Hregion。當 table中的行不斷增多，就會有越來越多Hregion。
• Hregion 是 Hbase 中分布式存儲和負載均衡的最小單元。最小單元就表示不同的 Hregion可以分布在不同的 HRegion server 上。
• HRegion 雖然是負載均衡的最小單元，但并不是物理存儲的最小單元。HRegion 由一個或者多個 Store 組成，每個 store 保存一個 column family。每個 Strore 又由一個 memStore 和 0 至多個 StoreFile 組成。寫操作先寫入 memstore,當 memstore 中的數據量達到某個閾值(默認128M或1個小時)，Hregionserver 啟動flashcache 進程寫入 storefile,每次寫入形成單獨一個 storefile。
• 當 storefile 的個數超過一定閾值后（默認參數 hbase.hstore.blockingStoreFiles=10），多個storeFile會進行合并，當該region的所有store的storefile大小之和，即所有store的大小超過 hbase.hregion.max.filesize=10G 時，這個 region 會被拆分會把當前的 region分割成兩個，并由 Hmaster 分配給相應的 region 服務器，實現負載均衡。
• 每個 HRegionServer 中都有一個 HLog 對象，HLog 是一個實現 Write Ahead Log 的類，在每次用戶操作寫入 MemStore 的同時，也會寫一份數據到 HLog 文件中, HLog 文件定期會滾動出新的，并刪除舊的文件（已持久化到 StoreFile 中的數據）。當 HRegionServer 意外終止后，HMaster 會通過 Zookeeper 感知到，HMaster 首先會處理遺留的 HLog 文件，將其中不同 Region 的 Log 數據進行拆分，分別放到相應 region 的目錄下，然后再將失效的 region 重新分配，領取到這些 region 的 HRegionServer 在 Load Region的過程中，會發現有歷史 HLog 需要處理，因此會 Replay HLog 中的數據到 MemStore 中，然后 flush 到 StoreFiles，完成數據恢復。

7、hbase的尋址機制

尋找 RegionServer

• ZooKeeper–> -ROOT-(單 Region)–> .META.–> 用戶表

-ROOT-表

• 表包含.META.表所在的 region 列表，該表只會有一個 Region；
• root region 永遠不會被 split，保證了最多需要三次跳轉，就能定位到任意 region 。
• Zookeeper 中記錄了-ROOT-表的 location。

.META.表

• 表包含所有的用戶空間 region 列表，以及 RegionServer 的服務器地址
• .META.表每行保存一個 region 的位置信息，row key 采用表名+表的最后一行編碼而成。
• 為了加快訪問，.META.表的全部 region 都保存在內存中。

聯系 regionserver 查詢目標數據

regionserver 定位到目標數據所在的 region，發出查詢請求

region 先在 memstore 中查找，命中則返回

如果在 memstore 中找不到，則在 storefile 中掃描（可能會掃描到很多的 storefile----bloomfilter 布隆過濾器）布隆過濾器可以快速的返回查詢的rowkey是否在這個storeFile中, 但也有誤差, 如果返回沒有,則一定沒有,如果返回有, 則可能沒有

8、Hbase高級應用

建表

BLOOMFILTER 默認是 Row 布隆過濾器

• 對 ROW，行鍵的哈希在每次插入行時將被添加到布隆。
• 對 ROWCOL，行鍵 + 列族 + 列族修飾的哈希將在每次插入行時添加到布隆

VSRSIONS 默認是 1 數據版本

• 如果我們認為我們的數據沒有這么大的必要保留這么多，隨時都在更新，而老版本的數據對我們毫無價值，那將此參數設為 1 能節約 2/3 的空間

COMPRESSION 默認值是 NONE 壓縮

• GZIP / LZO / Zippy / Snappy

disable_all ‘toplist.*' disable_all 支持正則表達式，并列出當前匹配的表 drop_all也相同

hbase 表預分區----手動分區

一種可以加快批量寫入速度的方法是通過預先創建一些空的 regions，這樣當數據寫入 HBase時，會按照 region 分區情況，在集群內做數據的負載均衡。減少數據達到 storefile 大小的時候自動分區的

時間消耗，并且還有以一個優勢，就是合理設計 rowkey 能讓各個 region 的并發請求平均分配(趨于均勻) 使 IO 效率達到最高，

行鍵設計

列族盡量少, 一般2-3個

rowkey

• 根據字典序的特性, 將需要批量查詢的數據盡可能連續存放( 矛 )
• 盡可能將查詢條件關鍵詞拼裝到 rowkey 中，查詢頻率最高的條件盡量往前靠
• rowkey建議越短越好，不要超過 16 個字節

盡量減少行鍵和列族的大小在 HBase 中，value 永遠和它的 key 一起傳輸的
HFile中每個cell都會存儲rowkey, rowkey過大會影響存儲效率
MemStore 將緩存部分數據到內存，如果 rowkey 字段過長，內存的有效利用率就會降低，系統不能緩存更多的數據，這樣會降低檢索效率。

建議將 rowkey 的高位作為散列字段，由程序隨機生成，低位放時間字段，這樣將提高數據均衡分布在每個 RegionServer，以實現負載均衡的幾率。( 盾 )

rowkey矛盾

• HBase 中的行是按照 rowkey 的字典順序排序的，這種設計優化了 scan 操作，可以將相關的行以及會被一起讀取的行存取在臨近位置，便于 scan。然而糟糕的rowkey 設計是熱點的源頭。

熱點解決

• 加鹽 在rowkey前加隨機字符串
• 哈希 哈希會使同一行永遠用一個前綴加鹽
• 反轉 反轉固定長度或者數字格式的 rowkey 犧牲了rowkey的有序性
• 時間戳反轉

可以用 Long.Max_Value - timestamp 追加到 key 的末尾，例如 [key][reverse_timestamp] ,[key] 的最新值可以通過 scan [key]獲得[key]的第一條記錄，因為 HBase 中 rowkey 是有序的，第一條記錄是最后錄入的數據。

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對億速云的支持。如果你想了解更多相關內容請查看下面相關鏈接