Hbase（一）了解Hbase与Phoenix

前言

　　HBase是一个分布式的、面向列的开源数据库，该技术来源于 Fay Chang 所撰写的Google论文“Bigtable：一个结构化数据的分布式存储系统”。就像Bigtable利用了Google文件系统（File System）所提供的分布式数据存储同样，HBase在Hadoop之上提供了相似于Bigtable的能力。HBase是Apache的Hadoop项目的子项目。HBase不一样于通常的关系数据库，它是一个适合于非结构化数据存储的数据库。另外一个不一样的是HBase基于列的而不是基于行的模式。

 

1、Hadoop生太圈

　　经过Hadoop生态圈，能够看到HBase的身影，可见HBase在Hadoop的生态圈是扮演这一个重要的角色那就是  实时、分布式、高维数据 的数据存储；

 

2、HBase简介

　　– HBase – Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩、 实时读写的分布式数据库 

　　– 利用Hadoop HDFS做为其文件存储系统,利用Hadoop MapReduce来处理 HBase中的海量数据,利用Zookeeper做为其分布式协同服务

　　– 主要用来存储非结构化和半结构化的松散数据（列存NoSQL数据库）

 

3、HBase数据模型

　　以关系型数据的思惟下会感受，上面的表格是一个5列4行的数据表格，可是在HBase中这种理解是错误的，其实在HBase中上面的表格只是一行数据；

　　Row Key:

　　　　– 决定一行数据的惟一标识

　　　　– RowKey是按照字典顺序排序的。

　　　　– Row key最多只能存储64k的字节数据。

　　Column Family列族（CF一、CF二、CF3） & qualifier列：

　　　　– HBase表中的每一个列都归属于某个列族，列族必须做为表模式(schema) 定义的一部分预先给出。如create ‘test’, ‘course’；

　　　　– 列名以列族做为前缀，每一个“列族”均可以有多个列成员(column，每一个列族中能够存放几千~上千万个列)；如 CF1:q1, CF2:qw,

　　　　   新的列族成员（列）能够随后按需、动态加入，Family下面能够有多个Qualifier，因此能够简单的理解为，HBase中的列是二级列，

　　　　　也就是说Family是第一级列，Qualifier是第二级列。两个是父子关系。

　　　　– 权限控制、存储以及调优都是在列族层面进行的；

　　　　– HBase把同一列族里面的数据存储在同一目录下，由几个文件保存。

　　　　– 目前为止HBase的列族能可以很好处理最多不超过3个列族。

　　Timestamp时间戳：

　　　　– 在HBase每一个cell存储单元对同一份数据有多个版本，根据惟一的时间 戳来区分每一个版本之间的差别，不一样版本的数据按照时间倒序排序，

　　　　　最新的数据版本排在最前面。

　　　　– 时间戳的类型是64位整型。

　　　　– 时间戳能够由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。

　　　　– 时间戳也能够由客户显式赋值，若是应用程序要避免数据版本冲突， 就必须本身生成具备惟一性的时间戳。

　　Cell单元格：

　　　　– 由行和列的坐标交叉决定；

　　　　– 单元格是有版本的（由时间戳来做为版本）；

　　　　– 单元格的内容是未解析的字节数组（Byte[]），cell中的数据是没有类型的，所有是字节码形式存贮。

　　　　　• 由{row key，column(=<family> +<qualifier>)，version}惟一肯定的单元。

　

例：下图为 HBase 中一张表

 

• RowKey 为行的惟一标识，全部行按照 RowKey 的字典序进行排序；
• 该表具备两个列族，分别是 personal 和 office;
• 其中列族 personal 拥有 name、city、phone 三个列，列族 office 拥有 tel、addres 两个列。

 

 

Hbase 的表具备如下特色：

　　一、容量大：一个表能够有数十亿行，上百万列；

　　二、面向列：数据是按照列存储，每一列都单独存放，数据即索引，在查询时能够只访问指定列的数据，有效地下降了系统的 I/O 负担；

　　三、稀疏性：空 (null) 列并不占用存储空间，表能够设计的很是稀疏 ；

　　四、数据多版本：每一个单元中的数据能够有多个版本，按照时间戳排序，新的数据在最上面；

　　五、存储类型：全部数据的底层存储格式都是字节数组 (byte[])。

 

 

4、HBase体系架构

　　

　　　　Client

　　　　　• 包含访问HBase的接口并维护cache来加快对HBase的访问

　　　　Zookeeper

　　　　　• 保证任什么时候候，集群中只有一个master

　　　　　• 存贮全部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并从新分配其上的region

　　　　　• 管理用户对table的增删改操做

　　　　RegionServer

　　　　　• Region server维护region，处理对这些region的IO请求

　　　　　• Region server负责切分在运行过程当中变得过大的region　

 

　　　  HLog(WAL log)：

　　　　　　– 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 SequeceFile的Value是HBase的KeyValue对象，即对应HFile中的 KeyValue

　　　　Region

　　　　　　– HBase自动把表水平划分红多个区域(region)，每一个region会保存一个表 里面某段连续的数据；每一个表一开始只有一个region，随着数据不断插 入表，

　　　　　　　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（裂变）；

　　　　　　– 当table中的行不断增多，就会有愈来愈多的region。这样一张完整的表 被保存在多个Regionserver上。

　　　　Memstore 与 storefile

　　　　　　– 一个region由多个store组成，一个store对应一个CF（列族）

　　　　　　– store包括位于内存中的memstore和位于磁盘的storefile写操做先写入 memstore，当memstore中的数据达到某个阈值，

　　　　　　　hregionserver会启动 flashcache进程写入storefile，每次写入造成单独的一个storefile

　　　　　　– 当storefile文件的数量增加到必定阈值后，系统会进行合并（minor、 major compaction），在合并过程当中会进行版本合并和删除工做 （majar），

　　　　　　　造成更大的storefile。

　　　　　　– 当一个region全部storefile的大小和超过必定阈值后，会把当前的region 分割为两个，并由hmaster分配到相应的regionserver服务器，实现负载均衡。

　　　　　　– 客户端检索数据，先在memstore找，找不到再找storefile

　　　　　　– HRegion是HBase中分布式存储和负载均衡的最小单元。最小单元就表 示不一样的HRegion能够分布在不一样的HRegion server上。

　　　　　　– HRegion由一个或者多个Store组成，每一个store保存一个columns family。

　　　　　　– 每一个Strore又由一个memStore和0至多个StoreFile组成。

　　　　　　　如图：StoreFile 以HFile格式保存在HDFS上。

　　　　

　　           

 

5、Phoenix介绍

　　Phoenix 是 HBase 的开源 SQL 中间层，它容许你使用标准 JDBC 的方式来操做 HBase 上的数据。在 Phoenix 以前，若是你要访问 HBase，只能调用它的 Java API，但相比于使用一行 SQL 就能实现数据查询，HBase 的 API 仍是过于复杂。Phoenix 的理念是 we put sql SQL back in NOSQL，即你可使用标准的 SQL 就能完成对 HBase 上数据的操做。同时这也意味着你能够经过集成 Spring Data JPA 或 Mybatis 等经常使用的持久层框架来操做 HBase。

其次 Phoenix 的性能表现也很是优异，Phoenix 查询引擎会将 SQL 查询转换为一个或多个 HBase Scan，经过并行执行来生成标准的 JDBC 结果集。它经过直接使用 HBase API 以及协处理器和自定义过滤器，能够为小型数据查询提供毫秒级的性能，为千万行数据的查询提供秒级的性能。同时 Phoenix 还拥有二级索引等 HBase 不具有的特性，由于以上的优势，因此 Phoenix 成为了 HBase 最优秀的 SQL 中间层。

  

---

 -END-