HBase框架基础（一）

* HBase框架基础（一）

官方网址：http://hbase.apache.org/

* HBase是什么妖怪？

要解释HBase，我们就先说一说经常接触到的RDBMS，即关系型数据库：

** mysql：

*** 有开源社区版本的，有企业收费版本的

*** 遵循主从架构

*** 端口号：3306

** sqlserver：

*** 微软公司开发的产品，主要用于windows平台下的项目

*** 端口号：1433

** oracle： 

*** 超强的集群性能

*** 端口号：1521

再来说一说HBase这个非关系型数据库：

** HBase：

*** 灵感来自于Google的BigTable论文

*** 一般于Hadoop结合使用，是Hadoop项目的子项目

*** 基于key-value的形式存储数据

*** 高性能，高可靠，面向列，可伸缩的分布式存储系统

*** 没有sql语句，一般用API操作

*** 适用于单表数据量超大，且不能分表

*** 分布式架构,支持服务器在线添加和移除

接着说一说HBase和Hive的关系和区别：

** Hive：

*** 是数据仓库，不是数据库

*** 一般用于分析，并不会直接接入到在线业务

*** 实际上是将hql语句转化为mapreduce任务运行在yarn平台上

** HBase：

*** 面向列的非关系型数据库，分布式架构

*** 用于存储数据和检索数据，一般会直接接入在线业务

*** 不依赖于yarn和mapreduce

最后说一说RDBMS和HBase的区别：

*** RDBMS使用sql语句，HBase使用API

*** RDBMS基于行存储，HBase基于列存储且支持更好的压缩

*** RDBMS适用于存储结构化数据，HBase适用于存储结构化和非结构化数据

*** RDBMS支持事务处理，HBase不支持事务处理

*** RDBMS支持多表Join，HBase不支持多表Join

*** RDMBS更新表数据会自动更新索引文件，HBase需要手动建立索引，手动更新

*** RDMBS适用于业务逻辑复杂的存储环境，HBase不适合。

*** RDMBS不适合存储超大数据量的单表，HBase适合。

读完上边的内容，大概应该知道HBase是个什么妖怪了吧。

* HBase基本进程

HMaster

HMaster节点有如下功能：

** 为HRegionServer分配HRegion

** 负责HRegionServer的负载均衡

** 发现失效的HRegionServer并重新分配其上的HRegion

** HDFS上的垃圾文件回收

** 处理Schema更新请求

HRegionServer

** 维护HMaster分配给他的HRegion，处理HRegion的IO请求

** 负责切分正在运行过程中变的过大的HRegion

* HBase基本原理

请看图：

 

注：一般而言，Master和NameNode在一台服务器上，RegionServer与DataNode在同一个服务器上。

Client：

包含访问HBase的接口，并维护cache来加快对HBase的访问。说白了，就是用来访问HBase的客户端。

HMaster：

这个东西是HBase的主节点，用来协调Client端应用程序和HRegionServer的关系，管理分配HRegion给HRegionserver服务器。

HRegionServer：

Hbase的从节点，管理当前自己这台服务器上面的HRegion，HRegion是Hbase表的基础单元组建，存储了分布式的表。HRegionserver负责切分在运行过程中变得过大的HRegion。

HRegion：

一个Table可以有多个HRegion，HBase使用rowKey将表水平切割成多个HRegion，每个HRegion都纪录了它的StartKey和EndKey（第一个HRegion的StartKey为空，最后一个HRegion的EndKey为空），由于RowKey是排序的，因而Client可以通过HMaster快速的定位每个RowKey在哪个HRegion中。HRegion由HMaster分配到相应的HRegionServer中，然后由HRegionServer负责HRegion的启动和管理，和Client的通信，负责数据的读(使用HDFS)。每个HRegionServer可以同时管理1000个左右的HRegion，出处请参看论文：BigTable（5 Implementation节）：Each tablet server manages a set of tablets(typically we have somewhere between ten to a thousand tablets per tablet server)）。

MemStore：

它是一个写缓存，数据先WAL[write ahead log]（也就是HLog它是一个二进制文件，所有写操作都会先保证将数据写入这个Log文件后，才会真正更新MemStore，最后写入HFile中），在写入MemStore后，由MemStore根据一定的算法将数据Flush到底层HDFS文件中(HFile)，一般而言，对于每个HRegion中的每个Column Family来说，有一个自己的MemStore。

StoreFile：

1个HStore，由一个MemStore和0~N个StoreFile组成。

HFile：

用于存储HBase的数据(Cell/KeyValue)，在HFile中的数据是按RowKey、Column Family、Column排序，对于相同的数据单元，排序则按照时间戳（Timestamp）倒叙排列。

Zookeeper：

HBase内置有zookeeper，但一般我们会有其他的Zookeeper集群来监管master和regionserver，Zookeeper通过选举，保证任何时候，集群中只有一个活跃的HMaster，HMaster与HRegionServer 启动时会向ZooKeeper注册，存储所有HRegion的寻址入口，实时监控HRegionserver的上线和下线信息。并实时通知给HMaster，存储HBase的schema和table元数据，默认情况下，HBase 管理ZooKeeper 实例，Zookeeper的引入使得HMaster不再是单点故障。一般情况下会启动两个HMaster，非Active的HMaster会定期的和Active HMaster通信以获取其最新状态，从而保证它是实时更新的，因而如果启动了多个HMaster反而增加了Active HMaster的负担。如图：

 

* HBase的部署

** 整体规划图

 

 

** 安装Hadoop集群并启动之

$ tar -zxf hbase-0.98.6-hadoop2-bin.tar.gz -C /opt/modules/

** 启动Zookeeper

$ bin/zkServer.sh start

** 安装HBase

HBase下载传送门：链接：http://pan.baidu.com/s/1sk8DpbJ 密码：qrzj

** 修改配置文件

hbase-env.sh：

export JAVA_HOME=/opt/modules/jdk1.8.0_121

export HBASE_MANAGES_ZK=false

（注：该属性让HBase使用一个已有的不被HBase托管的Zookeepr集群）

hbase-site.xml：配置后如图

 

 

尖叫提示：注意此处的hbase.master属性只配置了60000端口，没有配置主机名，这是为了在多台机器节点上启动HMaster，即，为了HMaster开启高可用。

regionservers：

在我的集群环境下，将localhost改为

z01

z02

z03

创建backup-masters：

在我的集群环境下，声明备份的HMaster节点，我此处添加：

z02

尖叫提示：如果使用Notepad++工具编辑该文件，可能会造成文件格式不对而无法解析到正确的主机名，建议使用vi编辑器。

** 替换HBase的lib目录下的关于Hadoop和Zookeeper的jar包，以解决版本兼容问题

删除：

$ rm -rf lib/hadoop-*

$ rm -rf lib/zookeeper-3.4.6.jar

拷贝：

已整理好的jar传送门：链接：http://pan.baidu.com/s/1pLHf9H5 密码：ahpv

解压之后将文件夹里的jar拷贝到Hbase的lib目录下即可。替换后如图：

 

 

最后将整理好的在z01机器中的hbase安装包拷贝给z02，以及z03机器。

** 启动服务

首先做一个hadoop配置文件的软连接到hbase：

$ ln -s /opt/modules/cdh/hadoop-2.5.0-cdh5.3.6/etc/hadoop/core-site.xml /opt/modules/cdh/hbase-0.98.6-cdh5.3.6/conf/core-site.xml

$ ln -s /opt/modules/cdh/hadoop-2.5.0-cdh5.3.6/etc/hadoop/hdfs-site.xml /opt/modules/cdh/hbase-0.98.6-cdh5.3.6/conf/hdfs-site.xml

然后启动：

$ bin/hbase-daemon.sh start master

$ bin/hbase-daemon.sh start regionserver

或者软连接做好后直接：

$ bin/start-hbase.sh，然后可以通过浏览器访问到该Hbase：

http://z01:60010/，如图：

 

 

** HMaster HA

如果配置都没有问题，也启动成功了，我们可以接着在第二台机器上启动HMaster来成功配置高可用：

第二台机器：bin/hbase-daemon.sh start master，启动后，访问第二台机器地址的60010端口，即可发现，它会告知你active的HBase是哪一台，如图所示：

 

 

当然了，通过查看z02中的有关master日志也可以发现z02中的HMaster为standby，如下图所示：

 

 

最后测试：手动停掉活跃的HMaster，看看是否能够故障自动转移：

$ bin/hbase-daemon.sh stop master

* HBase基础概念

** HBase数据存储目录

*** /hbase/data/default

存储默认命令空间表文件，创建表的时候如果不指定命令空间（库），默认创建在default下面

*** /hbase/data/hbase

存储HBase元数据的表文件，HDFS中如图：

 

 

** 数据存储

HBase中存取数据直接使用字节数组，没有其他数据类型

** HBase存储结构

*** rowkey：行键

用来唯一标识每行数据，类似RDBMS中的唯一主键

*** Column Family（CF）：列族

列族，拥有一个名称(string)，包含一个或者多个相关列

*** Column：列

字段名称，或列名

*** Cell：单元格

最基本的存储单元，用于列的实际值的存储。

*** Timestamp：时间戳

数据插入到表中的时间

*** 版本

HBase中每个列的值可以有多个版本（副本），默认情况下，有3个版本，只显示最新的版本。

*** 存储形式：键值对

rowKey + Column Family + Timestamp：value

* HBase表的物理模型

** 表会根据rowKey被划分成多个region，默认情况下，刚开始每张表只有一个region

** 同一张表通常会基于rowKey被划分成多个region

** 同一张表的多个region被master分配到多台regionserver管理

** 同一台regionserver服务器可以管理不同的表的region

** 当某台regionserver服务器宕机以后，master会把这台服务器上面管理的region重新分配给其他的regionserver服务器

* HBase常用操作

接下来我们进行一些HBase的操作测试，测试前请确保你的节点中启动了对应的HMaster进程和HRegionServer

** 创建表测试

首先进入到HBase操作命令行：

$ bin/hbase shell，如下图：

 

 

接下来可以使用help命令来查看一些帮助提示：

hbase(main):001:0> help，如图：

 

 

使用list命令，可以查看当前数据库中有哪些数据表

hbase(main):002:0> list，我们现在没有什么表，如图：

 

 

好，那么下面我们来创建一个表：

这个表用来描述学生的一些基本信息吧：

hbase(main):003:0> create 'student','info'，执行后如图：

 

执行完毕后，可以使用list命令查看一下，在此不再截图展示了

解释：

'student'：表名

'info'：列族名，就是说这个列族可能包含多个列，比如Info列族中可能包含name，sex等列，画个图不够严谨的解释下：

 

 

接下来往表里放置一些数据：

我先语言表述一下第一行执行的含义，后边以此类推：

向student这张表中插入数据，rowKey为1001，列族:列，为info:name，值value为Thomas

hbase(main):007:0> put 'student','1001','info:name','Thomas'

hbase(main):008:0> put 'student','1001','info:sex','male'

hbase(main):009:0> put 'student','1001','info:age','18'

OK，插入成功后，使用scan来看一下这张表内容

hbase(main):010:0> scan 'student'，如图：

 

 

接下来我们来看一些其他的命令

** 查看表结构

hbase(main):014:0> describe 'student'，如图：

 

 

** 更新数据/更新指定字段数据

hbase(main):018:0> put 'student','1001','info:name','Nick'

hbase(main):019:0> put 'student','1001','info:age','100'

完成后scan下如图：

 

 

** get查看数据

查看rowKey为1001的数据

hbase(main):021:0> get 'student','1001'，如图：

 

 

查看rowKey为1001，且列名为name的数据

get 'student','1001','info:name'，如图：

 

 

** scan查看数据

查看ROWKEY从1001到1007的数据，注意，规则为“前包含后不包含”，即下面的查询是不包含1007那一个rowKey的数据的。

hbase(main):023:0> scan 'student',{STARTROW => '1001',STOPROW => '1007'}，如图：

 

因为这里我只插入了1001一行数据，所以并不存在1002~1006的数据，所以不显示~

** 删除数据

我们把1001这一rowKey的所有数据删除掉，使用命令：

deleteall 'student','1001'

如果只想删除某一个rowKey中的某一个列的数据，使用命令：

delete 'student','1001','info:sex'，然后scan一下如图：

 

可以看到1001的sex这一列的数据删除掉了

** 清空数据表

hbase(main):030:0> truncate 'student'，如图：

 

看到这里之后，你list一下会发现，这个表还在，但是scan一下发现数据没了

** 删除表

首先需要先让该表为disable状态，使用命令：

hbase(main):033:0> disable 'student'

然后才能drop这个表，使用命令：

hbase(main):040:0> drop 'student'

尖叫提示：如果直接drop表，会报错：Drop the named table. Table must first be disabled，如图：

 

 

** 统计一张表有多少行数据

为了展示一张表有多少行数据，我先重新创建student表，并重新put数据，然后使用命令：

hbase(main):046:0> count 'student'

 

当然了，我插入了2行数据，所以如此

* 总结

这一节我们了解了Hbase的存储结构，以及相关特性，并与Hive以及RDBMS进行了一些对比说明，最后写了一点小练习，希望各位可以动手操作一下Hbase，在此之前确保你的集群正常运行。

---

个人微博：http://weibo.com/seal13

QQ大数据技术交流群（广告勿入）：476966007

作者：Z尽际
链接：https://www.jianshu.com/p/44e0327798ad
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。