HBase核心知识点总结详解大数据

一、HBase介绍

1、基本概念

HBase是一种Hadoop数据库，经常被描述为一种稀疏的，分布式的，持久化的，多维有序映射，它基于行键、列键和时间戳建立索引，是一个可以随机访问的存储和检索数据的平台。HBase不限制存储的数据的种类，允许动态的、灵活的数据模型，不用SQL语言，也不强调数据之间的关系。HBase被设计成在一个服务器集群上运行，可以相应地横向扩展。

2、HBase使用场景和成功案例

• 互联网搜索问题：爬虫收集网页，存储到BigTable里，MapReduce计算作业扫描全表生成搜索索引，从BigTable中查询搜索结果，展示给用户。
• 抓取增量数据：例如，抓取监控指标，抓取用户交互数据，遥测技术，定向投放广告等
• 内容服务
• 信息交互

3、HBase Shell命令行交互：

启动Shell    $ hbase shell

列出所有的表   hbase >  list

创建名为mytable的表，含有一个列族hb    hbase > create ‘ mytable’ , ‘hb’

 在‘mytable’表的’first’行中的‘hb:data’列对应的数据单元中插入字节数组‘hello HBase’

  hbase > put  ‘mytable’ , ‘first’ , ‘hb:data’ , ‘hello HBase’ 

读取mytable表 ‘first’行的内容   hbase > get ‘mytable’ , ‘first’ 

读取mytable表所有的内容      hbase > scan ‘mytable’ 

 

二、入门

1、API

和数据操作有关的HBase API有5个，分别是 Get(读)，Put(写)，Delete(删)，Scan(扫描)和Increment(列值递增)

2、操作表

首先要创建一个configuration对象

　  Configuration conf = HBaseConfiguration.create();

使用eclipse时的话还必须将配置文件添加进来。
　  conf.addResource(new Path(“E://share//hbase-site.xml”));

     conf.addResource(new Path(“E://share//core-site.xml”));

    conf.addResource(new Path(“E://share//hdfs-site.xml”));

　  使用连接池创建一张表。

　  HTablePool pool = new HTablePool(conf,1);
　  HTableInterface usersTable = pool.getTable(“users”);

3、写操作

　　用来存储数据的命令是put，往表里存储数据，需要创建Put实例。并制定要加入的行

　　Put put = new Put(byte[]  row) ;

　　Put的add方法用来添加数据，分别设定列族，限定符以及单元格的指

　　put.add(byte[] family , byte[] qualifier , byte[] value) ; 

　　最后提交命令给表

　　usersTable.put(put);

　　usersTable.close();

　　修改数据，只需重新提交一次最新的数据即可。

HBase写操作的工作机制：

   

 

 

  HBase每次执行写操作都会写入两个地方：预写式日志（write-ahead log，也称HLog）和MemStore（写入缓冲区），以保证数据持久化，只有当这两个地方的变化信息都写入并确认后，才认为写动作完成。MemStore是内存里的写入缓冲区，HBase中数据在永久写入硬盘之前在这里累积，当MemStore填满后，其中的数据会刷写到硬盘，生成一个HFile。

4、读操作

 创建一个Get命令实例，包含要查询的行

Get get = new Get(byte[]  row) ;

执行addColumn()或addFamily()可以设置限制条件。

将get实例提交到表会返回一个包含数据的Result实例，实例中包含行中所有列族的所有列。

Result  r = usersTable.get(get) ;

可以对result实例检索特定的值

byte[] b = r.getValue(byte[] family , byte[] qualifier) ;

工作机制：

 

 

BlockCache用来保存从HFile中读入内存的频繁访问的数据，避免硬盘读，每个列族都有自己的BlockCache。从HBase中读出一行，首先会检查MemStore等待修改的队列，然后检查BlockCache看包含该行的Block是否最近被访问过，最后访问硬盘上的对应HFile。

5、删除操作

创建一个Delete实例，指定要删除的行。

Delete delete = new Delete(byte[]  row) ;

可以通过deleteFamily()和deleteColumn()方法指定删除行的一部分。

6表扫描操作

Scan scan = new Scan() 可以指定起始行和结束行。

setStartRow() , setStopRow() , setFilter()方法可以用来限制返回的数据。

addColumn()和addFamily()方法还可以指定列和列族。

HBase模式的数据模型包括：

表：HBase用表来组织数据。

行：在表里，数据按行存储，行由行键唯一标识。行键没有数据类型，为字节数组byte[]。

列族：行里的数据按照列族分组，列族必须事先定义并且不轻易修改。表中每行拥有相同的列族。

列限定符：列族里的数据通过列限定符或列来定位，列限定符不必事先定义。

单元：存储在单元里的数据称为单元值，值是字节数组。单元由行键，列族或列限定符一起确定。

时间版本：单元值有时间版本，是一个long类型。

一个HBase数据坐标的例子：

 

 

HBase可以看做是一个键值数据库。HBase的设计是面向半结构化数据的，数据记录可能包含不一致的列，不确定大小等。

 

 

三、分布式的HBase、HDFS和MapReduce

1、分布式模式的HBase

HBase将表会切分成小的数据单位叫region，分配到多台服务器。托管region的服务器叫做RegionServer。一般情况下，RgionServer和HDFS DataNode并列配置在同一物理硬件上，RegionServer本质上是HDFS客户端，在上面存储访问数据，HMaster分配region给RegionServer,每个RegionServer托管多个region。

 

 

HBase中的两个特殊的表，-ROOT-和.META.，用来查找各种表的region位置在哪。-ROOT-指向.META.表的region，.META.表指向托管待查找的region的RegionServer。

一次客户端查找过程的3层分布式B+树如下图：

 

 

HBase顶层结构图：

 

 

zookeeper负责跟踪region服务器，保存root region的地址。

Client负责与zookeeper子集群以及HRegionServer联系。

HMaster负责在启动HBase时，把所有的region分配到每个HRegion Server上，也包括-ROOT-和.META.表。

HRegionServer负责打开region，并创建对应的HRegion实例。HRegion被打开后，它为每个表的HColumnFamily创建一个Store实例。每个Store实例包含一个或多个StoreFile实例，它们是实际数据存储文件HFile的轻量级封装。每个Store有其对应的一个MemStore，一个HRegionServer共享一个HLog实例。

一次基本的流程：

a、 客户端通过zookeeper获取含有-ROOT-的region服务器名。

b、 通过含有-ROOT-的region服务器查询含有.META.表中对应的region服务器名。

c、  查询.META.服务器获取客户端查询的行键数据所在的region服务器名。

d、 通过行键数据所在的region服务器获取数据。

 

HFile结构图：

 

 

Trailer有指向其他块的指针，Index块记录Data和Meta块的偏移量，Data和Meta块存储数据。默认大小是64KB。每个块包含一个Magic头部和一定数量的序列化的KeyValue实例。

 

KeyValue格式：

 

 

该结构以两个分别表示键长度和值长度的定长数字开始，键包含了行键，列族名和列限定符，时间戳等。

 

预写日志WAL：

每次更新都会写入日志，只有写入成功才会通知客户端操作成功，然后服务器可以按需自由地批量处理或聚合内存中的数据。

编辑流在memstore和WAL之间分流的过程：

 

 

处理过程：客户端通过RPC调用将KeyValue对象实例发送到含有匹配region的HRegionServer。接着这些实例被发送到管理相应行的HRegion实例，数据被写入到WAL，然后被放入到实际拥有记录的存储文件的MemStore中。当memstore中的数据达到一定的大小以后，数据会异步地连续写入到文件系统中，WAL能保证这一过程的数据不会丢失。

 

2、HBase和MapReduce

从MapReduce应用访问HBase有3种方式：

作业开始时可以用HBase作为数据源，作业结束时可以用HBase接收数据，任务过程中用HBase共享资源。

• 使用HBase作为数据源

阶段map

protected void map(ImmutableBytesWritable rowkey,Result result,Context context){

};

从HBase表中读取的作业以[rowkey:scan result]格式接收[k1,v1]键值对，对应的类型是ImmutableBytesWritable和Result。

创建实例扫描表中所有的行

Scan scan = new Scan();

scan.addColumn(…);

接下来在MapReduce中使用Scan实例。

TableMapReduceUtil.initTableMapperJob(tablename,scan,map.class,

输出键的类型.class,输出值的类型.class,job);

• 使用HBase接收数据

reduce阶段

protected void reduce(

ImmutableBytesWritable rowkey,Iterable<put>values,Context context){

};

把reducer填入到作业配置中，

TableMapReduceUtil.initTableReducerJob(tablename,reduce.class,job);

 

3、HBase实现可靠性和可用性

HDFS作为底层存储，为集群里的所有RegionServer提供单一命名空间，一个RegionServer读写数据可以为其它所有RegionServer读写。如果一个RegionServer出现故障，任何其他RegionServer都可以从底层文件系统读取数据，基于保存在HDFS里的HFile开始提供服务。接管这个RegionServerz服务的region。

 

四、优化HBase

1、随机读密集型

优化方向：高效利用缓存和更好的索引

•  增加缓存使用的堆的百分比，通过参数 hfile.block.cache.size 配置。
• 减少MemStore占用的百分比，通过hbase.regionserver.global.memstore.lowerLimit和hbase.regionserver.global.memstore.upperLimit来调节。
• 使用更小的数据块，使索引的粒度更细。
• 打开布隆过滤器，以减少为查找指定行的Key Value对象而读取的HFile的数量。
• 设置激进缓存，可以提升随机读性能。
• 关闭没有被用到随机读的列族，提升缓存命中率。

2、顺序读密集型

优化方向：减少使用缓存。

• 增大数据块的大小，使每次硬盘寻道时间取出的数据更多。
• 设置较高的扫描器缓存值，以便在执行大规模顺序读时每次RPC请求扫描器可以取回更多行。 参数 hbase.client.scanner.caching 定义了在扫描器上调用next方法时取回的行的数量。
• 关闭数据块的缓存，避免翻腾缓存的次数太多。通过Scan.setCacheBlocks(false)设置。
• 关闭表的缓存，以便在每次扫描时不再翻腾缓存。
• 3、写密集型

优化方向：不要太频繁刷写，合并或者拆分。

• 调高底层存储文件（HStoreFile）的最大大小，region越大意味着在写的时候拆分越少。通过参数 hbase.hregion.max.filesize设置。
• 增大MemStore的大小，通过参数hbase.hregion.memstore.flush.size调节。刷写到HDFS的数据越多，生产的HFile越大，会在写的时候减少生成文件的数量，从而减少合并的次数。
• 在每台RegionServer上增加分配给MemStore的堆比例。把upperLimit设为能够容纳每个region的MemStore乘以每个RegionServer上预期region的数量。
• 垃圾回收优化，在hbase-env.sh文件里设置，可以设置初始值为：-Xmx8g  -Xms8g  -Xmn128m  -XX:+UseParNewGC  -XX:+UseConcMarkSweepGC

　　　-XX:CMSInitiatingOccupancyFraction=70

• 打开MemStore-Local Allocation Buffer这个特性，有助于防止堆的碎片化。 通过参数hbase.hregion.memstore.mslab.enabled设置

4、混合型

优化方向：需要反复尝试各种组合，然后运行测试，得到最佳结果。

 

影响性能的因素还包括：

• 压缩：可以减少集群上的IO压力
• 好的行键设计
• 在预期集群负载最小的时候手工处理大合并
• 优化RegionServer处理程序计数