(写了一点写不下去了,虽然垃圾但又不想扔)hbase--大数据中的NoSql

hbase简介

hbase定义

hbase是一种分布式、可扩展、支持海量数据存储的NoSql数据库，可以对几十亿条数据进行秒级查询。

hbase数据模型

逻辑上，hbase的数据模型和关系型数据库比较类似，数据存在一张表中，有行有列。但是从hbase的底层物理存储逻辑来看，hbase更像是一个multi-dimensional map，多维度map，因为hbase是通过key-value形式存储数据的。

逻辑结构

我们说，hbase在逻辑上和关系型数据库比较类似，但又不完全一样。我们发现有一个Row?Key，这个就类似于数据库里面的主键一样，是hbase自带的，而它的排序则是按位比较字符串来排序的。然后name?age等字段则是相当于数据库中的列，但是我们发现上面还有一个personal_info，这个叫做列簇，就是把具有多个列组合在一起。比如name?age?gender都是与个人信息有关的，所以我们将其组合在一起，起名为personal_info，where?phone起名为address_info，表示如何找到某人。

而且我们发现这几部分是没有连在一起的，而是被切割的四分五裂(好吓人)，这每一块就是一个store，在底层每一个部分都是单独存储在hdfs中的。而且hdfs中存储的是每一个store，至于name、age这些是属于元信息，就类似于hive一样。为什么这么做，是因为如果一张表很大，那么我们是需要进行切割的。如果是行多，那么这就类似于数据库中的高表，我们需要水平切割，那么在hbase中，水平切割之后的每一个部分就叫做一个region，因此可以把region看成是一张表的切片，而且是横向的切片；如果列多，那么这类似于数据库的宽表，比较胖嘛，我们需要垂直切割，那么在hbase中，就是划分为不同的列簇。之所以这么做是因为可以加速查询的速度，就类似于hive的分区。至于图中的整体，显然就是一张大表啦。

物理结构

尽管逻辑上，可以看成是类似于数据库中的表，但是我们知道底层不是这么存储的，那么在hbase的底层是如何存储数据的呢？

我们发现逻辑结构中的一行，在物理结构中对应多行。从存储的数据来观察，我们也知道物理结构中的字段代表着什么含义，但是我们发现只是多了两个，一个是timestamp，一个是type。这个timestamp对于hbase来说非常重要，hbase实现对hdfs的随机读写完全依赖这个timestamp，不仅如此，当我们对数据进行修改的时候，实际上是put一条数据，所以我们看到当我们将gender字段对应的女修改为female的时候，并不是将原来的数据给删除掉，而是新增一条数据。可如果这样的话，那当我们返回数据返回哪一个呢？或者说如何返回我们修改之后的数据呢？这时候timestamp就又出场了，因为后修改对应的timestamp肯定会更大，返回的时候直接把timestamp值大的记录返回回去就可以了。之所以这么做的原因就是，如果立即修改，那么hbase的速率肯定不会那么高，所以采用了这种方式，至于修改之前的数据要不要删，肯定是要删除的。

除了timestamp还有一个type，假设我们要删除一条数据，hbase是怎么做的呢？会将type字段中，put改为delete，如果delete的timestamp比put的timestamp大，那么就不返回数据。比如：我们将t2对应的Type修改为delete，那么t3和t4对应的记录依旧是可以看到的，但是如果在最下面出现了t5，并且Type是delete，那么数据就看不到了。但还是那句话，hbase并不是立刻就对hdfs上的数据进行删除操作的，只是说你用hbase访问的时候看不到，具体操作后面会继续说。

数据模型

• name space

  命名空间，类似于关系型数据库中的database概念，每个命名空间下有多个表。hbase有两个自带的命名空间，分别是hbase和default。hbase空间中存放的是hbase自带的表，default空间则是让用户使用的，可以存放自己定义的表。

• region

  类似于关系型数据库表的概念，因为我们刚创建一张表的时候不可能上来就进行切分，只有等数据量大了之后才会进行切分，那么此时一张表就是一个region。但不同的是，hbase定义表的时候只需要声明列簇即可，不需要声明具体指定的列。这意味着，往hbase写入数据时，字段可以动态按需指定。因此和关系型数据库相比，hbase能够轻松应付字段变更的场景。

• row

  hbase表中的每行数据都由一个RowKey和多个Column组成，数据是按照RowKey的字段顺序进行存储的，并且查询的时候只能根据RowKey进行检索，所以RowKey的设计十分重要，

• Column

  hbase中的每个列都由column?family，列簇和column?qualifier，列限定符进行限定，例如info:name，info:age。建表时，只需要指明列簇，而列限定符则无需预先定义

• timestamp

  用于标识数据的不同版本(version)，每条数据写入时，如果不指定时间戳，系统会自动为其加上该字段，其值写入hbase的时间

• cell

  由{rowkey，column family，column qualifier，timestamp}确定的唯一单元，cell中的数据是没有类型的，全部是字节码形式存储。

hbase基础架构

架构角色

• region server

  region server为region的管理者，主要作用是：1.对数据的操作：get、put、delete；2.对region的操作：splitRegion(切分)，compactRegion(合并)。

• master

  master是所有region server的管理者，主要作用是：1.对于表的操作：create、delete、alter；2.对于region?server的操作：分配每个region到每个region?server，监控每个region?server的状态、负载均衡和故障转移。所以region server是管理每一个region的，控制region的切分和合并。而master是管理region server的，分配region给region server管理。还有就是region server针对的是数据，master针对的是表，可以认为master的级别更高一些。

• zookeeper

  hbase是通过zookeeper来做master的高可用、region server监控、元数据的入口以及集群配置的维护工作，这些信息是要写到zookeeper里面的，然后从zookeeper里面读。

• hdfs

  hdfs为hbase提供最终的底层数据存储服务，同时为hbase提供高可用的支持

hbase安装

我们说hbase依赖于zookeeper、hdfs，那么是不是要先安装这两个呢？当然jdk也是必须的，至于安装的过程我不想多说了，像是zookeeper、hdfs(hadoop)，我的其他博客都已经说过了。其实这些大数据组件安装都很简单，直接去官网上下载tar.gz包(官网基本上都是Apache)，然后解压将里面的bin目录配置到环境变量即可。所以就不演示了，我的所有大数据组件都安装在/opt目录下，另外希望都在linux上运行，Windows这里就不介绍了。

我们来看一下配置文件，进入到conf目录下面

如果熟悉hadoop的话，那么里面的hbase两个配置文件：hbase-env.sh和hbase-site.xml应该不会陌生，一个是修改环境的，一个是修改配置的。最下面还有一个regionservers，这个就类似与hadoop的slaves，是用来配置集群的，直接写上主机名即可。

修改hbase-env.sh

# The java implementation to use.  Java 1.7+ required.
# export JAVA_HOME=/usr/java/jdk1.6.0/

将上面的注释取消，并把JAVA_HOME改成你安装的jdk的路径

# Configure PermSize. Only needed in JDK7. You can safely remove it for JDK8+
export HBASE_MASTER_OPTS="$HBASE_MASTER_OPTS -XX:PermSize=128m -XX:MaxPermSize=128m -XX:ReservedCodeCacheSize=256m"
export HBASE_REGIONSERVER_OPTS="$HBASE_REGIONSERVER_OPTS -XX:PermSize=128m -XX:MaxPermSize=128m -XX:ReservedCodeCacheSize=256m"

我们通过注释发现，如果的jdk是1.8以上，那么这两行代码可以删除，当然不删除也可以，只是启动的时候会弹出警告，比较不爽


# Tell HBase whether it should manage it's own instance of Zookeeper or not.
# export HBASE_MANAGES_ZK=true

这个就类似于kafka一样，有一个自己自带的zookeeper，但是我们不会使用自带的，而是使用Apache的zookeeper
# 所以我们要把注释取消，并把true改成false，表示禁用自带zookeeper

修改hbase-site.xml

<property>
    <name>hbase:rootdir</name>
    <!-- 这里我是伪分布式，所以是localhost，如果是真正的分布式，要写主机名 -->
    <value>hdfs://localhost:9000/hbase</value>
</property>

<property>
    <name>hbase.cluster.distributed</name>
    <!-- 伪分布式，是false。分布式需要改成true -->
    <value>false</value>
</property>

<property>
    <name>hbase.master.port</name>
    <!-- 0.98版本之后提供的，之前是默认端口60000，现在是16000。这个是master的端口 -->
    <value>16000</value>
</property>

<property>
    <name>hbase.master.info.port</name>
    <!-- 类似于hdfs的50070，这是通过web ui来访问的接口，默认是16010。这个和master的端口可以不用配，使用默认的就行 -->
    <value>16010</value>
</property>

<property>
    <name>hbase.zookeeper.quorum</name>
    <!-- zookeeper所在的主机，多个主机之间使用逗号分隔 -->
    <value>localhost</value>
</property>

<property>
    <name>hbase.zookeeper.property.clientPort</name>
    <!-- zookeeper端口，默认的2181被占用了，我们改成2182 -->
    <value>2182</value>
</property>

<property>
    <name>hbase.zookeeper.property.dataDir</name>
    <!-- zookeeper存储数据的地方 -->
    <value>/opt/zookeeper/apache-zookeeper-3.5.6-bin/zkData</value>
</property>

hbase的启动和关闭

毫无疑问，与启动和关闭有关的文件都在bin目录下，我们来看一看。首先里面既有cmd，又有sh，cmd是与Windows相关的，我们直接删掉，就不用看了。

我们先来看看标记红色箭头的几个sh文件

• hbase：启动命令行操作的，直接启动一个shell。
• hbase-daemon.sh：启动单节点hbase，就类似于hadoop中的hdfs-daemon.sh
• start-hbase.sh：启动hbase集群
• stop-hbase.sh：关闭hbase集群

下面来启动单节点hbase

我们看到就连启动之后的日志，和hadoop都是类似的。我们这里启动了master，那么可以直接通过web ui来查看，还记得端口吗？对，是16010，那个16000是服务端口，16010才是web端口