【原创】HBase 基础知识

特点  

1. 在 HDFS 之上开发的；  
2. 面向列（实际是面向列族）的存储器  
3. 实时读写  
4. 随机读写  
5. 针对超大规模数据集  
6. 不支持 SQL  


基本概念  

单元格（cell）  

• 由行和列的坐标交叉决定，有版本号；
• 版本号默认为自动分配，为 HBase 向单元格插入数据时的时间戳；
• 单元格中的内容为未解释的字节数组

行的键  

• 表中行的键为字节数组；
• 表中的行根据行的键值（即表的主键）进行排序；
• 排序依据为字节序；
• 所有对表的访问都要通过表的主键（二级索引问题）；

列族（column family）  

• 行中的列会被划分成不同的列族；
• 同一列族中成员具有相同的前缀；
• 列族的前缀必须是可打印字符构成的；
• 列族修饰符，即结尾字符，可以为任意字符；
• 在 HBase 中，规定使用冒号来分隔列族和列族修饰符；
• 一个表的列族必须作为表模式定义的一部分预先给出，但是心的列族成员可以随后按需要加入；
• 物理上，所有的列族成员都一起存放在文件系统中；
• HBase 的调优和存储都在列族这个层次上进行的，所以最好使所有列族成员都有相同的访问模式（access pattern）和大小特征。

区域（region）  

• HBase 自动把表水平划分成区域；
• 每个区域由表中行的子集构成；
• 一开始，一个表只有一个区域，随着表变大，区域的个数也会增加；
• 区域是在 HBase 中分布数据的最小单位；
• 在线的所有区域按次序排列就构成了表的所有内容；

锁  
      无论对行进行访问的事务牵涉多少列，对行的更新都是原子的；  


构成  

• HBase 模型为一个 Master 节点负责协调管理一个或多个 Regionserver 从属机；
• Master 负责：启动（bootstrap）、全新的安装、将区域分配给注册的 Regionserver 、恢复 Regionserver 的故障。
• Regionserver 负责：零个或多个区域的管理，响应客户端的读写请求，区域的划分，通知 Master 有新子区域（daughter region）产生；
• HBase 依赖于 Zookeeper ，默认情况下，HBase 管理一个 Zookeeper 实例，用于作为集群的权威（authority）；
• HBase 负责管理根目录表（root catalog table）的位置、当前集群 Master 地址等重要信息；

相关文件  

• conf/regionservers -- 可以查看 Regionserver 节点信息
• conf/hbase-site.xml 和 conf/hbase-env.sh -- 集群站点配置

持久化接口  

• 本地文件系统接口（默认）
• KFS 文件系统接口
• Amazon S3 接口
• HDFS 接口

若要使用 HBase 集群，则通常要把 HBase 的存储配置为指向 HDFS 集群；  


特殊表（涉及数据定位过程问题）

• -ROOT- 表包含 .META. 表的区域列表；
• .META. 表包含所有用户空间区域（user-space region）的列表；

在 Regionserver 上进行读写操作

写操作

• 追加方式写入提交日志（commit log），提交日志存放在 HDFS 中（保证高可用）；
• 写入内存中的 memstore ；
• 若 memstore 满，则刷入（flush）文件系统；

读操作

• 查看区域（region）的 memstore ；
• 若在 memstore 中找到需要的版本则直接返回，否则按照次序从新到旧检查 flush file ；

Regionserver 上存在一个后台进程负责在 flush file 数量达到阈值后，对其进行压缩处理（将多个文件的内容处理后写入一个文件中）

HBase 提供的对外接口

• Avro
• REST
• Thrift

通过上述接口和 HBase 集群进行双向交互时，需要 HBase 客户端实例进行代理，故比直接 JAVA 客户端交互更慢。

服务的启动和停止

hbase-daemon.sh <start|stop> <rest|thrift|avro>

对比

• HDFS 和 MapReduce 适用于对大数据集进行批处理，但对于读或写单独的记录，效率很低；而 HBase 可以高效完成；
• HDFS 和 MapReduce 不擅长在有更新到达时维护索引（虽然 MapReduce 作业可以用于建立索引以支持随机访问），所以不符合低延时查询需求，而 HBase 可以；

大数据集需求 -> 排除 RDBMS 的使用（可能有点绝对）
低查询延时 -> 排除直接使用 HDFS ；