1、hbase简介
首先需要介绍一个web的架构：
HBASE是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBASE技术可在廉价PC Server上搭建起大规模结构化存储集群。
HBASE的目标是存储并处理大型的数据，更具体来说是仅需使用普通的硬件配置，就能够处理由成千上万的行和列所组成的大型数据。
HBASE是Google Bigtable的开源实现，但是也有很多不同之处。比如：Google Bigtable利用GFS作为其文件存储系统，HBASE利用Hadoop HDFS作为其文件存储系统；Google运行MAPREDUCE来处理Bigtable中的海量数据，HBASE同样利用Hadoop MapReduce来处理HBASE中的海量数据；Google Bigtable利用Chubby作为协同服务，HBASE利用Zookeeper作为对应。
Hbase是列示的分布式数据库，存储主要存储在HDFS上。
传统数据库是行式数据库，hbase是列式数据库。
传统的数据库以mysql为例，每个表会在本地服务器上存储成一个文件，文件的命名规则为：用户名.表名，如下图：
而HBase是将文件存储在HDFS的服务器上。
在mysql中存储一张表，数据会以行的形式存储在文件中，比如：
而HBase则是将列变成了行，将数据按行存储在了文件中，比如：
当select一列的时候，hbase中会将对应的一行输出，如果文件的一行特别多，文件有可能出错，因此hbase还做了另外一件事情，就是将数据分块，id从0---n则在第一个文件上，n+1---n+m在另一个文件上，每个分块的文件以表名-0，表名-1……来命名，以实现文件的分布式存取，比如：
上面的比较可以发现，hbase面向列式的查询速度较快，量也比较大。
Hbase在分布式中是作为一个缓冲的左右，当系统产生的文件比较小，但是量比较大的时候，如果直接将文件存到HDFS中，会导致namenode记录元数据爆满，此时需要中间有个设备，能处理一下大批的文件，然后存储到HDFS中，此时就产生了HBase，Hbase本身也是一个集群，也是存在主从关系：HMaster与HRegionserver，当小文件大量传入的时候，hbase将其先存储到HRegionserver的内存中，当数量达到128M时，一次性导入到HDFS中，这样HDFS中的元数据只有一条，就不会产生爆满的情况。
1、传统数据库遇到的问题：
1）数据量很大的时候无法存储
2）没有很好的备份机制
3）数据达到一定数量开始缓慢，很大的话基本无法支撑
2、HBASE优势：
1）线性扩展，随着数据量增多可以通过节点扩展进行支撑
2）数据存储在hdfs上，备份机制健全
1.3、hbase集群中的角色
1、一个或者多个主节点，Hmaster
2、多个从节点，HregionServer
HMaster：不存储元数据，HMaster不存任何数据，只是作为一个管理者，主要管理数据迁移和表的信息，所以当集群运行起来，表创建完了，HMaster挂掉后影响不大。
HRegionserver：缓存数据，形成数据块，然后传给HDFS。
2、hbase安装
2.1、hbase安装
2.1.1、上传
本地使用了root用户：
2.1.4、修改环境变量(每台机器都要执行)
su – root
vi /etc/profile
添加内容：
| export HBASE_HOME=/home/hadoop/hbase export PATH=$PATH:$HBASE_HOME/bin |
source /etc/proflie
Hbase_env.sh：用来配置jdk等环境变量；
Regionserver：主从节点的配置；
Hbase_site.xml：配置hbase的主从关系、集群分布等，需要与hdfs_site.xml相对应；
Core-site.xml：HDFS中的文件
Hdfs-site.xml：HDFS中的文件，主要是让hbase与hdfs做关联；
scp -r /home/hadoop/hbase hadoop@slave1:/home/hadoop/
scp -r /home/hadoop/hbase hadoop@slave2:/home/hadoop/
scp -r /home/hadoop/hbase hadoop@slave3:/home/hadoop/
注意：启动hbase之前，必须保证hadoop集群和zookeeper集群是可用的。
start-hbase.sh
启动完成后需要查看HRegionserver是否会消失，如果消失需要查看原因，本文就遇到消失的情况，经查实是因为没有复制文件导致的：
HBase HA集群是基于Hadoop HA集群的，在搭建HBase HA集群之前需要先有1个运行正常的Hadoop HA集群环境。在做完相关HBase配置后，启动HBase时，只有主HBase启动正常，备用HBase及Region全部没有启动，排查发现是启动时报错了：
java.net.UnknownHostException: HadoopCluster
这是因为，HBase没有识别HadoopCluster这个集群，解决这个问题的方法是把Hadoop的2个配置文件（core-site.xml和hdfs-site.xml），放到HBase的conf目录下，让HBase能找到Hadoop的配置。
2.1.8、Hbase如何配置双主结构：
在配置双主的时候，只需要在另外的服务器上启动另一个HMaster就可以，启动命令为：
./local-master-backup.sh start 2；另外动态增加region节点也是直接复制一个从节点信息，然后启动即可：./hbase-daemon.sh start regionserver;。
增加节点的时候，主要是使用zk来进行控制，登录到zk的客户端：./zkCli.sh；查看zk下的节点信息，就能看到对应的hbase信息：
另外启动的第二个master节点在backup-masters节点上：
启动的有点多，可以删除两个即可；
由此，可以实现双主设置。
这样结构在hadoop中也是存在的HA本身就是双活的机制：
Master1服务器上的节点为：
此时hadoop的主master为hadoop-cluster1nn1master1，当主master上的namenode或者zk的服务停掉之后，第二个masterHA上的节点（即HA的master）会自动切换成功：
此即为hbase的双活机制；
2.1.9、Hadoop的双活：
在hadoop中也可以看到对应的master信息，用来查看现在block是归谁管理：
Master1的Hadoop下面有一个version文件，可以找到然后查看其中的信息：
其中会有namespace、cluster等id信息；同时还有池（hadoop的池类似于一个文件夹，）信息：BP-94218752……，主节点上有一个池，故只有一个BP-94218752……信息，而从节点中既有两个池信息：
对应的从节点中有三个version，一个池外的version，两个池内的version，其中池外的version为下图，表示datanode属于哪套集群，右下图可知，属于myclaster集群，与master1是一致的：
我们关注的是池内的信息，因为池内的信息为主要的数据存储部位，进入池内，池内的version为03295：
池内的这套ID中可以看到，namespace为*1616，池版本为*03295；明显与master1节点的信息不一致，此时查看masterHA上的节点发现：
两个的节点信息是一致的，所以此时从节点的此数据池是归masterHA管的，所谓的池即当出现双活机制时，两套master共同享用一套datanode是指datanode会分裂成两个池，用于存储数据，池概念相当于文件夹，既有两个文件夹。
3、hhbase数据模型
3.1、hbase数据模型
列族：即一个列族项保存多个列，将列保存在了列族里，每个列族生成一个文件，相当于一个表的名字，在hbase中表结构只有表名和列族，剩下的全是数据，所以列信息会作为数据来保存；
Hbase没有修改的说法，只有覆盖，如果对相同的id添加过两次，则数据会被修改，即覆盖；
传统的行存储数据库是将表的名字和列属性名一开始就固定好，在建表的时候就将这两个内容添加好，后面很难更改；
而HBase则在表名和属性名之间增加了一个列族，即建表的时候，先初始化表名和列族，这两个固定好，不能更改，然后在每个列族中增加属性名（即列名），属性名是后期增加的，因此，后期如果想增加列数据，可以直接添加，非常方便。
与nosql数据库们一样,row key是用来检索记录的主键。访问HBASE table中的行，只有三种方式：
1.通过单个row key访问
2.通过row key的range（正则）：
3.全表扫描
Row key行键 (Row key)可以是任意字符串(最大长度是64KB，实际应用中长度一般为 10-100bytes)，在HBASE内部，row key保存为字节数组。存储时，数据按照Row key的字典序(byte order)（字典序就是按照第一位先比较，然后比较第二位，依次排序~）排序存储。设计key时，要充分考虑存储这个特性，将经常一起读取的行存储放到一起，row key的前面相同，即前面放客户信息；后面不相同，即后面加上时间戳，则相同的用户内容会被排在一起。(位置相关性)。
列簇 ：HBASE表中的每个列，都归属于某个列族。列族是表的schema的一部 分(而列不是，所以hbase可以动态加列，而mysql不能)，必须在使用表之前定义。列名都以列族作为前缀。例如 courses:history，courses:math都属于courses 这个列族。
由{row key, columnFamily, version}唯一确定的单元。cell中的数据是没有类型的，全部是字节码形式存贮，全是二进制的。
关键字：无类型、字节码；
定位一个数据单元格时，通过行键来确定某一个id，即确定行；然后由列族来确定某一列，即确定字段；然后根据时间版本来确定唯一的单元格内容；
HBASE中通过rowkey和columns确定的为一个存贮单元称为cell。每个cell都保存着同一份数据的多个版本。版本通过时间戳来索引。时间戳的类型是 64位整型。时间戳可以由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。时间戳也可以由客户显式赋值。如果应用程序要避免数据版本冲突，就必须自己生成具有唯一性的时间戳。每个cell中，不同版本的数据按照时间倒序排序，即最新的数据排在最前面。
为了避免数据存在过多版本造成的的管理 (包括存贮和索引)负担，HBASE提供了两种数据版本回收方式：一是保存数据的最后n个版本，二是保存最近一段时间内的版本（比如最近七天）。用户可以针对每个列族进行设置。
4、hbase命令
4.1、命令的进退
1、hbase提供了一个shell的终端给用户交互，到bin目录下：
#$HBASE_HOME/bin/hbase shell
2、如果退出执行quit命令
#$HBASE_HOME/bin/hbase shell
……
>quit
4.2、命令：
| 命令表达式 |
|
| 创建表 |
create '表名', '列族名1','列族名2','列族名N' eg： create 'user', 'info1','info2' |
| 查看所有表 |
list |
| 描述表 |
describe ‘表名’ |
| 判断表存在 |
exists '表名' |
| 判断是否禁用/启用表 |
is_enabled '表名' is_disabled ‘表名’ |
| 添加记录 |
put ‘表名’, ‘rowKey’, ‘列族:列’, '值' eg: put 'user', '1234', 'info1:name', 'zhangsan' |
| 查看记录rowkey下的所有数据 |
get '表名' , 'rowKey' |
| 查看表中的记录总数 |
count '表名' |
| 获取某个列族 |
get '表名','rowkey','列族' |
| 获取某个列族的某个列 |
get '表名','rowkey','列族:列’ |
| 删除记录 |
delete ‘表名’ ,’行名’, ‘列族:列’ |
| 删除整行 |
deleteall '表名','rowkey' |
| 删除一张表 |
先要屏蔽该表，才能对该表进行删除 第一步 disable ‘表名’ ; 第二步 drop '表名' |
| 清空表 |
truncate '表名' |
| 查看所有记录 |
scan ‘表名’ |
| 查看某个表某个列中所有数据 |
scan ‘表名’ , {COLUMNS=>'列族名:列名'} |
| 更新记录 |
就是重写一遍，进行覆盖，hbase没有修改，都是追加 |
5、hbase依赖zookeeper
1） hbase依赖zookeeper做了什么事情？为什么在hbase的api里面非得连接zookeeper？
因为在zookeeper中hbase节点上保存了hbase中具体的表信息。
节点上：zk----->/hbase----à/hbase/table，然后在表里面会有各种表信息，这些表信息是用来对表进行定位的，可以通过这些信息确定，zk管理增删改查数据库都是操作的哪个文件，哪个位置；管理者叫zk；
Meta为一个表，他与另外一个表root，一起用来做定位的；namespace是名称空间，说白了是库；
因为表的信息是存储在zk中，所以hbase的api需要连接zk，否则不能确定表信息在哪里：
2） 关于HMaster的备份，保存Hmaster的地址和backup-master地址
Hmaster的作用：
a）管理HregionServer
b) 做增删改查表的节点，zk中表的信息由HMaster控制，HMaster连接zk的api，然后在其中创建表信息；
c) 管理HregionServer中的表分配：表具体在哪，需要做对应；
3) 保存ROOT表的地址，作用为：
hbase默认的根表，是一张检索表，理解成index即可。
4) 操作HRegionServer，其作用为：
4.1）表的增删改查数据。
6、hbase开发
6.1、配置
HBaseConfiguration
包：org.apache.hadoop.hbase.HBaseConfiguration
作用：通过此类可以对HBase进行配置
用法实例：
Configuration config = HBaseConfiguration.create();
说明： HBaseConfiguration.create() 默认会从classpath 中查找 hbase-site.xml 中的配置信息，初始化 Configuration：
HBaseAdmin
包：org.apache.hadoop.hbase.client.HBaseAdmin
作用：提供接口关系HBase 数据库中的表信息
用法：
HBaseAdmin admin = new HBaseAdmin(config);
HTableDescriptor
包：org.apache.hadoop.hbase.HTableDescriptor
作用：HTableDescriptor 类包含了表的名字以及表的列族信息、表的schema（设计）。
用法：
HTableDescriptor htd =new HTableDescriptor(tablename);
htd.addFamily(new HColumnDescriptor(“myFamily”));
HColumnDescriptor
包：org.apache.hadoop.hbase.HColumnDescriptor
作用：HColumnDescriptor 维护列族的信息。
用法：
htd.addFamily(new HColumnDescriptor(“myFamily”));
CreateTable（一般我们用shell创建表）
static Configuration config = null;
static {
config = HBaseConfiguration.create();
config.set("hbase.zookeeper.quorum", "slave1,slave2,slave3");
config.set("hbase.zookeeper.property.clientPort", "2181");
}
HBaseAdmin admin = new HBaseAdmin(config);
HTableDescriptor desc = new HTableDescriptor(tableName);
HColumnDescriptor family1 = new HColumnDescriptor(“f1”);
HColumnDescriptor family2 = new HColumnDescriptor(“f2”);
desc.addFamily(family1);
desc.addFamily(family2);
HTable：
包：org.apache.hadoop.hbase.client.HTable
作用：HTable 和 HBase 的表通信。
用法：
// 普通获取表
HTable table = new HTable(config,Bytes.toBytes(tablename);
// 通过连接池获取表
Connection connection = ConnectionFactory.createConnection(config);
HTableInterface table = connection.getTable(TableName.valueOf("user"));
举例为：
Put
包：org.apache.hadoop.hbase.client.Put
作用：插入数据
用法：
Put put = new Put(row);
p.add(family,qualifier,value);
说明：向表 tablename 添加 “family,qualifier,value”指定的值。
示例代码：
Connection connection = ConnectionFactory.createConnection(config);
HTableInterface table = connection.getTable(TableName.valueOf("user"));
Put put = new Put(Bytes.toBytes(rowKey));
put.add(Bytes.toBytes(family), Bytes.toBytes(qualifier),Bytes.toBytes(value));
批量插入
Delete
包：org.apache.hadoop.hbase.client.Delete
作用：删除给定rowkey的数据
用法：
Delete del= new Delete(Bytes.toBytes(rowKey));
table.delete(del);
代码实例
Connection connection = ConnectionFactory.createConnection(config);
HTableInterface table = connection.getTable(TableName.valueOf("user"));
Delete del= new Delete(Bytes.toBytes(rowKey));
table.delete(del);
修改表：
Get
包：org.apache.hadoop.hbase.client.Get
作用：获取单个行的数据
用法：
HTable table = new HTable(config,Bytes.toBytes(tablename));
Get get = new Get(Bytes.toBytes(row));
Result result = table.get(get);
说明：获取 tablename 表中 row 行的对应数据
代码示例：
Connection connection = ConnectionFactory.createConnection(config);
HTableInterface table = connection.getTable(TableName.valueOf("user"));
Get get = new Get(rowKey.getBytes());
Result row = table.get(get);
for (KeyValue kv : row.raw()) {
System.out.print(new String(kv.getRow()) + " ");
System.out.print(new String(kv.getFamily()) + ":");
System.out.print(new String(kv.getQualifier()) + " = ");
System.out.print(new String(kv.getValue()));
System.out.print(" timestamp = " + kv.getTimestamp() + "\n");
ResultScanner
包：org.apache.hadoop.hbase.client.ResultScanner
作用：获取值的接口
用法：
ResultScanner scanner = table.getScanner(scan);
For(Result rowResult : scanner){
Bytes[] str = rowResult.getValue(family,column);
}
说明：循环获取行中列值。
代码示例：
Connection connection = ConnectionFactory.createConnection(config);
HTableInterface table = connection.getTable(TableName.valueOf("user"));
Scan scan = new Scan();
scan.setStartRow("a1".getBytes());
scan.setStopRow("a20".getBytes());
ResultScanner scanner = table.getScanner(scan);
for (Result row : scanner) {
System.out.println("\nRowkey: " + new String(row.getRow()));
for (KeyValue kv : row.raw()) {
System.out.print(new String(kv.getRow()) + " ");
System.out.print(new String(kv.getFamily()) + ":");
System.out.print(new String(kv.getQualifier()) + " = ");
System.out.print(new String(kv.getValue()));
System.out.print(" timestamp = " + kv.getTimestamp() + "\n");
}
6.13、hbase过滤器查询
6.13.1、FilterList
FilterList 代表一个过滤器列表，可以添加多个过滤器进行查询，多个过滤器之间的关系有：
与关系（符合所有）：FilterList.Operator.MUST_PASS_ALL
或关系（符合任一）：FilterList.Operator.MUST_PASS_ONE
使用方法：
FilterList filterList = new FilterList(FilterList.Operator.MUST_PASS_ONE);
Scan s1 = new Scan();
filterList.addFilter(new SingleColumnValueFilter(Bytes.toBytes(“f1”), Bytes.toBytes(“c1”), CompareOp.EQUAL,Bytes.toBytes(“v1”) ) );
filterList.addFilter(new SingleColumnValueFilter(Bytes.toBytes(“f1”), Bytes.toBytes(“c2”), CompareOp.EQUAL,Bytes.toBytes(“v2”) ) );
// 添加下面这一行后，则只返回指定的cell，同一行中的其他cell不返回
s1.addColumn(Bytes.toBytes(“f1”), Bytes.toBytes(“c1”));
s1.setFilter(filterList); //设置filter
ResultScanner ResultScannerFilterList = table.getScanner(s1); //返回结果列表
举例为：
过滤器的种类：
列植过滤器—SingleColumnValueFilter
过滤列植的相等、不等、范围等
列名前缀过滤器—ColumnPrefixFilter
过滤指定前缀的列名
多个列名前缀过滤器—MultipleColumnPrefixFilter
过滤多个指定前缀的列名
rowKey过滤器—RowFilter
6.13.3、列植过滤器—SingleColumnValueFilter
SingleColumnValueFilter 列值判断
相等 (CompareOp.EQUAL ),
不等(CompareOp.NOT_EQUAL),
范围 (e.g., CompareOp.GREATER)…………
下面示例检查列值和字符串'values' 相等...
SingleColumnValueFilter f = new SingleColumnValueFilter(
Bytes.toBytes("cFamily"),
Bytes.toBytes("column"),
CompareFilter.CompareOp.EQUAL,
Bytes.toBytes("values"));
s1.setFilter(f);
注意：如果过滤器过滤的列在数据表中有的行中不存在，那么这个过滤器对此行无法过滤。
6.13.4、列名前缀过滤器—ColumnPrefixFilter
过滤器—ColumnPrefixFilter
ColumnPrefixFilter 用于指定列名前缀值相等
ColumnPrefixFilter f = new ColumnPrefixFilter(Bytes.toBytes("values"));
6.13.5、多个列值前缀过滤器—MultipleColumnPrefixFilter
MultipleColumnPrefixFilter 和 ColumnPrefixFilter 行为差不多，但可以指定多个前缀
byte[][] prefixes = new byte[][] {Bytes.toBytes("value1"),Bytes.toBytes("value2")};
Filter f = new MultipleColumnPrefixFilter(prefixes);
6.13.6、rowKey过滤器—RowFilter
RowFilter 是rowkey过滤器
通常根据rowkey来指定范围时，使用scan扫描器的StartRow和StopRow方法比较好。
Filter f = new RowFilter(CompareFilter.CompareOp.EQUAL,
new RegexStringComparator("^1234"));
//匹配以1234开头的rowkey
s1.setFilter(f);
举例为：
6.14、表扫描
举例为：
/**
* 匹配列名前缀
* @throws Exception
*/
@Test
public void scanDataByFilter3() throws Exception {
// 创建全表扫描的scan
Scan scan = new Scan();
//匹配rowkey以wangsenfeng开头的
ColumnPrefixFilter filter =
new ColumnPrefixFilter(Bytes.toBytes("na"));
// 设置过滤器
scan.setFilter(filter);
// 打印结果集
ResultScanner scanner = table.getScanner(scan);
for (Result result : scanner) {
System.out.println("rowkey：" + Bytes.
toString(result.getRow()));
System.out.println("info:name："
+ Bytes.toString(result.getValue(Bytes.
toBytes("info"),
Bytes.toBytes("name"))));
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info"), Bytes.
toBytes("age")) != null) {
System.out.println("info:age："
+ Bytes.toInt(result.getValue(Bytes.
toBytes("info"),
Bytes.toBytes("age"))));
}
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info"), Bytes.
toBytes("sex")) != null) {
System.out.println("infi:sex："
+ Bytes.toInt(result.getValue(Bytes.
toBytes("info"),
Bytes.toBytes("sex"))));
}
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info2"), Bytes.
toBytes("name")) != null) {
System.out
.println("info2:name："
+ Bytes.toString(result.getValue(
Bytes.toBytes("info2"),
Bytes.toBytes("name"))));
}
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info2"), Bytes.
toBytes("age")) != null) {
System.out.println("info2:age："
+ Bytes.toInt(result.getValue(Bytes.
toBytes("info2"),
Bytes.toBytes("age"))));
}
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info2"), Bytes.
toBytes("sex")) != null) {
System.out.println("info2:sex："
+ Bytes.toInt(result.getValue(Bytes.
toBytes("info2"),
Bytes.toBytes("sex"))));
}
}
}
/**
* 过滤器集合
* @throws Exception
*/
@Test
public void scanDataByFilter4() throws Exception {
// 创建全表扫描的scan
Scan scan = new Scan();
//过滤器集合：MUST_PASS_ALL（and）,MUST_PASS_ONE(or)
FilterList filterList = new FilterList(Operator.MUST_PASS_ONE);
//匹配rowkey以wangsenfeng开头的
RowFilter filter =
new RowFilter(CompareFilter.CompareOp.EQUAL,
new RegexStringComparator("^wangsenfeng"));
//匹配name的值等于wangsenfeng
SingleColumnValueFilter filter2 =
new SingleColumnValueFilter(Bytes.toBytes("info"),
Bytes.toBytes("name"), CompareFilter.CompareOp.EQUAL,
Bytes.toBytes("zhangsan"));
filterList.addFilter(filter);
filterList.addFilter(filter2);
// 设置过滤器
scan.setFilter(filterList);
// 打印结果集
ResultScanner scanner = table.getScanner(scan);
for (Result result : scanner) {
System.out.println("rowkey：" +
Bytes.toString(result.getRow()));
System.out.println("info:name："
+ Bytes.toString(result.getValue(Bytes.
toBytes("info"),
Bytes.toBytes("name"))));
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info"), Bytes.
toBytes("age")) != null) {
System.out.println("info:age："
+ Bytes.toInt(result.getValue(Bytes.
toBytes("info"),
Bytes.toBytes("age"))));
}
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info"), Bytes.
toBytes("sex")) != null) {
System.out.println("infi:sex："
+ Bytes.toInt(result.getValue(Bytes.
toBytes("info"),
Bytes.toBytes("sex"))));
}
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info2"), Bytes.
toBytes("name")) != null) {
System.out
.println("info2:name："
+ Bytes.toString(result.getValue(
Bytes.toBytes("info2"),
Bytes.toBytes("name"))));
}
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info2"), Bytes.
toBytes("age")) != null) {
System.out.println("info2:age："
+ Bytes.toInt(result.getValue(Bytes.
toBytes("info2"),
Bytes.toBytes("age"))));
}
// 判断取出来的值是否为空
if (result.getValue(Bytes.toBytes("info2"), Bytes.
toBytes("sex")) != null) {
System.out.println("info2:sex："
+ Bytes.toInt(result.getValue(Bytes.
toBytes("info2"),
Bytes.toBytes("sex"))));
}
}
7、hbase原理
7.1、体系图
- 当有一条数据过来时，我们通过zk进行定位，来确定数据写在哪个HRegionSErver上，client向对应的hregionserver发送写请求。
Memstore：一个内存版的集合；
storeFile/HFile：一个文件版的路径；
- hregionserver将数据写到hlog（write ahead log）。为了数据的持久化和恢复；
- hregionserver将数据写到内存（memstore）；
- 反馈client写成功；
- 当memstore数据达到阈值（默认是64M），数据就会被刷到storeFile，然后再从StoreFile将数据刷到HFile文件中，然后再将数据刷到硬盘，将内存中的数据删除，同时删除Hlog中的历史数据；
- 并将数据存储到hdfs中；
- 在hlog中做标记点；所有记录的数据的管理权限依然属于写入时操作的HRegion；
7.1.3、数据合并过程
- 当数据块达到4块，即满足256M时，hmaster将数据块加载到本地，进行合并；
- 数据合并之后如果不足256M，则对应合并后的数据会返回给HDFS，等下一个数据块到来，然后再重新进行合并；
- 当合并的数据超过256M，进行拆分，将拆分后的region分配给不同的hregionserver管理，即原本是0-10万条记录，拆分成0-5万、5万-10万，分别将其分给两个hregionserver保管，然后修改index列表，以方便查询时定位数据；
拆分的目的是，当原来的数据操作过于频繁时，管理他的hregionserver会因负载过重而变慢，拆分给两个hregionserver后，原来的数据块分给两个hregionserver，就会减少hregionserver的负载，不会影响运行效率，这个过程是HMaster管理的；
4、当hregionserver宕机后，HBase中会有一些数据还没有来的及存放到HDF中，此时，系统会将hregionserver上的hlog拆分，然后分配给不同的hregionserver加载，修改.META.；
- ）注意：hlog会同步到hdfs；
7.1.4、hbase的读流程
- 通过zookeeper和-ROOT- 、.META.表定位hregionserver；
- 数据从内存和硬盘合并后返回给client；
- 数据块会缓存，数据块会缓存到HBase的内存中；
举例为：
1、当client想将表table1的18000rowkey的数据写到HBase上的时候，他先去找zk，zk中存储着-root-表的所在位置，-root-表记录了table1的0-10万条记录存在哪台HRegionserver上，程序返回table1所在HRegionserver的IP，然后client再去访问对应IP的HRegionserver，在这个HRegionserver上关联了另外一张表.META表，这张表存储在各个HRegionserver上，对table1的内容进行了细分，.META表记录了0-5万记录在一个HRegionserver1上，5-10万条记录在另一个HRegionserver2上，然后返回HRegionserver对应的IP，client拿到IP之后直接开始写记录即可。
上面即为六次定位原理。
2、当其中一个HBase服务器挂了，集群会做两步处理：第一、将挂掉的HBase服务器的管理权给到其他服务器（只需要在.META.表中修改一下server的位置即可，比如：挂掉的是RS2，则.META.表会将表中的RS2修改成RS3，即将管理权给到RS3）；第二、将HLog中的内容分散给其他服务器，当分散数据的时候，HLog会先将数据按表进行拆分，然后分别给到不同的服务器，加载到对应的服务器的内存中，HLog中的内容定时会备份到HDFS中。
1、管理用户对Table的增、删、改、查操作；
2、记录region在哪台Hregion server上；
3、在Region Split后，负责新Region的分配；
4、新机器加入时，管理HRegion Server的负载均衡，调整Region分布；
5、在HRegion Server宕机后，负责失效HRegion Server 上的Regions迁移。
HRegion Server主要负责响应用户I/O请求，向HDFS文件系统中读写数据，是HBASE中最核心的模块。
HRegion Server管理了很多table的分区，也就是region。
Client：
HBASE Client使用HBASE的RPC机制与HMaster和RegionServer进行通信
管理类操作：Client与HMaster进行RPC；
数据读写类操作：Client与HRegionServer进行RPC。
8、MapReduce操作Hbase
Hbase对MapReduce提供支持，它实现了TableMapper类和TableReducer类，以方便我们通过使用MR来操作HBase，可以通过MR来实现数据在表中的增删改查，我们只需要继承这两个类即可。
1、写个mapper继承TableMapper<Text, IntWritable>
参数：Text：mapper的输出key类型； IntWritable：mapper的输出value类型。
其中的map方法如下：
map(ImmutableBytesWritable key, Result value,Context context)
参数：key：rowKey；value： Result ，一行数据； context上下文
2、写个reduce继承TableReducer<Text, IntWritable, ImmutableBytesWritable>
参数：Text:reducer的输入key； IntWritable：reduce的输入value；
ImmutableBytesWritable：reduce输出到hbase中的rowKey类型。
其中的reduce方法如下：
reduce(Text key, Iterable<IntWritable> values,Context context)
参数： key：reduce的输入key；values：reduce的输入value；
1、建立数据来源表‘word’，包含一个列族‘content’
向表中添加数据，在列族中放入列‘info’，并将短文数据放入该列中，如此插入多行，行键为不同的数据即可
2、建立输出表‘stat’，包含一个列族‘content’
3、通过Mr操作Hbase的‘word’表，对‘content：info’中的短文做词频统计，并将统计结果写入‘stat’表的‘content：info中’，行键为单词
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.HColumnDescriptor;
import org.apache.hadoop.hbase.HTableDescriptor;
import org.apache.hadoop.hbase.client.HBaseAdmin;
import org.apache.hadoop.hbase.client.HTable;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.client.Result;
import org.apache.hadoop.hbase.client.Scan;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.TableMapReduceUtil;
import org.apache.hadoop.hbase.mapreduce.TableMapper;
import org.apache.hadoop.hbase.mapreduce.TableReducer;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
/**
* mapreduce操作hbase
* @author wilson
*/
public class HBaseMr {
/**
* 创建hbase配置
*/
static Configuration config = null;
static {
config = HBaseConfiguration.create();
config.set("hbase.zookeeper.quorum", "slave1,slave2,slave3");
config.set("hbase.zookeeper.property.clientPort", "2181");
}
/**
* 表信息
*/
public static final String tableName = "word";//表名1
public static final String colf = "content";//列族
public static final String col = "info";//列
public static final String tableName2 = "stat";//表名2
/**
* 初始化表结构，及其数据
*/
public static void initTB() {
HTable table=null;
HBaseAdmin admin=null;
try {
admin = new HBaseAdmin(config);//创建表管理
/*删除表*/
if (admin.tableExists(tableName)||admin.
tableExists(tableName2)) {
System.out.println("table is already exists!");
admin.disableTable(tableName);
admin.deleteTable(tableName);
admin.disableTable(tableName2);
admin.deleteTable(tableName2);
}
/*创建表*/
HTableDescriptor desc = new HTableDescriptor(tableName);
HColumnDescriptor family = new HColumnDescriptor(colf);
desc.addFamily(family);
admin.createTable(desc);
HTableDescriptor desc2 = new HTableDescriptor(tableName2);
HColumnDescriptor family2 = new HColumnDescriptor(colf);
desc2.addFamily(family2);
admin.createTable(desc2);
/*插入数据*/
table = new HTable(config,tableName);
table.setAutoFlush(false);
table.setWriteBufferSize(500);
List<Put> lp = new ArrayList<Put>();
Put p1 = new Put(Bytes.toBytes("1"));
p1.add(colf.getBytes(), col.getBytes(),
("The Apache Hadoop software library "+ "is a framework").getBytes());
lp.add(p1);
Put p2 = new Put(Bytes.toBytes("2"));
p2.add(colf.getBytes(),col.getBytes(),
("The common utilities that support the "+ "other Hadoop modules").getBytes());
lp.add(p2);
Put p3 = new Put(Bytes.toBytes("3"));
p3.add(colf.getBytes(), col.getBytes(),
("Hadoop by reading the documentation").
getBytes());
lp.add(p3);
Put p4 = new Put(Bytes.toBytes("4"));
p4.add(colf.getBytes(), col.getBytes(),
("Hadoop from the release page").getBytes());
lp.add(p4);
Put p5 = new Put(Bytes.toBytes("5"));
p5.add(colf.getBytes(), col.getBytes(),
("Hadoop on the mailing list").getBytes());
lp.add(p5);
table.put(lp);
table.flushCommits();
lp.clear();
} catch (Exception e) {
e.printStackTrace();
} finally {
try {
if(table!=null){
table.close();
}
} catch (IOException e) {
e.printStackTrace();
}
}
}
/**
* MyMapper 继承 TableMapper
* TableMapper<Text,IntWritable>
* Text:输出的key类型，
* IntWritable：输出的value类型
*/
public static class MyMapper
extends TableMapper<Text, IntWritable> {
private static IntWritable one = new IntWritable(1);
private static Text word = new Text();
@Override
//输入的类型为：key：rowKey； value：一行数据的结果集Result
protected void map(ImmutableBytesWritable key, Result value,
Context context) throws IOException,
InterruptedException {
//获取一行数据中的colf：col
String words = Bytes.toString(value.getValue(Bytes.toBytes(colf), Bytes.toBytes(col)));
// 表里面只有一个列族，所以我就直接获取每一行的值
//按空格分割
String itr[] = words.toString().split(" ");
//循环输出word和1
for (int i = 0; i < itr.length; i++) {
word.set(itr[i]);
context.write(word, one);
}
}
}
/**
* MyReducer 继承 TableReducer
* TableReducer<Text,IntWritable>
* Text:输入的key类型，
* IntWritable：输入的value类型，
* ImmutableBytesWritable：输出类型，表示rowkey的类型
*/
public static class MyReducer extends
TableReducer<Text, IntWritable, ImmutableBytesWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values,
Context context) throws IOException,
InterruptedException {
//对mapper的数据求和
int sum = 0;
for (IntWritable val : values) {//叠加
sum += val.get();
}
// 创建put，设置rowkey为单词
Put put = new Put(Bytes.toBytes(key.toString()));
// 封装数据
put.add(Bytes.toBytes(colf), Bytes.toBytes(col),Bytes.toBytes(String.valueOf(sum)));
//写到hbase,需要指定rowkey、put
context.write(new ImmutableBytesWritable(Bytes.toBytes(key.
toString())),put);
}
}
public static void main(String[] args) throws IOException,
ClassNotFoundException, InterruptedException {
config.set("df.default.name", "hdfs://master:9000/");
//设置hdfs的默认路径
config.set("hadoop.job.ugi", "hadoop,hadoop");
//用户名，组
config.set("mapred.job.tracker", "master:9001");
//设置jobtracker在哪
//初始化表
initTB();//初始化表
//创建job
Job job = new Job(config, "HBaseMr");//job
job.setJarByClass(HBaseMr.class);//主类
//创建scan
Scan scan = new Scan();
//可以指定查询某一列
scan.addColumn(Bytes.toBytes(colf), Bytes.toBytes(col));
//创建查询hbase的mapper，设置表名、scan、mapper类、mapper的输出key、
// mapper的输出value
TableMapReduceUtil.initTableMapperJob(tableName, scan,
MyMapper.class,Text.class, IntWritable.class, job);
//创建写入hbase的reducer，指定表名、reducer类、job
TableMapReduceUtil.initTableReducerJob(tableName2,
MyReducer.class, job);
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
8.4、HBase 性能优化
1）修改Linux最大文件数
Linux系统最大可打开文件数一般默认的参数值是1024，如果你不进行修改并发量上来的时候会出现“Too Many Open Files”的错误，导致整个HBase不可运行
查看： ulimit -a 结果：open files (-n) 1024
临时修改： ulimit -n 4096
持久修改：
vi /etc/security/limits.conf在文件最后加上：
* soft nofile 65535
* hard nofile 65535
* soft nproc 65535
* hard nproc 65535
2）修改 JVM 配置
修改hbase-env.sh文件中的配置参数
HBASE_HEAPSIZE 4000 #HBase使用的 JVM 堆的大小
HBASE_OPTS "‐server ‐XX:+UseConcMarkSweepGC"JVM #GC 选项
参数解释：
-client，-server
这两个参数用于设置虚拟机使用何种运行模式，client模式启动比较快，但运行时性能和内存管理效率不如server模式，通常用于客户端应用程序。相反，server模式启动比client慢，但可获得更高的运行性能。
‐XX:+UseConcMarkSweepGC：设置为并发收集
3）修改HBase配置：hbase-site.xml
zookeeper.session.timeout
默认值：3分钟（180000ms）,可以改成1分钟
说明：RegionServer与Zookeeper间的连接超时时间。当超时时间到后，ReigonServer会被Zookeeper从RS集群清单中移除，HMaster收到移除通知后，会对这台server负责的regions重新balance，让其他存活的RegionServer接管.
调优：
这个timeout决定了RegionServer是否能够及时的failover。设置成1分钟或更低，可以减少因等待超时而被延长的failover时间。
不过需要注意的是，对于一些Online应用，RegionServer从宕机到恢复时间本身就很短的（网络闪断，crash等故障，运维可快速介入），如果调低timeout时间，反而会得不偿失。因为当ReigonServer被正式从RS集群中移除时，HMaster就开始做balance了（让其他RS根据故障机器记录的WAL日志进行恢复）。当故障的RS在人工介入恢复后，这个balance动作是毫无意义的，反而会使负载不均匀，给RS带来更多负担。特别是那些固定分配regions的场景。
hbase.regionserver.handler.count
默认值：10
说明：RegionServer的请求处理IO线程数。
调优：
这个参数的调优与内存息息相关。
较少的IO线程，适用于处理单次请求内存消耗较高的Big PUT场景（大容量单次PUT或设置了较大cache的scan，均属于Big PUT）或ReigonServer的内存比较紧张的场景。
较多的IO线程，适用于单次请求内存消耗低，TPS（吞吐量）要求非常高的场景。
hbase.hregion.max.filesize
默认值：256M
说明：在当前ReigonServer上单个Reigon的最大存储空间，单个Region超过该值时，这个Region会被自动split成更小的region。
调优：
小region对split和compaction友好，因为拆分region或compact小region里的storefile速度很快，内存占用低。缺点是split和compaction会很频繁。
特别是数量较多的小region不停地split, compaction，会导致集群响应时间波动很大，region数量太多不仅给管理上带来麻烦，甚至会引发一些Hbase的bug。
一般512以下的都算小region。
大region，则不会经常split和compaction，因为做一次compact和split会产生较长时间的停顿，对应用的读写性能冲击非常大。
hfile.block.cache.size
默认值：0.2
说明：storefile的读缓存占用内存的大小百分比，0.2表示20%。该值直接影响数据读的性能。
调优：当然是越大越好，如果写比读少很多，开到0.4-0.5也没问题。如果读写较均衡，0.3左右。如果写比读多，果断默认吧。
HBase上Regionserver的内存分为两个部分，一部分作为Memstore，主要用来写；另外一部分作为BlockCache，主要用于读。
写请求会先写入Memstore，Regionserver会给每个region提供一个Memstore，当Memstore满64MB以后，会启动 flush刷新到磁盘。
读请求先到Memstore中查数据，查不到就到BlockCache中查，再查不到就会到磁盘上读，并把读的结果放入BlockCache。由于BlockCache采用的是LRU策略（Least Recently Used 近期最少使用算法），因此BlockCache达到上限(heapsize * hfile.block.cache.size * 0.85)后，会启动淘汰机制，淘汰掉最老的一批数据。
一个Regionserver上有一个BlockCache和N个Memstore，它们的大小之和不能大于等于内存 * 0.8，否则HBase不能启动。默认BlockCache为0.2，而Memstore为0.4。对于注重读响应时间的系统，可以将 BlockCache设大些，比如设置BlockCache=0.4，Memstore=0.39，以加大缓存的命中率。
hbase.hregion.memstore.block.multiplier
默认值：2
说明：当一个region里的memstore占用内存大小超过hbase.hregion.memstore.flush.size两倍的大小时，block该region的所有请求，进行flush，释放内存。
虽然我们设置了region所占用的memstores总内存大小，比如64M，但想象一下，在最后63.9M的时候，我Put了一个200M的数据，此时memstore的大小会瞬间暴涨到超过预期的hbase.hregion.memstore.flush.size的几倍。这个参数的作用是当memstore的大小增至超过hbase.hregion.memstore.flush.size 2倍时，block所有请求，遏制风险进一步扩大。
调优： 这个参数的默认值还是比较靠谱的。如果你预估你的正常应用场景（不包括异常）不会出现突发写或写的量可控，那么保持默认值即可。