一、简介
- HBase是一个高可靠、高性能、面向列、可伸缩、实时读写的分布式数据库
- 利用Hadoop HDFS作为其文件存储系统,利用Hadoop MapReduce来处理HBase中的海量数据,利用Zookeeper作为其分布式协同服务
- 主要用来存储非结构化和结构化的松散数据
二、数据模型
1、Row Key
- 解决一行数据
- 按照字典顺序排序
- 最大存储64K的字节
2、Column Family列族 & qualifier列
- Hbase表中的每个列都归属某个列族,列族必须作为表模式(schema)定义的一部分预先给出。如create‘test’,‘course’;
- 列名以列族为前缀,每个“列族”都可以有多个列成员;如course:math,course:english,新的列族成员(列)可以随后按需、动态加入
- 权限控制、存储以及调优都是在列族层面进行的
- HBase把同一列族里面的数据存储在同一目录下,由几个文件保存
3、Timestamp时间戳
- 在HBase每个cell存储单元对同一份数据有多个版本,根据唯一的时间戳来区分每个版本之间的差异,不同版本的数据按照时间倒序排序,最新的数据版本排在最前面
- 时间戳的类型是64位整型
- 时间戳可由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
4、Cell单元格
- 由行和列的坐标交叉决定
- 单元格是有版本的
- 单元格的内容是为解析的字节数据:
- 由{row key,column(=<family>+<qualifier>),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储
5、HLog(WAL log)
- HLog文件就是一个普通的Hadoop Sequence File,Sequence File的Key是HLogKey对象,HLogKey中记录了写入数据的归属信息,除了table和region名字外,同时还包括sequence number和timestamp,timestamp是“写入时间”,sequence number的起始值为0,或者是最近一次存入文件系统中的sequence number
- HLog Sequence File的Value是HBase的KeyValue对象,即对应HFile中的KeyValue
二、HBase架构
1、Client
- 包含访问HBase的接口并维护cache来加快对HBase的访问
2、Zookeeper
- 保证任何时候,集群只有一个Master(--HA)
- 存储所有的Region的寻址入口(记录节点/数据相关信息)
- 实时监控Region server的上线和下线信息,并实时通知Master(--HA,健康检查)
- 存储HBase的schema和table元数据(记录节点/数据相关信息)
3、Master
- 为Region server分配region
- 负责Region server的负载均衡
- 发现失效的Region server并重新分配其上的region
- 管理用户对table的增删改操作
4、RegionServer
- RegionServer维护region,处理对这些region的I/O请求
- RegionServer负责切分在运行过程中变得过大的region
5、Region
- HBase自动把表水平划分成多个区域(region),每个region会保存一个表里某段连续的数据
- 每个表一开始只有一个region,随着数据不断插入表,region不断增大,当增大到一个阈值的时候,region就会等分两个新的region(裂变)
- 当table中的行不断增多,就会有越来越多的region,这样一张完整的表被保存在多个Regionserver上
6、Memstore与storefile
- 一个region由多个store组成,一个store对应一个CF(列族)
- store包括位于内存中的memstore和位于磁盘的storefile写操作先写入memstore,当memstore中的数据达到某个阈值,HRegionserver会启动flashcash进程写入storefile,每次写入形成单独的一个storefile
- 当storefile文件的数量增长到一定阈值后,系统会进行合并(minor:小范围,每次合并俩/不影响性能、major compaction:合并所有的小文件/需要大量时间),在合并过程中会进行版本合并和删除工作(majar),行成更大的storefile
- 当一个region所有storefile的大小和数量超过一定阈值后,会把当前的region分割为两个,并有HMaster分配到相应的regionserver服务器,实现负载均衡
- 客户端检查数据,先在memstore找,找不到再找storefile
三、物理存储模型
- Table在行的方向上分割为多个HRegion,每个HRegion分散在不同的RegionServer中。
- HRegion是HBase中分布式存储和负载均衡的最小单元
- HRegion由一个或者多个store组成,每个store保存一个columns family
- 每个store又由一个memstore和0至多个storefile组成