一、Hbase 基本介绍
简介
- hbase是bigtable的开源java版本。是建立在hdfs之上,提供高可靠性、高性能、列存储、可伸缩、实时读写nosql的数据库系统。
- 它介于nosql和RDBMS之间,仅能通过主键(row key)和主键的range来检索数据,仅支持单行事务(可通过hive支持来实现多表join等复杂操作)。
主要用来存储结构化和半结构化的松散数据。 - Hbase查询数据功能很简单,不支持join等复杂操作,不支持复杂的事务(行级的事务)
- Hbase中支持的数据类型:byte[]
- 与hadoop一样,Hbase目标主要依靠横向扩展,通过不断增加廉价的商用服务器,来增加计算和存储能力。
- HBase中的表一般有这样的特点:
大:一个表可以有上十亿行,上百万列
面向列:面向列(族)的存储和权限控制,列(族)独立检索。
稀疏:对于为空(null)的列,并不占用存储空间,因此,表可以设计的非常稀疏。
HBase的发展历程
HBase的原型是Google的BigTable论文,受到了该论文思想的启发,目前作为Hadoop的子项目来开发维护,用于支持结构化的数据存储。
官方网站:http://hbase.apache.org
- 2006年Google发表BigTable白皮书
- 2006年开始开发HBase
- 2008 HBase成为了 Hadoop的子项目
- 2010年HBase成为Apache顶级项目
二、HBase与Hadoop的关系
1、HDFS
- 为分布式存储提供文件系统
- 针对存储大尺寸的文件进行优化,不适用对HDFS上的文件进行随机读写
- 直接使用文件
- 数据模型不灵活
- 使用文件系统和处理框架
- 优化一次写入,多次读取的方式
2、HBase
- 提供表状的面向列的数据存储
- 针对表状数据的随机读写进行优化
- 使用key-value操作数据
- 提供灵活的数据模型
- 使用表状存储,支持MapReduce,依赖HDFS
- 优化了多次读,以及多次写
三、RDBMS与HBase的对比
1、关系型数据库
结构:
- 数据库以表的形式存在
- 支持FAT、NTFS、EXT、文件系统
- 使用Commit log存储日志
- 参考系统是坐标系统
- 使用主键(PK)
- 支持分区
- 使用行、列、单元格
功能:
- 支持向上扩展
- 使用SQL查询
- 面向行,即每一行都是一个连续单元
- 数据总量依赖于服务器配置
- 具有ACID支持
- 适合结构化数据
- 传统关系型数据库一般都是中心化的
- 支持事务
- 支持Join
2、HBase
结构:
- 数据库以region的形式存在
- 支持HDFS文件系统
- 使用WAL(Write-Ahead Logs)存储日志
- 参考系统是Zookeeper
- 使用行键(row key)
- 支持分片
- 使用行、列、列族和单元格
功能:
- 支持向外扩展
- 使用API和MapReduce来访问HBase表数据
- 面向列,即每一列都是一个连续的单元
- 数据总量不依赖具体某台机器,而取决于机器数量
- HBase不支持ACID(Atomicity、Consistency、Isolation、Durability)
- 适合结构化数据和非结构化数据
- 一般都是分布式的
- HBase不支持事务
- 不支持SQL
- 不支持Join
四、HBase特征简要
1)海量存储
Hbase适合存储PB级别的海量数据,在PB级别的数据以及采用廉价PC存储的情况下,能在几十到百毫秒内返回数据。这与Hbase的极易扩展性息息相关。正式因为Hbase良好的扩展性,才为海量数据的存储提供了便利。
2)列式存储
这里的列式存储其实说的是列族存储,Hbase是根据列族来存储数据的。列族下面可以有非常多的列,列族在创建表的时候就必须指定。
3)极易扩展
Hbase的扩展性主要体现在两个方面,一个是基于上层处理能力(RegionServer)的扩展,一个是基于存储的扩展(HDFS)。
通过横向添加RegionSever的机器,进行水平扩展,提升Hbase上层的处理能力,提升Hbsae服务更多Region的能力。
备注:RegionServer的作用是管理region、承接业务的访问,这个后面会详细的介绍通过横向添加Datanode的机器,进行存储层扩容,提升Hbase的数据存储能力和提升后端存储的读写能力。
4)高并发
由于目前大部分使用Hbase的架构,都是采用的廉价PC,因此单个IO的延迟其实并不小,一般在几十到上百ms之间。这里说的高并发,主要是在并发的情况下,Hbase的单个IO延迟下降并不多。能获得高并发、低延迟的服务。
5)稀疏
稀疏主要是针对Hbase列的灵活性,在列族中,你可以指定任意多的列,在列数据为空的情况下,是不会占用存储空间的。
五、HBase的基础架构
1、HMaster
功能:
- 监控RegionServer
- 处理RegionServer故障转移
- 处理元数据的变更
- 处理region的分配或移除
- 在空闲时间进行数据的负载均衡
- 通过Zookeeper发布自己的位置给客户端
2、RegionServer
功能:
- 负责存储HBase的实际数据
- 处理分配给它的Region
- 刷新缓存到HDFS
- 维护HLog
- 执行压缩
- 负责处理Region分片
六、HABSE底层原理
系统架构
组件:
Client:
访问hbase底层数据的入口,含访问hbase的API接口,维护着一些cache来加快对hbase的访问
Zookeeper:
1、 zk的选举机制 保证任何时候,集群中只有一个master
2、 实时监控Region Server的状态,将Region server的上线和下线信息实时通知给Master
3、 存贮所有Region的寻址入口
4 、存储Hbase的schema,包括有哪些table,每个table有哪些column family
Master职责
1、为Region server分配region
2、负责region server的负载均衡
3、发现失效的region server并重新分配其上的region
4、处理schema更新请求
Region Server职责
1、Region server维护Master分配给它的region,处理对这些region的IO请求
2 、Region server负责切分在运行过程中变得过大的region
可以看到,client访问hbase上数据的过程并不需要master参与(寻址访问zookeeper和region server,数据读写访问regione server),master仅仅维护者table和region的元数据信息,负载很低。
HBase的表数据模型
Row Key(hbase最重要的设计))
1、访问hbase数据的方式(作用在rowkey) 1 通过单个row key访问、
2、通过row key的start key, endkey
3、全表扫描 rowkey 的要求:最大长度是 64KB
Hbase会对表中的数据按照rowkey排序(字典顺序)
列族Column Family
列族是表的schema(表名称-列族)的一部分,而列不是。
每个列,都归属与某个列族
列Column
列族下面的具体列,属于某一个ColumnFamily
时间戳
时间戳可以由hbase(在数据写入时自动 )赋值,工程师也可以自己设置时间戳。
不同版本的数据按照时间倒序排序。
hbase提供了两种数据版本回收方式:
1 保存数据的最后n个版本
2 保存最近一段时间内的版本
hbase确定一个数据
{row key, column( = + ), version} 唯一确定的单元。
hbase物理存储结构 整体结构
一个regionserver内可以存储多个表的region
一个表内的region,只属于这个表。但是这个表的region,可能分配到不同的节点(regionserver)上。
region 的拆分
region按大小分割的(默认10G),每个表一开始只有一个region,当数据量达到阈值(10G)时,会将一个region 等分成两个region.
region是Hbase中分布式存储和负载均衡的最小单元,
regionserver与region是一对多的关系。一个region是能属于一个regionserver.一个regioserver可以存储多个 region
rgion内部细分
HRegion由一个或者多个Store组成,每个store保存一个column family。每个Strore又由一个memStore和0 至多个StoreFile组成
数据查询时,客户端检索数据时,先在memstore找,找不到再找storefile。
Hlog(WAL)
每个Region Server维护一个Hlog,而不是每个Region一个.
作用:数据在写入内存之前优先写入Hlog, 防止数据丢失。防止数据写入内存后,没有flush之前,断电导致内存内的数据丢失。
弊端:数据的写入速度相对较慢,慢的原因是数据写操作执行两次。
Hlog日志可以关闭,关闭后写入速度能够加快,但是存在数据丢失的风险。
Hlog日志的拆分
1、放数据写入日之后,如果发生异常,那么就会关闭当前日志文件, 2、日志人间大小维度:当日志文件大小达到一定的量时,就会关当前日志,生成新的日志。
日志的大小是HDFS数据块大小的0.95倍。
3、时间维度:默认的时间为1小时,即一个小时生成一个日志文件