HBase原理

1 HBase架构

2 HBase中的核心概念

3 HBase的存储机制

4 HBase的寻址机制

5 HBase的读写流程

6 HBase的设计

7 HBase和Hive的整合

HBase原理

1 HBase架构

HBase的架构为主从架构，HMaster为主节点，HRegionServer为从节点

（1）HMaster职责：

①进行Region的分配，每一个Region分配到哪一个RegionServer上；

②负责RegionServer的负载均衡

③通过zookeeper发小失效的RegionServer并重新分配在它上面的Region

④HDFS上的HBase的垃圾文件回收

⑤处理schema更新请求，表的创建，删除，更改，列簇的增加等，将schema写入到zookeeper中

（2）HRegionserver职责

①管理每个Region

②负责每一个Region的分裂

（3）zookeeper职责

①进行HMaster的active的选举，避免单点故障

②存储HBase的寻址机制

③存储RegionServer的存活状态，HMaster通过zookeeper获取每一个HRegionServer的状态

④存储表的schema表结构

2 HBase中的核心概念

（1）Region

每一个表的数据，都需要进行划分成多个Region，Region对HBase表的划分是在行的方向上的。一个Region代表一个表中的多行数据，一定是行键范围内的数据。

Region是HBase进行分布式存储的最小单位，负载均衡的的存储单位，注意并不是物理存储的最小单位。一个Region是不能再进行分割的，在分布式存储的时候一个Region只能存储在一个HRegionserver即一个节点上，一个HRegionserver是可以存储多个Region的。

一个HBase表刚创建的时候只有一个Region，进行数据插入的时候，写入的都是这一个Region，随着数据插入的，数据量不断的增加当数据量达到一定值的时候（默认为10G）就会进行切分，将一个Region切分为2个Region，一旦切分完成，就会面临Region的重新分配，由HMaster分配每一个Region存储在哪个HRegionServer，原来的那个Region就没用了，进行下线。

配置文件中对切分大小的配置如下：

<property><name>hbase.hregion.max.filesize</name><value>10737418240</value><description>Maximum HStoreFile size. If any one of a column families' HStoreFiles hasgrown to exceed this value, the hosting HRegion is split in two.</description>
</property>

每一个Region中一个列族的物理文件达到10G才进行切分，切分的时候是按照rowkey的中间值进行切分的。

一个表是对应多个Region，多个Region对应多个物理文件的（一个列族一个物理文件）。每一个Region 都有一个全局唯一的一个编号，hdfs位置为：/user/hbase/data/default（namespace）/table_hbase(table)/313c7bb8491d6207ac0153c0392cc392(region编号)

刚开始对Hbase中表数据进行插入操作时候，操作只有一个Region，在这个Region分裂之前操作的都是这一个Region 操作的只有一个Regionserver ，会出现数据热点，anemia如何解决呢，下面表设计时再进行介绍。

（2）Store

一个Store对应一个列族，Store是HBase物理存储的最小单位，1个Region对应多个Store，多个Store对应多个列族。一个Store中包含一个MemStore和多个StoreFile。

（3）MemStore

每一个Store中，都有一位于内存中的MemStore存储空间，写入数据的时候，每一个Store中的数据先写入到MemStore，读取数据的时候先从内存中读取MemStore。

（4）StoreFile

每一个Store有多个位于硬盘的StoreFile磁盘文件，当MemStore达到一定阈值（默认为128M）的时候，就会将数据flush，形成一个个的StoreFile，配置文件中的参数如下

<property><name>hbase.hregion.memstore.flush.size</name><value>134217728</value><description>Memstore will be flushed to disk if size of the memstoreexceeds this number of bytes.  Value is checked by a thread that runsevery hbase.server.thread.wakefrequency.</description>
</property>

（5）HFile

最终StoreFile文件以HFile格式存储在HDFS上。

（6）WAL（HLog）

WAL:write-ahead-log预写日志文件,为了防止在MemStore中数据丢失，在写入数据之前，会先将对数据的操作写入到WAL文件中。

一个HRegionServer中只会存储一个WAL文件，一个HREgionServer中的所有的Region共用一个WAL文件，便于管理日志。

3 HBase的存储机制

（1）0.96版本之前的存储机制

①原始表：存储原始数据的

②.meta表：存储原始数据的索引的，按照rowkey创建原始表索引

③-root-表：存储.meta表的索引的表，这个是最终索引，无论多大，只有一个Region不可分割了。-root-表的最终Region的存储位置存储在了zookeeper中，所以zookeeper中存储的是HBase的寻址路径。

（2）0.96版本之后的存储机制

①原始表：存储原始数据的

②.meta表：存储原始数据的索引的，按照rowkey创建原始表索引。.meta无论多大，只存储在一个Region，不可再进行分割了。.meta表的Region的存储位置存储在了zookeeper中。

.meta表中的一条数据相当于原始表至少10个G的数据，所以.meta表很难达到分割范围，除非数据量超级大才能达到。

4 HBase的寻址机制

HBase表最终会被拆分成一个个的Region，每一个Region可能会存储在不同的HRegionServer，每一个Region都是有独立编号的，无论读还是写操作，首先都要定位到在哪一个Region中，到对应的存储了该Region的HRegionServer上找到这个Region进行操作。

（1）0.96版本之前的寻址过程：

①客户端首先访问zookeeper，获取存储了-root-表的RegionServer的位置，以及Region的编号

②访问-root-表的Region，获取存储了.meta表的RegionServer的位置，以及Region的编号

③访问.meta表，获取可需要查询的rk所在的Region位置，获取原始数据的RegionServer的位置，以及Region的编号

④开始真正的访问对应RegionServer上的Region的的表数据

（2）0.96版本之后的寻址过程

①客户端首先访问zookeeper，获取存储.meta表的HRegionServer的位置，以及Region编号

②访问.meta表的Region，获取原始数据表中对应的HRegionServer的Region编号

③开始真正的访问对应RegionServer上的Region的的表数据

5 HBase的读写流程

（1）写流程（put|delete）

①客户端根据rowkey经常3次往返（寻址机制）找到对应的Region所在的RegionServer；

②客户端向RegionServer提交写请求；

③RegionServer找到目标Region

④Region检查数据是否与schema表结构的表名，列簇是否一致，一致则允许写入，不一致则报错直接返回。

⑤如果客户端没有指定版本，则获取当前的时间作为数据版本

⑥将更新操作写入到WAL文件中

⑦将更新写入到对应的Store中的MemSore

⑧判断MemStore是否需要flush刷新为StoreFile文件，默认当阈值MemStore文件大小达到128M的时候开始flush，形成StoreFile文件。

⑨当一个StoreFile的个数达到一定的阈值的时候就会触发compact合并，compact合并有minor compact和major compact：

minor join小合并，触发条件默认为StoreFile文件的个数达到3个的时候触发，将3个StoreFile合并为1个StoreFile文件，这个合并是没有任何逻辑操作的，只是物理操作，简单的将文件进行累加合并，只是在文件的个数上减少了，不会对真正需要删除的数据进行删除，只是打了标记，客户端看不到。

major join：当达到阈值（默认为7天）后，会将7天的多个HFile文件进行合并为1个HFile，这个合并是执行逻辑操作的，进行真正的数据删除，将所有需要删除的数据进行真正的合并删除。需要删除的数据有以下几种：

1）执行delete操作的数据；

2）版本超过给定的需要保存的版本的数据，将过期的数据删除

3）TTL过期的数据

⑩判断一个Store中的所有文件的总大小是否达到Region的切分标准，默认为128M，达到切分标准就会对Region进行切分，HMaster对新的Region进行重新的分配，丢弃旧的Region。

（2）读流程（get|scan）

①客户端根据rowkey经过3次往返（寻址机制）找到对应的Region所在的RegionServer

②客户端向对应的RegionServer的·Region发送读数据请求

③客户端先在Region的对应的Store的MemStore(Blockcache)中进行读取

④MemStore有数据则直接返回，没有数据则到HFile文件进行读取。

6 HBase的设计

（1）表设计

①防止数据热点问题，建表的时候最好进行表的预分区，插入数据的时候，rowkey不要顺序递增。

HBase中你的数据热点：进行读写操作的时候，频繁操作某一个Region造成这个Region所在的RegionServer热点，根源是经常访问的数据集中分配到了个别Region

②列族不建议过多

（2）列族设计

①将具有相同io属性的列放在同一个列簇中；

②列簇不宜过多，不要超过3个，因为不同的列簇需要跨文件访问

（3）行键设计

思路：首先根据业务，需要安装哪一个字段查询，然后要避免热点产生

①保证唯一性

②不宜过长，0-100byte，最好不要超过16byte，最好是8的倍数。原因如下

1）行键存储在每一个列簇文件中的StoreFile，如果太大会造成磁盘空间的浪费

2）行键信息也会写入到每一个Store的MemStore中，如果过长，会造成内存空间的极大浪费

2）大部分计算机的底层存储时8通道的

③散列性

rowkey是按照字典顺序排序的，如果rowkey过于集中，会造成数据操作集中在个别的Region上，造成数据热点

有效措施如下：

1）采用hash

2）加盐：在原生的rowkey前面加上随机数

3）反转：将字符串或时间戳进行反转

4）使用uuid或md5等方法

7 HBase和Hive的整合

HBase：是NoSQL分布式数据库，表结构是四维表。擅长做实时随机查询，没有分析函数join等

Hive：数据仓库，擅长做数据分许，有大量函数可以使用

HBase语法是不支持分析的，想要对HBase中的数据做数据分析就要将HBase和Hive整合，便于对HBase数据做统计分析。Hive读取HBase中的数据，将HBase中的数据转换二维表数据，需要hive-hbase-handler-2.3.2.jar包（整合的核心包）中的HBaseStorageHandler类，将HBase中的数据进行压平。

整个步骤如下：

①设置HBase的zookeeper访问路径：

set hbase.zookeeper.quorum=bigdata01:2181,bigdata02:2181,bigdata03:2181;

②设置HBase在zookeeper的访问路径，存储节点

set zookeeper.znode.parent=/hbase;

③将Hive的解析HBase的jar包添加到Hive的classpath下

add jar /home/refuel/opt/modules/apache-hive-2.3.2-bin/lib/hive-hbase-handler-2.3.2.jar;

整合完后在Hive中读取HBase的表，在Hive建表语句指定解析类，全关联如下

create external table Hive_HBase(rowkey string, base_info map<string, string>, extra_info map<string, string>) 
row format delimited fields terminated by '\t' 
stored by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
with serdeproperties ("hbase.columns.mapping" = ":key,base_info:,extra_info:")
tblproperties ("hbase.table.name" = "Hive_HBase");with serdeproperties   指定hbase表和hive的对应关系的
hbase.columns.mapping   指定hbase表和hive表映射   和hive中的建表语句一一对应的指定hbase 对应值的时候  k（列族名）:v（列族下的对应的列和值） key:base_infovalue:  name:zs    age:12              :key   获取rowkey 的值
hbase.table.name：  指定对应的表名

部分关联如下

create external table Hive_HBase02(rowkey string,name string,age int,math int) 
row format delimited fields terminated by '\t' 
stored by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
with serdeproperties ("hbase.columns.mapping" = ":key,base_info:name,base_info:age,extra_info:math") 
tblproperties ("hbase.table.name" = "Hive_HBase02");

8 HBase的BulkLoad

HBase的数据导入有3种方式：①put方式一条条插入；②MapReduce方式并发导入；③BulkLoad方式

MapReduce与put方式导入数据的过程：文本数据---》HRegionServer---》WAL---》MemStore---》StoreFile---》HFile

BulkLoad方式将文本数据（结构化或半结构化）直接转换为HFile格式的数据，转换完成之后再将这个HFile数据放置在HBase的对应的表的存储目录下

所以BulkLoad的优势是省去了中间的写入数据的复杂的过程，直接得到最终的结果，效率极高。

BulkLoad如何进行海量数据的导入的呢？，如下两个重要的类

（1）HBase中提供了一个进行数据装换的类PutSortReducer将数据封装为HFile需要的格式

ImmutableBytesWritable：行键 Put：需要插入的数据对象 KeyValue：单元格

（2）HBase中还提供了一个输出格式的类HFileOutputFormat2 ，数据的为HFile格式数据，而不是文本。

所以实现如下：

Map端：

读取每一行文本数据，并封装PutSortReducer需要的数据

输出的key为ImmutaByteaWritable，输出的value为Put

Reduce端：

使用PutSortReducer类，进行准备Hfile需要的数据

驱动类：

文件输出格式采用HFileOutputFormat2

注意：上面的这些操作仅仅是将文本数据转换为HFile格式的数据。转换完成之后，还要将这个HFile数据放置在HBase的对应的表的存储目录下面。

具体实现代码如下：

import java.io.IOException;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.KeyValue;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.Admin;
import org.apache.hadoop.hbase.client.Connection;
import org.apache.hadoop.hbase.client.ConnectionFactory;
import org.apache.hadoop.hbase.client.HTable;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2;
import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;public class BulkLoadMR {static class MyMapper extends Mapper<LongWritable, Text, ImmutableBytesWritable, Put> {ImmutableBytesWritable mk = new ImmutableBytesWritable();@Overrideprotected void map(LongWritable key, Text value,Mapper<LongWritable, Text, ImmutableBytesWritable, Put>.Context context)throws IOException, InterruptedException {String[] datas = value.toString().split("\t");if (datas.length == 3) {mk.set(datas[0].getBytes());Put p = new Put(datas[0].getBytes());p.addColumn("column_faily1".getBytes(), "name".getBytes(), datas[1].getBytes());p.addColumn("column_faily2".getBytes(), "age".getBytes(), datas[2].getBytes());context.write(mk, p);}}}public static void main(String[] args) throws Exception {Configuration conf = new Configuration();conf.set("fs.defaultFS", "hdfs://bigdatagroup/");conf.set("hbase.zookeeper.quorum", "bigdata01:2181,bigdata02:2181,bigdata03:2181");Job job = Job.getInstance(conf);job.setJarByClass(BulkLoadMR.class);job.setMapperClass(MyMapper.class);job.setMapOutputKeyClass(ImmutableBytesWritable.class);job.setMapOutputValueClass(Put.class);job.setOutputKeyClass(ImmutableBytesWritable.class);job.setOutputValueClass(KeyValue.class);FileInputFormat.addInputPath(job, new Path("/data/student"));// 指定输出HFileOutputFormat2job.setOutputFormatClass(HFileOutputFormat2.class);// 进行输出HFileOutputFormat2.setOutputPath(job, new Path("/user/hbase/bulkload"));Connection conn = ConnectionFactory.createConnection(conf);HTable table = (HTable) conn.getTable(TableName.valueOf("table_bulkload"));// 设置对应表 参数1 job 参数2 表对象 参数3 加载region相关参数的// 准备需要的操作HFileOutputFormat2.configureIncrementalLoad(job, table, table.getRegionLocator());job.waitForCompletion(true);// 上面的这些操作仅仅是将文本数据转换为HFile格式的数据。// 转换完成之后，还要将这个HFile数据放置在HBase的对应的表的存储目录下面。LoadIncrementalHFiles loadH = new LoadIncrementalHFiles(conf);Admin admin = conn.getAdmin();// 进行加载// 参数1 hdfs 输出hfile 路径 参数2 admin 参数3 table 参数4：regioin信息对象loadH.doBulkLoad(new Path("/user/hbase/bulkload"), admin, table, table.getRegionLocator());}
}