分布式数据库HBase_非结构化数据存储到hbase

---

前言

一、HBase概述

1.1.1 什么是HBase

• HBase是一个分布式的、面向列的开源数据库
• HBase是Google BigTable的开源实现
• HBase不同于一般的关系数据库, 适合非结构化数据存储
• HBase是一种分布式、可扩展、支持海量数据存储的 NoSQL数据库。
• HBase是依赖Hadoop的。为什么HBase能存储海量的数据？因为HBase是在HDFS的基础之上构建的，HDFS是分布式文件系统。
• HBase在HDFS之上提供了高并发的随机写和支持实时查询，这是HDFS不具备的。
• 基于「列式存储」，存储数据的“结构”可以地非常灵活。

1.1.2 BigTable

• BigTable是Google设计的分布式数据存储系统，用来处理海量的数据的一种非关系型的数据库。
  • 适合大规模海量数据，PB级数据；
  • 分布式、并发数据处理，效率极高；
  • 易于扩展，支持动态伸缩
  • 适用于廉价设备；
  • 不适用于传统关系型数据的存储；

1.1.4 什么是非结构化数据存储

• 结构化数据
  • 适合用二维表来展示的数据

• 非结构化数据
• 
  • 非结构化数据是数据结构不规则或不完整
  • 没有预定义的数据模型
  • 不方便用数据库二维逻辑表来表现
  • 办公文档、文本、图片、XML, HTML、各类报表、图像和音频/视频信息

1.1.5 HBase在Hadoop生态中的地位

• HBase是Apache基金会顶级项目

• HBase基于HDFS进行数据存储

• HBase可以存储超大数据并适合用来进行大数据的实时查询

1.1.6 HBase与HDFS

• HBase建立在Hadoop文件系统上, 利用了HDFS的容错能力
• HBase提供对数据的随机实时读/写访问功能
• HBase内部使用哈希表, 并存储索引, 可以快速查找HDFS中数据

1.1.7 HBase使用场景

• 瞬间写入量很大
• 大量数据需要长期保存, 且数量会持续增长
• HBase不适合有join, 多级索引, 表关系复杂的数据模型
• 适合场景(大型互联网公司都用HBase)
• 表数据量大(至少亿级别以上) 写入量大(每天千万级别以上)
•  append型业务(比如日志,聊天记录等)
•  读取量相对少(读取:写入<=1/10)
•  读取场景简单、不经常变化、无排序要求
•  无跨行跨表事务要求

不适合场景

• HBase仅支持行级事务(银行业务基本不用HBase)
• 类似DW等全量读取(hive), 不太适合
   

1.2.4 HBase 与 传统关系数据库的区别

二.HBase数据模型

       HBase的设计理念依据google的BigTable论文，论文中对于数据模型的首句介绍

Bigtable是一个稀疏的，分布式的，持久的多维排序的map。

       之后对于映射的解释如下：

该映射由行建，列建和时间戳索引；映射中的每个值都是一个未解释的字节数组。

       最终HBase关于数据模型和BigTable的对应关系如下：

HBase使用与BigTable非常相似的数据模型。用户将数据行存储在带标签的表中。数据行具有可排序的键和任意数量的列。该表存储稀疏，因此如果用户喜欢，同意表中的行可以具有疯狂变化的列。

      最终理解Hbase数据模型的关键在于稀疏，分布式，多维，排序的映射，期中映射map值代非关系型数据库的key-value结构。

2.1、HBase逻辑结构

逻辑结构分析：

1.     Region：相当于表，数据量大的时候会进行切片，相当于数据库的水平分表分库。
2.     store：每个Store其实就是一个列族的数据（所以我们可以说HBase是基于列族存储的）
3.     列族（Column Family）：在HBase里边，先有列族，后有列；可以简单理解为：列的属性类别。
4.     列（Column Qualifier，列修饰符）：在HBase中用列修饰符（Column Qualifier）来标识每个列。
5.     行键（RowKey）：定位一行数据的唯一值。

2.2.HBase物理存储结构

       物理存储结构即为数据映射关系，而在概念试图的空单元格，底层实际根本不存储。

2.3数据模型

1. 表（Table）
HBase采用表来组织数据，表由行和列组成，列划分为若干个列族。

2. 行（Row）
每个HBase表都由若干行组成，每个行由行键（Row Key）来标识。访问表中的行只有3种方式：通过单个行键访问；通过一个行键的区间来访问；全表扫描。

3. 列族（Colume）
一个HBase表被分组成许多“列族”的集合，它是基本的访问控制单元。列族需要在表创建时就定义好，数量不能太多（HBase的一些缺陷使得列族数量只限于几十个），而且不要频繁修改。存储在一个列族当中的所有数据，通常都属于同一种数据类型，这通常意味着具有更高的压缩率。

4. 列限定符
列族里的数据通过列限定符（或列）来定位。列限定符不用事先定义，也不需要在不同行之间保持一致。列限定符没有数据类型，总被视为字节数组byte[]。

5. 单元格
在HBase表中，通过行、列族和列限定符确定一个“单元格”（Cell）。单元格中存储的数据没有数据类型，总被视为字节数组 byte[]。每个单元格中可以保存一个数据的多个版本，每个版本对应一个不同的时间戳。

6. 时间戳
每个单元格都保存着同一份数据的多个版本，这些版本采用时间戳进行索引。每次对一个单元格执行操作（新建、修改、删除）时，HBase都会隐式地自动生成并存储一个时间戳。

三.HBase架构角色

（1) Master实现类为HMaster，负责监控集群中所有的 RegionServer 实例。主要作用如下:“管理元数据表格 hbase:meta，接收用户对表格创建修改删除的命令并执行

（2)监控region 是否需要进行负载均衡，故障转移和region 的拆分。e通过启动多个后台线程监控实现上述功能

        周期性监控region 分布在regionServer 上面是否均衡，由参数 hbase.balancer.period 控周期时间，默认5 分钟。

定期检查和清理hbase:meta中的数据。meta表内容在进阶中介绍。

把master 需要执行的任记录到预写日志WAL中，如果 master 宕机，让 backupMaster读取日志继续干。
(2) Region Server
Region Server 实现类为 HRegionServer，主要作用如下:

• 负责数据 cell 的处理，例如写入数据 put，查询数据 get 等
• 拆分合并region 的实际执行者，有 master 监控，有regionServer 执行。

(3)Zookeeper
HBase 通过 7ookeeper 来做 master 的高可用、记录 RegionServer 的部署信息、并且存储有meta 表的位置信息。
HBase 对于数据的读写操作时直接访问 Zookeeper 的，在2.3 版本出 Master Registry模式，客户可以直接访间 master。使月此功能，会加大对 master 的压力，减轻对 Zokeeper的压力。
(4) HDFS
HDFS 为 Hbase 提供最终的底层数据存储服务，同时为 HBase 提供高容错的支持。

扩展知识

一.Dubboy框架（远程过程调用）

1.分布式系统中的相关概念

传统项目和互联网项目

大型互联网项目的架构目标

集群和分布式

进行集群的服务器-可以进行负载均衡，实现了高性能、高可用的目标

 同时进行集群和分布式的服务器-除了集群实现的功能和目标，还可以实现可伸缩、高可扩展的目标