重游HBase核心知识点总结
一、HBase介紹
?
1、基本概念
HBase是一種Hadoop數據庫，經常被描述為一種稀疏的，分布式的，持久化的，多維有序映射，它基于行鍵、列鍵和時間戳建立索引，是一個可以隨機訪問的存儲和檢索數據的平臺。HBase不限制存儲的數據的種類，允許動態的、靈活的數據模型，不用SQL語言，也不強調數據之間的關系。HBase被設計成在一個服務器集群上運行，可以相應地橫向擴展。
?
2、HBase使用場景和成功案例
-
互聯網搜索問題：爬蟲收集網頁，存儲到BigTable里，MapReduce計算作業掃描全表生成搜索索引，從BigTable中查詢搜索結果，展示給用戶。
-
抓取增量數據：例如，抓取監控指標，抓取用戶交互數據，遙測技術，定向投放廣告等
-
內容服務
-
信息交互
?
3、HBase Shell命令行交互：
啟動Shell $ hbase shell
列出所有的表 hbase > list
創建名為mytable的表，含有一個列族hb hbase > create ' mytable' , 'hb'
在‘mytable’表的'first'行中的‘hb:data’列對應的數據單元中插入字節數組‘hello HBase’
hbase > put 'mytable' , 'first' , 'hb:data' , 'hello HBase'
讀取mytable表 ‘first’行的內容 hbase > get 'mytable' , 'first'
讀取mytable表所有的內容 hbase > scan ‘mytable'
?
二、入門
?
1、API
和數據操作有關的HBase API有5個，分別是 Get(讀)，Put(寫)，Delete(刪)，Scan(掃描)和Increment(列值遞增)
?
2、操作表
首先要創建一個configuration對象
Configuration conf = HBaseConfiguration.create();
使用eclipse時的話還必須將配置文件添加進來。
conf.addResource(new Path("E:\\share\\hbase-site.xml"));
conf.addResource(new Path("E:\\share\\core-site.xml"));
conf.addResource(new Path("E:\\share\\hdfs-site.xml"));
使用連接池創建一張表。
HTablePool pool = new HTablePool(conf,1);
HTableInterface usersTable = pool.getTable("users");
?
3、寫操作
用來存儲數據的命令是put，往表里存儲數據，需要創建Put實例。并制定要加入的行
Put put = new Put(byte[] row) ;
Put的add方法用來添加數據，分別設定列族，限定符以及單元格的指
put.add(byte[] family , byte[] qualifier , byte[] value) ;
最后提交命令給表
usersTable.put(put);
usersTable.close();
修改數據，只需重新提交一次最新的數據即可。
HBase寫操作的工作機制：
?
?
HBase每次執行寫操作都會寫入兩個地方：預寫式日志（write-ahead log，也稱HLog）和MemStore（寫入緩沖區），以保證數據持久化，只有當這兩個地方的變化信息都寫入并確認后，才認為寫動作完成。MemStore是內存里的寫入緩沖區，HBase中數據在永久寫入硬盤之前在這里累積，當MemStore填滿后，其中的數據會刷寫到硬盤，生成一個HFile。
?
4、讀操作
創建一個Get命令實例，包含要查詢的行
Get get = new Get(byte[] row) ;
執行addColumn()或addFamily()可以設置限制條件。
將get實例提交到表會返回一個包含數據的Result實例，實例中包含行中所有列族的所有列。
Result r = usersTable.get(get) ;
可以對result實例檢索特定的值
byte[] b = r.getValue(byte[] family , byte[] qualifier) ;
工作機制：
?
BlockCache用來保存從HFile中讀入內存的頻繁訪問的數據，避免硬盤讀，每個列族都有自己的BlockCache。從HBase中讀出一行，首先會檢查MemStore等待修改的隊列，然后檢查BlockCache看包含該行的Block是否最近被訪問過，最后訪問硬盤上的對應HFile。
?
5、刪除操作
創建一個Delete實例，指定要刪除的行。
Delete delete = new Delete(byte[] row) ;
可以通過deleteFamily()和deleteColumn()方法指定刪除行的一部分。
?
6、表掃描操作
Scan scan = new Scan() 可以指定起始行和結束行。
setStartRow() , setStopRow() , setFilter()方法可以用來限制返回的數據。
addColumn()和addFamily()方法還可以指定列和列族。
HBase模式的數據模型包括：
表：HBase用表來組織數據。
行：在表里，數據按行存儲，行由行鍵唯一標識。行鍵沒有數據類型，為字節數組byte[]。
列族：行里的數據按照列族分組，列族必須事先定義并且不輕易修改。表中每行擁有相同的列族。
列限定符：列族里的數據通過列限定符或列來定位，列限定符不必事先定義。
單元：存儲在單元里的數據稱為單元值，值是字節數組。單元由行鍵，列族或列限定符一起確定。
時間版本：單元值有時間版本，是一個long類型。
一個HBase數據坐標的例子：
?
HBase可以看做是一個鍵值數據庫。HBase的設計是面向半結構化數據的，數據記錄可能包含不一致的列，不確定大小等。
?
?
三、分布式的HBase、HDFS和MapReduce
?
1、分布式模式的HBase
HBase將表會切分成小的數據單位叫region，分配到多臺服務器。托管region的服務器叫做RegionServer。一般情況下，RgionServer和HDFS DataNode并列配置在同一物理硬件上，RegionServer本質上是HDFS客戶端，在上面存儲訪問數據，HMaster分配region給RegionServer,每個RegionServer托管多個region。
?
HBase中的兩個特殊的表，-ROOT-和.META.，用來查找各種表的region位置在哪。-ROOT-指向.META.表的region，.META.表指向托管待查找的region的RegionServer。
一次客戶端查找過程的3層分布式B+樹如下圖：
?
HBase頂層結構圖：
?
zookeeper負責跟蹤region服務器，保存root region的地址。
Client負責與zookeeper子集群以及HRegionServer聯系。
HMaster負責在啟動HBase時，把所有的region分配到每個HRegion Server上，也包括-ROOT-和.META.表。
HRegionServer負責打開region，并創建對應的HRegion實例。HRegion被打開后，它為每個表的HColumnFamily創建一個Store實例。每個Store實例包含一個或多個StoreFile實例，它們是實際數據存儲文件HFile的輕量級封裝。每個Store有其對應的一個MemStore，一個HRegionServer共享一個HLog實例。
一次基本的流程：
a、 客戶端通過zookeeper獲取含有-ROOT-的region服務器名。
b、 通過含有-ROOT-的region服務器查詢含有.META.表中對應的region服務器名。
c、 查詢.META.服務器獲取客戶端查詢的行鍵數據所在的region服務器名。
d、 通過行鍵數據所在的region服務器獲取數據。
?
HFile結構圖：
?
Trailer有指向其他塊的指針，Index塊記錄Data和Meta塊的偏移量，Data和Meta塊存儲數據。默認大小是64KB。每個塊包含一個Magic頭部和一定數量的序列化的KeyValue實例。
?
KeyValue格式：
?
該結構以兩個分別表示鍵長度和值長度的定長數字開始，鍵包含了行鍵，列族名和列限定符，時間戳等。
?
預寫日志WAL：
每次更新都會寫入日志，只有寫入成功才會通知客戶端操作成功，然后服務器可以按需自由地批量處理或聚合內存中的數據。
編輯流在memstore和WAL之間分流的過程：
?
處理過程：客戶端通過RPC調用將KeyValue對象實例發送到含有匹配region的HRegionServer。接著這些實例被發送到管理相應行的HRegion實例，數據被寫入到WAL，然后被放入到實際擁有記錄的存儲文件的MemStore中。當memstore中的數據達到一定的大小以后，數據會異步地連續寫入到文件系統中，WAL能保證這一過程的數據不會丟失。
?
2、HBase和MapReduce
從MapReduce應用訪問HBase有3種方式：
作業開始時可以用HBase作為數據源，作業結束時可以用HBase接收數據，任務過程中用HBase共享資源。
-
使用HBase作為數據源
階段map
protected void map(ImmutableBytesWritable rowkey,Result result,Context context){
};
從HBase表中讀取的作業以[rowkey:scan result]格式接收[k1,v1]鍵值對，對應的類型是ImmutableBytesWritable和Result。
創建實例掃描表中所有的行
Scan scan = new Scan();
scan.addColumn(…);
接下來在MapReduce中使用Scan實例。
TableMapReduceUtil.initTableMapperJob(tablename,scan,map.class,
輸出鍵的類型.class,輸出值的類型.class,job);
-
使用HBase接收數據
reduce階段
protected void reduce(
ImmutableBytesWritable rowkey,Iterable<put>values,Context context){
};
把reducer填入到作業配置中，
TableMapReduceUtil.initTableReducerJob(tablename,reduce.class,job);
?
3、HBase實現可靠性和可用性
HDFS作為底層存儲，為集群里的所有RegionServer提供單一命名空間，一個RegionServer讀寫數據可以為其它所有RegionServer讀寫。如果一個RegionServer出現故障，任何其他RegionServer都可以從底層文件系統讀取數據，基于保存在HDFS里的HFile開始提供服務。接管這個RegionServerz服務的region。
?
四、優化HBase
?
1、隨機讀密集型
優化方向：高效利用緩存和更好的索引
-
增加緩存使用的堆的百分比，通過參數 hfile.block.cache.size 配置。
-
減少MemStore占用的百分比，通過hbase.regionserver.global.memstore.lowerLimit和hbase.regionserver.global.memstore.upperLimit來調節。
-
使用更小的數據塊，使索引的粒度更細。
-
打開布隆過濾器，以減少為查找指定行的Key Value對象而讀取的HFile的數量。
-
設置激進緩存，可以提升隨機讀性能。
-
關閉沒有被用到隨機讀的列族，提升緩存命中率。
?
2、順序讀密集型
優化方向：減少使用緩存。
-
增大數據塊的大小，使每次硬盤尋道時間取出的數據更多。
-
設置較高的掃描器緩存值，以便在執行大規模順序讀時每次RPC請求掃描器可以取回更多行。 參數 hbase.client.scanner.caching 定義了在掃描器上調用next方法時取回的行的數量。
-
關閉數據塊的緩存，避免翻騰緩存的次數太多。通過Scan.setCacheBlocks(false)設置。
-
關閉表的緩存，以便在每次掃描時不再翻騰緩存。
?
3、寫密集型
優化方向：不要太頻繁刷寫，合并或者拆分。
-
調高底層存儲文件（HStoreFile）的最大大小，region越大意味著在寫的時候拆分越少。通過參數 hbase.hregion.max.filesize設置。
-
增大MemStore的大小，通過參數hbase.hregion.memstore.flush.size調節。刷寫到HDFS的數據越多，生產的HFile越大，會在寫的時候減少生成文件的數量，從而減少合并的次數。
-
在每臺RegionServer上增加分配給MemStore的堆比例。把upperLimit設為能夠容納每個region的MemStore乘以每個RegionServer上預期region的數量。
-
垃圾回收優化，在hbase-env.sh文件里設置，可以設置初始值為：-Xmx8g -Xms8g -Xmn128m -XX:+UseParNewGC -XX:+UseConcMarkSweepGC
-XX:CMSInitiatingOccupancyFraction=70
-
打開MemStore-Local Allocation Buffer這個特性，有助于防止堆的碎片化。 通過參數hbase.hregion.memstore.mslab.enabled設置
?
4、混合型
優化方向：需要反復嘗試各種組合，然后運行測試，得到最佳結果。
?
影響性能的因素還包括：
-
壓縮：可以減少集群上的IO壓力
-
好的行鍵設計
-
在預期集群負載最小的時候手工處理大合并
-
優化RegionServer處理程序計數
總結
以上是生活随笔為你收集整理的重游HBase核心知识点总结的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： springboot配置定时任务及常用的
- 下一篇： eBay | 实践Hadoop任务的性能