单独启动或停止 HMaster | HRegionServer 的进程、HBase架构图Plus 及 读写流程、BlockCache、HBase的特点、RowKey、列簇、时间戳、Cell、Region分裂策略、Compaction操作、通过Hive 整合 HBase
单独 启动 或 停止 HMaster、HRegionServer 的进程
hbase-daemon.sh start/stop master/regionserverH -- 可以省略
HBase 架构图 Plus 及读写流程
BLockCache
BlockCache基于客户端对数据的访问频率，定义了三个不同的优先级，如下所示：
SINGLE：如果一个Block被第一次访问，则该Block被放在这一优先级队列中；
MULTI：如果一个Block被多次访问，则从single移到Multi中；
MEMORY：memory优先级由用户指定，一般不推荐，只用系统表才使用memory优先级；
HBase的特点
-
大：一个表可以有上亿行，上百万列。
-
面向列：面向列族（簇）的存储和权限控制，列（簇）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。
-
无模式（no Schema）：每一行都有一个可以排序的主键和任意多的列，列可以根据需要动态增 加，同一张表中不同的行可以有截然不同的列。
-
数据多版本：每个单元中的数据可以有多个版本，默认情况下，版本号自动分配， 版本号就是单元格插入时的时间戳。
-
数据类型单一：HBase中的数据都是字节数组，没有类型。
RowKey
与 NoSQL 数据库一样，Row Key 是用来检索记录的主键。
访问 HBase table 中的行，只有三种方式：
-
直接通过单个RowKey
get
-
指定RowKey的范围
scan
-
还可以指定跟RowKey有关的正则表达式等方式去访问
过滤器
最大长度是64KB，实际应用中长度一般为 10 ~ 100bytes
按照字典升序存储的（1 11 111 1111 2 22 3 4 5......）
列簇
属于表的Schema的一部分，在建表的时候必须指定至少一个Columns Family
HBase中的列归属于某一个列簇
HBase在储存、权限控制、版本控制都是在列簇层面上进行
一个列簇对应一个store
时间戳
就是一直提到的版本的概念，每条数据插入的时候都会记录插入时间（时间戳，64位整型）
如果有多个版本，会按照时间戳的倒序（时间戳越大，表示数据越新）储存数据，在获取的时候，如果不指定版本，那么会默认最新一条的数据
如果设置了TTL（Time to Live），那么HBase将会根据TTL以及数据的时间戳去删除过期的数据
Cell
Cell 是由 {row key，column(=< family> + < label>)，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。
Region的分裂策略
region中存储的是一张表的数据，当region中的数据条数过多的时候，会直接影响查询效率。当region过大的时候，region会被拆分为两个region，HMaster会将分裂的region分配到不同的regionserver上，这样可以让请求分散到不同的RegionServer上，已达到负载均衡 , 这也是HBase的一个优点 。
-
ConstantSizeRegionSplitPolicy
0.94版本前，HBase region的默认切分策略
当region中最大的store大小超过某个阈值(hbase.hregion.max.filesize=10G)之后就会触发切分，一个region等分为2个region。
但是在生产线上这种切分策略却有相当大的弊端（切分策略对于大表和小表没有明显的区分）：
- 阈值(hbase.hregion.max.filesize)设置较大对大表比较友好，但是小表就有可能不会触发分裂，极端情况下可能就1个，形成热点，这对业务来说并不是什么好事。
- 如果设置较小则对小表友好，但一个大表就会在整个集群产生大量的region，这对于集群的管理、资源使用、failover来说都不是一件好事。
-
IncreasingToUpperBoundRegionSplitPolicy
0.94版本~2.0版本默认切分策略
总体看和ConstantSizeRegionSplitPolicy思路相同，一个region中最大的store大小大于设置阈值就会触发切分。
但是这个阈值并不像ConstantSizeRegionSplitPolicy是一个固定的值，而是会在一定条件下不断调整，调整规则和region所属表在当前regionserver上的region个数有关系.region split阈值的计算公式是：
-
设regioncount：是region所属表在当前regionserver上的region的个数
-
阈值 = regioncount^3 * 128M * 2，当然阈值并不会无限增长，最大不超过MaxRegionFileSize（10G),当region中最大的store的大小达到该阈值的时候进行region split
例如：
- 第一次split阈值 = 1^3 * 256 = 256MB
- 第二次split阈值 = 2^3 * 256 = 2048MB
- 第三次split阈值 = 3^3 * 256 = 6912MB
- 第四次split阈值 = 4^3 * 256 = 16384MB > 10GB，因此取较小的值10GB
- 后面每次split的size都是10GB了
特点
- 相比ConstantSizeRegionSplitPolicy，可以自适应大表、小表；
- 在集群规模比较大的情况下，对大表的表现比较优秀
- 对小表不友好，小表可能产生大量的小region，分散在各regionserver上
- 小表达不到多次切分条件，导致每个split都很小，所以分散在各个regionServer上
-
-
SteppingSplitPolicy
2.0版本默认切分策略
相比 IncreasingToUpperBoundRegionSplitPolicy 简单了一些
region切分的阈值依然和待分裂region所属表在当前regionserver上的region个数有关系- 如果region个数等于1，切分阈值为flush size 128M * 2
- 否则为MaxRegionFileSize。
这种切分策略对于大集群中的大表、小表会比 IncreasingToUpperBoundRegionSplitPolicy 更加友好，小表不会再产生大量的小region，而是适可而止。
-
KeyPrefixRegionSplitPolicy
根据rowKey的前缀对数据进行分区，这里是指定rowKey的前多少位作为前缀，比如rowKey都是16位的，指定前5位是前缀，那么前5位相同的rowKey在相同的region中。
-
DelimitedKeyPrefixRegionSplitPolicy
保证相同前缀的数据在同一个region中，例如rowKey的格式为：userid_eventtype_eventid，指定的delimiter为 _ ，则split的的时候会确保userid相同的数据在同一个region中。
按照分隔符进行切分，而KeyPrefixRegionSplitPolicy是按照指定位数切分。 -
BusyRegionSplitPolicy
按照一定的策略判断Region是不是Busy状态，如果是即进行切分
如果你的系统常常会出现热点Region，而你对性能有很高的追求，那么这种策略可能会比较适合你。它会通过拆分热点Region来缓解热点Region的压力，但是根据热点来拆分Region也会带来很多不确定性因素，因为你也不知道下一个被拆分的Region是哪个。
-
DisabledRegionSplitPolicy
不启用自动拆分, 需要指定手动拆分
Compaction操作
Minor Compaction：
- 指选取一些小的、相邻的StoreFile将他们合并成一个更大的StoreFile，在这个过程中不会处理已经Deleted或Expired的Cell。一次 Minor Compaction 的结果是更少并且更大的StoreFile。
Major Compaction：
- 指将所有的StoreFile合并成一个StoreFile，这个过程会清理三类没有意义的数据：被删除的数据、TTL过期数据、版本号超过设定版本号的数据。另外，一般情况下，major compaction时间会持续比较长，整个过程会消耗大量系统资源，对上层业务有比较大的影响。因此线上业务都会将关闭自动触发major compaction功能，改为手动在业务低峰期触发。
通过 Hive 整合 HBase
external -- 指定外部表
stored by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler' -- 由 stored by 指定一个 由 HBase 提供的 专门处理 HBase 上面数据的 一个类
with serdeproperties -- with 后面加上一个属性 HBase 上面列的一个映射 "hbase.columns.mapping" ，这里的映射是按照位置顺序来映射的，并不是按照名字
tblproperties -- 这个属性指定了 HBase 中的表名
其实就是把 HBase 上的表 映射到 Hive 上去处理
create external table students_hbase
(
id string,
name string,
age string,
gender string,
clazz string
)
stored by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
with serdeproperties ("hbase.columns.mapping" = "
:key,
info:name,
info:age,
info:gender,
info:clazz
")
tblproperties("hbase.table.name" = "default:stu");
