HBase

1.HBase是什么

HBase – Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。

HBase是Apache Hadoop中的一个子项目，Hbase依托于Hadoop的HDFS作为最基本存储基础单元，通过使用hadoop的DFS工具就可以看到这些这些数据 存储文件夹的结构,还可以通过Map/Reduce的框架(算法)对HBase进行操作，如下图所示：

HBase在产品中还包含了Jetty，在HBase启动时采用嵌入式的方式来启动Jetty，因此可以通过web界面对HBase进行管理和查看当前运行的一些状态，非常轻巧。

2.HBase数据模型

下面分别说说几个关键概念：

1）行键(RowKey)

　　 行键是字节数组, 任何字符串都可以作为行键；

 　  表中的行根据行键进行排序，数据按照Row key的字节序(byte order)排序存储；

　　所有对表的访问都要通过行键 （单个RowKey访问，或RowKey范围访问，或全表扫描)

2）时间戳（TimeStamp）

　　每个Cell可能又多个版本，它们之间用时间戳区分

3）列族（ColumnFamily）

　　CF必须在表定义时给出

　　每个CF可以有一个或多个列成员(ColumnQualifier)，列成员不需要在表定义时给出，新的列族成员可以随后按需、动态加入

　　数据按CF分开存储，HBase所谓的列式存储就是根据CF分开存储（每个CF对应一个Store），这种设计非常适合于数据分析的情形

4）单元格（Cell）

　　Cell 由行键，列族，限定符，时间戳唯一决定

　　Cell中的数据是没有类型的，全部以字节码形式存贮

5）区域(Region）

 　  HBase自动把表水平（按Row）划分成多个区域(region)，每个region会保存一个表里面某段连续的数据；

　　每个表一开始只有一个region，随着数据不断插入表，region不断增大，当增大到一个阀值的时候，region就会等分会两个新的region；

　　当table中的行不断增多，就会有越来越多的region。这样一张完整的表被保存在多个Region 上。

　　HRegion是HBase中分布式存储和负载均衡的最小单元。最小单元表示不同的HRegion可以分布在不同的HRegionServer上。但一个HRegion不会拆分到多个server上。

3.HBase物理模型

　　每个column family存储在HDFS上的一个单独文件中，空值不会被保存。
　　Key 和 Version number（即时间戳，timestamp）在每个 column family中均有一份；
　　HBase 为每个值维护了多级索引，即：<key, column family, column name, timestamp>

物理存储:

1、Table中所有行都按照row key的字典序排列；
2、Table在行的方向上分割为多个Region；
3、Region按大小分割的，每个表开始只有一个region，随着数据增多，region不断增大，当增大到一个阀值的时候，region就会等分会两个新的region，之后会有越来越多的region；
4、Region是Hbase中分布式存储和负载均衡的最小单元，不同Region分布到不同RegionServer上。

 

5、Region虽然是分布式存储的最小单元，但并不是存储的最小单元。Region由一个或者多个Store组成，每个store保存一个columns family；每个Strore又由一个memStore和0至多个StoreFile组成，StoreFile包含HFile；memStore存储在内存中，StoreFile存储在HDFS上。