HBase学习笔记
一、HBase简介
HBase 是基于hadoop的开源数据库，它以Google的BigTable为原型，设计并实习了具有高可靠度、高性能、列存储、可伸缩、实时读写的数据库，用于存储粗颗粒的结构化数据。
HBase 以行和列存储数据，每个表由行和列组成，每个列属于一个列族。在表中，列的定义为：<family>:<qualifier>(<列族>:<限定符>)。列族和限定符的概念有点类似与表中的一级列标题和二级列标题。由行和列确定的存储单元叫做元素（cell），每个元素保存着多个不同的版本，以时间戳来标识。HBase在磁盘上按照列族来存储。
行键是数据行在表中的唯一标识，作为检索记录的主键。在HBase 表中有三种方式访问表中的行：给出行键，给出行键的范围，全文检索。
时间戳对应每次数据操作所关联的时间，可以系统自动生成，也可以由用户显示赋值。HBase提供两种方式的数据回收方式：一是对于每个元素，只存储指定个数的最新副本，二是保存最近一段时间的所有副本。
元素由行键、列（<family>:<qualifier>）和时间戳唯一确定，元素中的数据按照字节码存储，没有类型之分。
二、HBse的物理模型
HBase 是按照列存储的系数行/列矩阵。表中的空值不被存储。
HBase 在行的方向上将表分成多个Region，每个Region包含一定范围（根据行键进行划分）的数据。每个表最初只有一个Region，随着表中的数据慢慢变大，超过某个阀值的时候，表被拆分成两个Region 。所以一段时间后，一个表会被拆分从多个Region。Region 是HBase 分布式存储和负载均衡的最小单位。一张表的所有Region 会被分布在不同的Region服务器上，但一个Region 内的数据之存在一个服务器上。物理上所有的数据全部存储在HDFS 上。通常一台计算机运行一个HRegionServer，没一个HRegionServer可以管理多个Region 实例（HRegion）。
同一个Region 中不同的列族的数据被存成不同的Store，每一个store又是由一个MemStore和零或多个StoreFile组成。StoreFile又是以Hfile的形式被存储在HDFS 上。当增加新的数据时，会首先存入MemStore，当超过一定的阀值时，HRegionServer 服务器会启动一个单独的线程将MemStore中的内容刷新到磁盘，形成新的StoreFIle。当StoreFIle 的数量增长到一定阀值后，就会合并成一个StoreFile 。StoreFile 在合并的过程中会变成更大的StoreFile ，当单个StoreFile 的大小超过某个阀值的时候，会把当前的Region 分割成两个Region，并由HMaster 分配到相应的Region 服务器上。
三、HBase 怎么实现分布式的写入、存储和读取
HBase 由Region 服务器（HRgeionServer ）和主服务器（HMaster）组成。HRgeionServer除了前面说的管理多个Region实例之外，他还维护着一个HLog，他是一个预写式日志（WAL，write-ahead log），用来做灾难备份的。由于每个Region 服务器只维护一个HLog ，所以这个服务器上的各个Region 的日志是混合的。这样是为了不断追加多个文件，同写多个文件而言，可以减少硬盘寻址次数，提高对表的写性能。但如果一个Region服务器挂掉，那么为了恢复他，需要将Region 上的Log 进行拆分，然后分发给其他Region服务器进行回复。
HMaster，HBase每个时刻只有一个HMaster在运行，他将Region 分配给HRegionServer，协调Region服务器的负载并维护集群状态。Hmaster不会对外提供服务，而是由HRegionServer负责所有的读写请求。如果HRegionServer发生故障，HMaster 会通过ZooKeeper感知到，并处理Log文件，将失效的Region进行重新分配。
当用户提出对于数据的操作请求时，先链接相关的HRegionServer 服务器，然后向Region提交变更，提交的数据会首先提交到WAL 和MemStore中。那么问题来了，用户怎么知道自己要查询的数据在哪个Region上，并且在哪个HRegionServer 上呢？这里就要用到元数据表的概念。用户的Regions数据被存储.META.表中，随着Region的增多，.META.表中的数据会增大，并分裂成多个Regions，为了定位.META.表中各个Regions的位置，吧.META.表中所有的Regions 的元素据保存在-ROOT-表中，最后由ZooKeeper记录-ROOT-表中的位置信息。
所以当用户访问数据时，应该首先访问ZooKeeper获得-ROOT-的位置，进一步获取.META.的位置，最后根据.META.表中的信息确定用户数据存放的位置。-Root-表永远不会被分割。这样，最到三次跳转就可以定位到任意一个Region。不过客户端会把查询过的信息缓存起来，且缓存不会主动失效。如果客户端根据缓存不能访问到数据，那么则询问只有i相关.META.表的Region服务器，如果还失效，则访问-ROOT-服务器，还失败，则访问ZooKeeper 。需要6次网络来回，才能定位到正确的Region。
四、如何配置HBase
如果之前已经配置好了Hadoop的环境，那么HBase的配置就是比较简单的。无论那种模式（单机模式、伪分布式还是分布式模式）基本上都要配置两个文件：{HBase_HOME}/conf/hbase-env.sh和{HBase_HOME}/conf/hbase-site.xml。
修改hbase-env.sh文件。单击模式：将JAVA_HOME设置为java的安装的根目录
伪分布式模式：将JAVA_HOME设置为java的安装的根目录、添加HBASE_CLASSPATH={hadoop_home}/conf
分布式模式：将JAVA_HOME设置为java的安装的根目录、添加HBASE_CLASSPATH={hadoop_home}/conf、添加HBASE_MANAGES_ZK并 将值设置为true。
修改hbase-site.xml文件：单机模式：设置hbase的目录，制定为本地的一个地址
伪分布式模式：设置hbase的目录，将其指向localhost，并制定HBase在HDFS上的存储路径。将hbase.cluster.dirtributed设置为true.
完全分布式模式：设置hbase的目录，将其指向集群中的NameNode，并制定HBase在HDFS上的存储路径。将hbase.cluster.dirtributed设 置为true.将hbase.zookeeper.quorum设置为所有Zookeeper检点的主机名或Ip地址（逗号隔开），默认为localhost。属性 hbase.zookeeper.property.dataDir表示zookeeper的目录，默认为/tmp。
除此之外，在完全分布式模式下，需要将hosts文件配置好。
五、HBase的基本shell操作和基本API 的使用
这一部分将会专门去看技术手册，后面会补上，下面介绍一下HBase 如何利用MapRedeuce实现大量数据的并行处理
六、HBase 如何利用MapRedeuce实现大量数据的并行处理
HBase集成了MapReduce框架，用于对大量数据进行并行处理。
1、InputFormat类，HBase 实现了TableInputFormatBase类，提供了了对表数据的大部分操作，其子类TableInputFormat提供了完整的实现，用于处理表数据并生成键值对。他将Region分成split，然后将Region按行键分成<key,value>对，key对应行键，value对应该行的数据。
2.Mapper和Reducer类。HBase 实现了TableMapper和TableReduce类，其中TableMaper没有实现具体功能，只是将key,value的类型限制为ImmutableByteWritable和Result。IdentidyTableMapper和IdentidyTableReduce则是傻瓜念书类的具体实现。
3.OutPutFormat，HBase实现的TableOutPutFormat将输出的<key,value>对写到具体的HBase的表中，该类不会对WAL 进行操作。
