一、HBase简介
HBase是一个开源的、分布式的、版本化的NoSQL数据库（即非关系型数据库），依托Hadoop分布式文件系统HDFS提供分布式数据存储，利用MapReduce来处理海量数据，用Zookeeper作为其分布式协同服务，一般用于存储海量数据。HDFS和HBase的区别在于，HDFS是文件系统，而HBase是数据库。HBase只是一个NoSQL数据库，把数据存在HDFS上。可以把HBase当做是MySQL，把HDFS当做是硬盘。
二、HBase的数据结构
1、索引结构：LSM树
传统关系型数据普通索引采用B+树。B+树最大的性能问题是会产生大量的随机IO，随着新数据的插入，叶子节点会慢慢分裂，逻辑上连续的叶子节点在磁盘存储上往往不连续，分离得很远，随机读写概率会变大，做范围查询时，会产生大量读随机IO。为了克服B+树的弱点，HBase引入了LSM树的概念，即Log-Structured Merge-Trees，直译为日志结构合并树。基于LSM树实现的HBase的写性能相比Mysql放弃部分磁盘读性能，换取写性能的大幅提升。
LSM树严格来说不是一个具体的数据结构，更多是一种数据结构的设计思想。LSM树不是一棵树，而是由至少两个存储结构构成。假设这两颗树分别为C0和C1，C0比较小，全部驻于内存之中，具体可以是任何方便健值查找的数据结构。而C1则驻于机械硬盘。一条新的记录先是从C0中插入，如果这一次的插入造成了C0数据量超出了阀值，那么C0中的部分些数据片段则会直接合并到C1树中。如果有多级树，当C1体量越来越大就向C2合并，低级的树在达到大小阈值后也会在磁盘中进行合并，以此类推，一直往上合并Ck。
LSM树的设计思想：
划分不同等级的树。将对数据的修改增量保持在内存中，数据更新只在内存中操作，没有磁盘访问。达到指定的大小限制后将这些修改操作批量写入磁盘。由于内存的读写速率都比磁盘要快非常多，因此数据写入内存的效率很高。随着小树越来越大，达到指定的阀值限制后将这些修改操作批量写入磁盘，磁盘中的树定期做多路归并操作，合并成一棵大树，以优化读性能。随机读写比顺序读写慢很多，为了提升IO性能，需要将随机操作变为顺序操作。LSM树使用日志文件和一个内存存储结构把随机写转化成顺序写，读写独立，数据从内存刷入磁盘时是预排序的，写性能大幅提升。读取的时候稍微麻烦，需要先看是否命中内存，如果读取的是最近访问过的数据则可以命中，否则需要访问较多的磁盘文件。
使用LSM树的数据库除了HBase，还有nessDB、levelDB、TiDB、RocksDB等。
（图中MongoDB只有WiredTiger(WT)存储引擎既支持B-树，又支持LSM树存储索引。）
2、存储结构
HBase的LSM树中存储的是多个Key-Value结构组成的集合，每一个Key-Value一般都会用一个字节数组来表示。这个字节数组串设计如图所示：
（图源：胡争，范欣欣《HBase原理与实践》第二章《基础数据结构与算法》）
字节数组主要分为以下几个字段。其中Rowkey、Family、Qualifier、Timestamp、Type这5个字段组成KeyValue中的key部分。
• keyLen：用来存储KeyValue结构中Key所占用的字节长度。
• valueLen：用来存储KeyValue结构中Value所占用的字节长度。
• rowkeyLen：用来存储rowkey占用的字节长度。
• rowkeyBytes：用来存储rowkey的二进制内容。
• familyLen：用来存储Family占用的字节长度。
• familyBytes：用来存储Family的二进制内容。
• qualif ierBytes：用来存储Qualif ier的二进制内。注意，HBase并没有单独分配字节用来存储qualif ierLen，因为可以通过keyLen和其他字段的长度计算出qualif ierLen。
• timestamp：表示timestamp对应的long值。
• type：表示这个KeyValue操作的类型，HBase内有Put、Delete、Delete Column、DeleteFamily，等等。
HBase的LSM树在内存一般采用跳跃表存储，跳跃表的查找、删除、插入的复杂度都是O(logN)。
LSM树在磁盘中的数据结构也不是树结构，而是Key-Value结构组成的序列，称为SSTable(Sorted String Table)有序字符串表。当SSTable太大时，为了加快SSTable的读取，可以将其划分为多个块，通过记录每个块的起始位置，构建每个SSTable的稀疏索引。这样在读SSTable前，通过索引就知道要读取的数据块磁盘位置了。SSTable索引需要永远加载在内存里。写是写内存，因此随机写十分快。读也是读内存里的 SSTable的索引，并且这里每一个SSTable索引如果用二分法查找，算法复杂度大致在O(lg(n))与O(n)之间，因此随机读也不慢。
3、表结构
与传统的关系型数据库类似，HBase也以表的形式组织数据，表也由行和列组成，不同的是，HBase采用列式存储。
如上图所示的表，如果采用列式存储，会存成下图的结构：
可以发现，列式存储就是把每列抽出来，然后关联上ID，实际上是用Key-Value结构保存的。这样的优点在于，当表格中有空缺时，可以充分利用存储空间。
对HBase来说，一行数据由一个行键（RowKey）和一个或多个相关的列以及它的值所组成。列的组成都是灵活的，行与行之间的列不需要相同。行键（RowKey）就是SSTable的key。
在HBase里边，先有列族（也叫“列簇”，Column Family），后有列。列族将一列或者多列组织在一起，HBase的每一个列都必须属于某个列族。HBase的列都得归属到列族中，如图所示：
数据写到HBase的时候都会被记录一个时间戳，这个时间戳被我们当做一个版本。比如说，我们修改或者删除某一条的时候，本质上是往里边新增一条数据，记录的版本加一了而已。如图所示：
被更新和删除的数据不会直接从磁盘上删除，而是为数据添加一个删除标记，查找时会跳过被删除的键，DBA运维会定期删除被标记删除的数据。因此，如果存在频繁覆盖删除需要提前向运维报备以免影响数据库性能。
三、HBase的使用
1、HBase的读写
HBase提供了多种模式、多种语言的访问接口。目前常用的包括Native Java API，Thrift和MapReduce模式。
（1）Java API是HBase提供的原生接口，具备完善的客户端处理逻辑，直接与HBase Server进行通信，效率最高，但受限于语言限制；
（2）Thrift不受语言限制，但会占用额外的网络带宽和处理时间；
（3）HBase还支持了MapReduce，可以通过编写MapReduce任务进行批量数据操作。
使用GoLang和PHP语言搭建的项目显然得用Thrift接口。
常用的HBase的数据操作get、scan和put三种。
（1）get实现随机读取功能，根据指定RowKey获取惟一一条记录。
（2）scan提供批量查询功能，按照指定的条件获取一批记录。通过指定起始和中止的key，即可获取所有包含在内的key对应的数据。可以通过setStartRow与setEndRow来限定范围，也可以通过setFilter方法添加过滤器，这也是分页、多条件查询的基础，用setCaching和setBatch方法能提高速度。
（3）put实现写入，如果要批量导入大规模数据，还可以采用bulkimport的方式。
2、行键（RowKey）设计
Rowkey相当于HBase中数据的主键。HBase中的数据是按照RowKey的ASCII字典顺序进行全局排序。可以使相关行彼此靠近存储。如果Rowkey设计不当会引发热点问题，即客户端大量的读写请求都集中在一个或几个节点上。从而导致性能下降。为防止数据写入时出现热点，数据被写入时应写入集群中的多个区域，而不是一次写入一个区域（Hregion）。
设计原则：
1、唯一原则，要保证Rowkey的唯一性。若HBase中同一表插入相同Rowkey，则原先的数据会被覆盖掉。设计Rowkey的时候，要充分利用这个排序的特点，将经常读取的数据存储到一块，将最近可能会被访问的数据放到一块。
2、长度原则。Rowkey长度越短越好，一般不要超过16字节。因为RowKey是一个二进制码流，可以是任意字符串，最大长度64KB，实际应用中一般为10-100字节，以byte[]形式保存。如果RowKey过长比如500个字节，1000万列数据仅RowKey就要占用5GB空间，非常影响HFile的存储效率。
3、散列原则。用时间戳作为Rowkey的前缀会导致大量数据堆积在一个区域进而导致热点问题。如果Rowkey是按时间戳的方式递增，不要将时间放在二进制码的前面，建议将Rowkey的高位作为散列字段，低位放时间字段。
3、列族（Column Family）的设计
设计原则：
1、列族的名称尽可能短，甚至可以是一个字符。例如，“d”表示数据/默认值。
2、HBase当前不能很好地处理超过两个或三个列族的数据，因此请保持列族的数量较少。最好使用一个列族。仅在数据访问通常是列范围的情况下才引入第二和第三列族。即，一次只查询一个列族，通常不会查询两个列族。
3、将相同IO特性的列放入同一列族。
4、多个列族中的数据（行数）分布大致均匀。
5、对于临时性的列族可以设置失效时间。一旦达到到期时间，HBase将自动删除行。
4、HBase Shell的安装和使用
HBase自带的操作工具只有HBase Shell这一命令行终端。通过HBase Shell工具，可以交互式地进行数据管理，包括插入数据、删除数据等。虽然也有一些第三方图形界面客户端支持HBase，如DBeaver、BigInsights、HbaseGUI，但系统部的HBase只支持HBase Shell。
安装HBase Shell需要先挑选一台用于安装的虚拟机，为该虚拟机安装Java环境。之后在系统部奇麟大数据的客户端管理页面选择“添加客户端账号”，申请为该虚拟机添加项目账号。申请通过后勾选机器，单击“部署Hadoop环境”在该机器上安装HBase Shell。
安装成功后，到虚拟机上使用sudo -iu命令先切换到项目账号。然后切换到目录cd $HBASE_HOME/bin，运行hbase shell，即可进入HBase Shell程序。
这里列出几个常用的HBase Shell命令：
| 名称 | 命令表达式 | | 查看存在哪些表 | list | | 添加数据 | put '表名称', '行键', '列族 : 列名', '值' | | 查看一行数据 | get '表名称', '行键' | | 查看指定列族的一行数据 | get '表名称', '行键', '列族' | | 查看指定列族及列名的数据 | get '表名称', '行键', '列族 : 列名', | | 查看表中的数据总量 | count '表名' | | 删除一个单元格的数据 | delete '表名' ,'行键' , '列族 : 列名' | | 删除一行所有数据 | delete '表名' ,'行键' | | 查看表的所有数据 | scan '表名'。注意，一般不应直接使用scan扫描整个表的海量数据。 | | 查看一列数据 | scan '表名' , '列族 : 列名' | | 查看帮助信息 | help |
5、MongoDB数据迁移HBase
使用kettle等工具可以把MongoDB数据库迁移到HBase。也可以使用MapReduce处理，速度远快于Java API和Thrift。
参考文献：
胡争，范欣欣.HBase原理与实践M.北京：机械工业出版社，2019
O’Neil, P., Cheng, E., Gawlick, D., & O’Neil, E. (1996). The log-structured merge-tree (LSM-tree). Acta Informatica, 33(4), 351-385.
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ |
