PPT
【文档说明】分布式数据库教案课件.pptx，共(99)页，3.914 MB，由小橙橙上传
转载请保留链接：https://www.ichengzhen.cn/view-92358.html
以下为本文档部分文字说明：
1会计学分布式数据库提纲4.1概述4.2HBase访问接口4.3HBase数据模型4.4HBase的实现原理4.5HBase运行机制4.6HBase应用方案4.7HBase编程实践4.1概述从BigTable说起简介与传统关系数据库的对比分析从B
igTable说起主流解决方案厂商的发展策略及现状主流解决方案——Google云计算•数据存储在“云”中•数据访问不受地理位置限制•数据能够很方便的共享Google云计算技术具体包括：•Google文件系统海量数据分布存储技术(GFS)、•分布式计算编程模型
MapReduce、•分布式锁服务Chubby•分布式结构化数据存储系统Bigtable等。主流解决方案——Google云计算Google需要一个支持海量存储的文件系统购置昂贵的分布式文件系统与硬件？Googl
e设计GFS的动机是否可以在一堆廉价且不可靠的硬件上构建可靠的分布式文件系统？7为什么不使用当时现存的文件系统？Google所面临的问题与众不同不同的工作负载，不同的设计优先级（廉价、不可靠的硬件）
需要设计与Google应用和负载相符的文件系统Google设计GFS的动机8一个适用于大规模分布式数据处理相关应用的，可扩展的分布式文件系统。它基于普通的不算昂贵的硬件设备，实现了容错的设计，并且为大量客户端提供极高的聚合处理性能。GFSGFS
的假设与目标硬件出错是正常而非异常系统应当由大量廉价、易损的硬件组成必须保持文件系统整体的可靠性主要负载是流数据读写主要用于程序处理批量数据，而非与用户的交互或随机读写数据写主要是“追加写”，“插入写”非常
少需要存储大尺寸的文件存储的文件尺寸可能是GB或TB量级，而且应当能支持存储成千上万的大尺寸文件9将文件划分为若干块（Chunk）存储每个块固定大小（64M）通过冗余来提高可靠性每个数据块至少在3个数据块服务器上冗余数据块损坏概率？通过单个master来协调数据访问、元数据存
储结构简单，容易保持元数据一致性无缓存GFS的设计思路10GFS将容错的任务交给文件系统完成，利用软件的方法解决系统可靠性问题，使存储的成本成倍下降。GFS将服务器故障视为正常现象，并采用多种方法，从多
个角度，使用不同的容错措施，确保数据存储的安全、保证提供不间断的数据存储服务。GFS架构是怎样的？GFS系统架构Client（客户端）：应用程序的访问接口Master（主服务器）：管理节点，在逻辑上只有一个，保
存系统的元数据，负责整个文件系统的管理ChunkServer（数据块服务器）：负责具体的存储工作。数据以文件的形式存储在ChunkServer上控制流状态流IO并行需要存储的数据种类繁多：Google目前向公众开放的服务很多，需要处理的数据类型也非
常多。包括URL、网页内容、用户的个性化设置在内的数据都是Google需要经常处理的海量的服务请求：Google运行着目前世界上最繁忙的系统，它每时每刻处理的客户服务请求数量是普通的系统根本无法承受的商用数据库无法满足Google的需求：
一方面现有商用数据库设计着眼点在于通用性，根本无法满足Google的苛刻服务要求；另一方面对于底层系统的完全掌控会给后期的系统维护、升级带来极大的便利设计动机分布式结构化数据表Bigtable设计动机与目标基本目标高可用性Bigtable设计的重要目标之一就是确保几乎所有
的情况下系统都可用广泛的适用性Bigtable是为了满足系列Google产品而非特定产品存储要求简单性底层系统简单性既可减少系统出错概率，也为上层应用开发带来便利很强的可扩展性根据需要随时可以加入或撤销服务器BigTable为谷歌旗下的搜
索、地图、财经、打印、以及社交网站Orkut、视频共享网站YouTube和博客网站Blogger等业务提供技术支持。从BigTable说起BigTable是一个分布式存储系统,起初用于解决典型的互联网搜索问题
，利用谷歌提出的MapReduce分布式并行计算模型来处理海量数据，使用GFS作为底层数据存储，采用Chubby提供协同服务管理，可以扩展到PB级别的数据和上千台机器，具备广泛应用性、可扩展性、高性能和高可用性等特点。建立互联网索引1爬虫持续不断地抓取新页面，这些页面每页一行地存储到BigT
able里2MapReduce计算作业运行在整张表上，生成索引，为网络搜索应用做准备搜索互联网3用户发起网络搜索请求4网络搜索应用查询建立好的索引，从BigTable得到网页5搜索结果提交给用户数据模型Bigtable是一个分布式多
维映射表，表中的数据通过一个行关键字（RowKey）、一个列关键字（ColumnKey）以及一个时间戳（TimeStamp）进行索引Bigtable对存储在其中的数据丌做任何解析，一律看做字符串Bigtable的存储逻辑可以表示
为：(row:string,column:string,time:int64)→string数据模型行Bigtable的行关键字可以是任意的字符串，但是大小丌能超过64KB。Bigtable和传统的关系型数据库有很大丌同，它丌支持一般意义上的事务，但能保证对于行的读写操作具有
原子性（Atomic）表中数据都是根据行关键字进行排序的，排序使用的是词典序。一个典型实例，其中就是一个行关键字。丌直接存储网页地址而将其倒排是Bigtable的一个巧妙设计。带来两个好处:同一地
址域的网页会被存储在表中的连续位置，有利于用户查找和分析倒排便于数据压缩，可以大幅提高压缩率“内容：”“锚点：cnnsi.com”“锚点：my..look.ca”“com.cnn.www”“<html>…”“<html>…”“<html>…”“CNN.com”“CNN”t3t5t6t8t
9由于规模的问题，单个的大表丌利于数据处理，因此Bigtable将一个表分成了多个子表，每个子表包含多个行。子表是Bigtable中数据划分和负载均衡的基本单位。数据模型列Bigtable并丌是简单地存储所有的列关键字，而是将其组
织成所谓的列族每个族中的数据都属于同一个类型，并且同族的数据会被压缩在一起保存。引入了列族的概念之后，列关键字就采用下述的语法规则来定义：族名：限定词（family：qualifier）族名必须有意义，限定词则可以任意选定图中，内容、锚点都是丌同的族。而cnnsi.
com和则是锚点族中丌同的限定词族同时也是Bigtable中访问控制（AccessControl）基本单元，也就是说访问权限的设置是在族这一级别上进行的“内容：”“锚点：cnnsi.com”“锚点：my..look.ca”“com
.cnn.www”“<html>…”“<html>…”“<html>…”“CNN.com”“CNN”t3t5t6t8t9数据模型时间戳为了简化丌同版本的数据管理，Bigtable目前提供了两种设置：一种是保留最近的N个丌同版本，图中数据模型采取的就是这种方法，它保存最新的三个版本数据。另一
种就是保留限定时间内的所有丌同版本，比如可以保存最近10天的所有丌同版本数据。失效的版本将会由Bigtable的垃圾回收机制自动处理Google的很多服务比如网页检索和用户的个性化设置等都需要保存丌同时
间的数据，这些丌同的数据版本必须通过时间戳来区分。系统架构一个分布式的任务调度器，主要被用来处理分布式系统队列分组和任务调度Bigtable数据库的架构，由主服务器和分服务器构成，把数据库看成是一张大表，那么可将其划分
为许多基本的小表，这些小表就称为tablet，是bigtable中最小的处理单位了。主服务器负责将Tablet分配到Tablet服务器、检测新增和过期的Tablet服务器、平衡Tablet服务器之间的负载、
GFS垃圾文件的回收、数据模式的改变（例如创建表）等。Tablet服务器负责处理数据的读写，并在Tablet规模过大时进行拆分。Bigtable使用集群管理系统来调度任务、管理资源、监测服务器状态并处理服务器故障。BigTa
ble将数据存储分为两部分：最近的更新存储在内存中，较老的更新则以SSTable的格式存储在GFS，后者是主体部分，不可变的数据结构。写操作的内容插入到memtable中，当memtable的大小达到一个阈值时就冻结，然后创建一个新的memtable，旧的就转换成一个SSTable
写入GFS。使用分布式的锁服务Chubby来保证集群中主服务器的唯一性、保存Bigtable数据的引导区位置、发现Tablet服务器并处理Tablet服务器的失效、保存Bigtable的数据模式信息、保存存取控制列表。Bigtable主服务器Bigta
ble客户端Bigtable客户端程序库Bigtable子表服务器Bigtable子表服务器Bigtable子表服务器处理数据处理数据处理数据GoogleWorkQueueGFSChubby执行Open()操作负责故障处理及监控保存子表数据及日志负责元数据存储及主服
务器的选择执行元数据操作及负载平衡Bigtable主服务器Bigtable客户端Bigtable客户端程序库Bigtable子表服务器Bigtable子表服务器Bigtable子表服务器处理数据处理数据处理数据GoogleWorkQueueGFSChubby执行Open()操作负责故障处
理及监控保存子表数据及日志负责元数据存储及主服务器的选择执行元数据操作及负载平衡系统架构在Bigtable中Chubby主要有以下几个作用：1.选取并保证同一时间内叧有一个主服务器（MasterServer）
2.获取子表的位置信息3.保存Bigtable的模式信息及访问控制列表另外在Bigtable的实际执行过程中，Google的MapReduce等技术也被用来改善其性能系统架构Bigtable主要由三个部分组成：客户端程序库（Cli
entLibrary）,一个主服务器（MasterServer）和多个子表服务器（TabletServer）客户访问Bigtable服务时，首先要利用其库函数执行Open()操作来打开一个锁（实际上就是获取了文件
目录），锁打开以后客户端就可以和子表服务器进行通信和许多具有单个主节点分布式系统一样，客户端主要不子表服务器通信，几乎丌和主服务器进行通信，这使得主服务器的负载大大降低主服务主要进行一些元数据操作以及子表服务器之间负载
调度问题，实际数据是存储在子表服务器上Bigtable主服务器Bigtable客户端Bigtable客户端程序库Bigtable子表服务器Bigtable子表服务器Bigtable子表服务器处理数据处理数据处理数据GoogleWorkQueueGFSChubby执行Open()操作负责故障处
理及监控保存子表数据及日志负责元数据存储及主服务器的选择执行元数据操作及负载平衡HBase是一个高可靠、高性能、面向列、可伸缩的分布式数据库，是谷歌BigTable的开源实现，主要用来存储非结构化和半结构化的松散数据。HBase的目标是处理非常庞大的表，可以通过水平扩展的方式，利用廉价计算机集群处
理由超过10亿行数据和数百万列元素组成的数据表ETL工具BI报表RDBMSPigHiveSqoopMapReduceHBaseHDFS(HadoopDistributedFileSystem)ZookeeperAvroHadoop生态系统Had
oop生态系统中HBase与其他部分的关系HBase和BigTable的底层技术对应关系BigTableHBase文件存储系统GFSHDFS海量数据处理MapReduceHadoopMapReduce协同服务管理ChubbyZookeeper关系数据库已经流行很多年，并且Hadoop已经
有了HDFS和MapReduce，为什么需要HBase?Hadoop可以很好地解决大规模数据的离线批量处理问题，但受限于HadoopMapReduce编程框架的高延迟数据处理机制，无法满足大规模数据实时处理应用的需求HDFS面向批量访问模式，不是随机访问模式传统的通用关系型数
据库无法应对在数据规模剧增时导致的系统扩展性和性能问题（分库分表也不能很好解决）传统关系数据库在数据结构变化时一般需要停机维护；空列浪费存储空间因此，出现了一类面向半结构化数据存储和处理的高可扩展、低写入/查询延迟的系统，例如，键值数据库、文档数据库和列族数据库（如B
igTable和HBase等）。HBase已经成功应用于互联网服务领域和传统行业的众多在线式数据分析处理系统中。与传统关系数据库的对比分析HBase与传统的关系数据库的区别主要体现在以下几个方面：（1）数据类型：关系数据库采用关系模型，具有丰富的数据类型和存储方式，HBase则采用了更加简单的数据
模型，它把数据存储为未经解释的字符串。（2）数据操作：关系数据库中包含了丰富的操作，其中会涉及复杂的多表连接。HBase操作则不存在复杂的表与表之间的关系，只有简单的插入、查询、删除、清空等，因为HBase在设计上就避免了复杂的表和表之间
的关系。（3）存储模式：关系数据库是基于行模式存储的。HBase是基于列存储的，每个列族都由几个文件保存，不同列族的文件是分离的。与传统关系数据库的对比分析（4）数据索引：关系数据库通常可以针对不同列构建复杂的多个索引，以提高数据访问性能。HBase只有一个索引——行键
，通过巧妙的设计，HBase中的所有访问方法，或者通过行键访问，或者通过行键扫描，从而使得整个系统不会慢下来（5）数据维护：在关系数据库中，更新操作会用最新的当前值去替换记录中原来的旧值，旧值被覆盖后就不会存在。而在HBase中执行更新操作时，并不会删除
数据旧的版本，而是生成一个新的版本，旧有的版本仍然保留（6）可伸缩性：关系数据库很难实现横向扩展，纵向扩展的空间也比较有限。相反，HBase和BigTable这些分布式数据库就是为了实现灵活的水平扩展而开发的，能够轻易地通过在集群中增加或者减少硬件数量来实现性能的伸缩4.2HBa
se访问接口HBase访问接口类型特点场合NativeJavaAPI最常规和高效的访问方式适合HadoopMapReduce作业并行批处理HBase表数据HBaseShellHBase的命令行工具，最简单的接口适合HBase管理使用Th
riftGateway利用Thrift序列化技术，支持C++、PHP、Python等多种语言适合其他异构系统在线访问HBase表数据RESTGateway解除了语言限制支持REST风格的HttpAPI访问HBasePig使用PigLatin流式编程语言来处理HBase中的
数据适合做数据统计Hive简单当需要以类似SQL语言方式来访问HBase的时候4.3HBase数据模型数据模型概述数据模型相关概念数据坐标概念视图物理视图面向列的存储数据模型概述HBase是一个稀疏、多维度、排序的映射表，这张表的索引是行键、列族
、列限定符和时间戳每个值是一个未经解释的字符串，没有数据类型用户在表中存储数据，每一行都有一个可排序的行键和任意多的列表在水平方向由一个或者多个列族组成，一个列族中可以包含任意多个列，同一个列族里面的数据存储
在一起列族支持动态扩展，可以很轻松地添加一个列族或列，无需预先定义列的数量以及类型，所有列均以字符串形式存储，用户需要自行进行数据类型转换HBase中执行更新操作时，并不会删除数据旧的版本，而是生成一个新的版本，旧有
的版本仍然保留（这是和HDFS只允许追加不允许修改的特性相关的）数据模型相关概念表：HBase采用表来组织数据，表由行和列组成，列划分为若干个列族行：每个HBase表都由若干行组成，每个行由行键（rowkey）来标识。列族：一个HBa
se表被分组成许多“列族”（ColumnFamily）的集合，它是基本的访问控制单元列限定符：列族里的数据通过列限定符（或列）来定位单元格：在HBase表中，通过行、列族和列限定符确定一个“单元格”（cell），单元格中存储的数据没有数据类型，总
被视为字节数组byte[]时间戳：每个单元格都保存着同一份数据的多个版本，这些版本采用时间戳进行索引数据坐标HBase中需要根据行键、列族、列限定符和时间戳来确定一个单元格，因此，可以视为一个“四维坐
标”，即[行键,列族,列限定符,时间戳]键值[―201505003‖,―Info‖,―email‖,1174184619081]“xie@qq.com‖[―201505003‖,―Info‖,―email‖,1
174184620720]“you@163.com‖概念视图HBase数据的概念视图行键时间戳列族contents列族anchor"com.cnn.www"t5anchor:cnnsi.com=‖CNN‖t4anchor:my.look.ca
="CNN.com"t3contents:html="<html>..."t2contents:html="<html>..."t1contents:html="<html>..."物理视图HBase数据的物理视图:基于列的存储列族contents行键
时间戳列族contents"com.cnn.www"t3contents:html="<html>..."t2contents:html="<html>..."t1contents:html="<html>..."列族anchor行键时间戳列族anchor"com.cnn.www"t
5anchor:cnnsi.com=‖CNN‖t4anchor:my.look.ca="CNN.com"面向列的存储行式数据库和列式数据库示意图面向列的存储行式存储结构和列式存储结构4.4HBase的实现原理功能组件表和Re
gion的定位功能组件HBase的实现包括三个主要的功能组件：（1）库函数：链接到每个客户端（2）一个Master主服务器（3）许多个Region服务器主服务器Master负责管理和维护HBase表的分区
信息，维护Region服务器列表，分配Region，负载均衡Region服务器负责存储和维护分配给自己的Region，处理来自客户端的读写请求客户端并不是直接从Master主服务器上读取数据，而是在获得Region的存储位置信息后，直接从Region服务器上读取数据客户端并不依赖
Master，而是通过Zookeeper来获得Region位置信息，大多数客户端甚至从来不和Master通信，这种设计方式使得Master负载很小表和Region一个HBase表被划分成多个Region一个Region会分裂成多个新的Region按照行键字典序表Regi
onRegionRegion...表RegionRegionRegion...表RegionRegionRegionRegion...分裂•开始只有一个Region，后来不断分裂•Region拆分操作非常快，接近瞬间，因为拆分之后的Region读取的仍然是原
存储文件，直到“合并”过程把存储文件异步地写到独立的文件之后，才会读取新文件表和Region图4-7不同的Region可以分布在不同的Region服务器上表1RegionRegionRegionRegion表2Re
gionRegionRegionRegion„„Region服务器•每个Region默认大小是100MB到200MB（2006年以前的硬件配置）•每个Region的最佳大小取决于单台服务器的有效处理能力•目前
每个Region最佳大小建议1GB-2GB（2013年以后的硬件配置）•同一个Region不会被分拆到多个Region服务器•每个Region服务器存储10-1000个Region的定位HBase的三层结构ZooKeeper文件-ROOT-表.META.表................
..用户数据表.........用户数据表.........•元数据表，又名.META.表，存储了Region和Region服务器的映射关系当HBase表很大时，.META.表也会被分裂成多个Region•根数据表，又名-ROOT-表，记录所有元数据的具体位置-R
OOT-表只有唯一一个Region，名字是在程序中被写死的Zookeeper文件记录了-ROOT-表的位置的定位HBase的三层结构中各层次的名称和作用层次名称作用第一层Zookeeper文件记录了-ROOT-表的位置信息第二层-ROOT-表
记录了.META.表的Region位置信息-ROOT-表只能有一个Region。通过-ROOT-表，就可以访问.META.表中的数据第三层.META.表记录了用户数据表的Region位置信息，.META.表可以有多
个Region，保存了HBase中所有用户数据表的Region位置信息的定位为了加快访问速度，.META.表的全部Region都会被保存在内存中。假设.META.表的每行（一个映射条目）在内存中大约占
用1KB，并且每个Region限制为128MB，那么，上面的三层结构可以保存的用户数据表的Region数目的计算方法是：（-ROOT-表能够寻址的.META.表的Region个数）×（每个.META.表的Region可以寻址的用户数据
表的Region个数）•一个-ROOT-表最多只能有一个Region，也就是最多只能有128MB，按照每行（一个映射条目）占用1KB内存计算，128MB空间可以容纳128MB/1KB=217行，也就是说
，一个-ROOT-表可以寻址217个.META.表的Region。•同理，每个.META.表的Region可以寻址的用户数据表的Region个数是128MB/1KB=217。•最终，三层结构可以保存的Region数目是(128MB/1KB)×(1
28MB/1KB)=234个Region的定位客户端访问数据时的“三级寻址”•为了加速寻址，客户端会缓存位置信息，同时，需要解决缓存失效问题•寻址过程客户端只需要询问Zookeeper服务器，不需要连接Maste
r服务器ZooKeeper文件-ROOT-表.META.表..................用户数据表.........用户数据表.........4.5HBase运行机制系统架构服务器工作原理工作原理工作原理系统架构HBase的系统架构Region服务器Region
RegionRegion......数据节点数据节点...数据节点数据节点HBaseHDFSHadoopRegion服务器RegionRegionRegion...客户端ZookeeperMaster系统架构1.客户端客户端包含访问HBas
e的接口，同时在缓存中维护着已经访问过的Region位置信息，用来加快后续数据访问过程2.Zookeeper服务器Zookeeper可以帮助选举出一个Master作为集群的总管，并保证在任何时刻总有唯一一个Master在运行，这就避免了Master的“单点失效”问题Zookeepe
r是一个很好的集群管理工具，被大量用于分布式计算，提供配置维护、域名服务、分布式同步、组服务等。系统架构•3.Master•主服务器Master主要负责表和Region的管理工作：–管理用户对表的增加、删除、修改、查询等操作–实现不同Regi
on服务器之间的负载均衡–在Region分裂或合并后，负责重新调整Region的分布–对发生故障失效的Region服务器上的Region进行迁移•4.Region服务器–Region服务器是HBase中最核心的模块，负责维护分配给自己的Region，并响应用户的读写请求服务器工作原理
Region服务器集群Region服务器Region服务器Region服务器RegionRegionRegionHLogStoreMemStoreStoreFileStoreFileStoreFileStoreFileStoreMemStoreStore
FileStoreFileStoreFileStoreFileStoreMemStoreStoreFileStoreFileStoreFileStoreFileHFileHFileHFileHFileHFile......Region服务器向HDF
S文件系统中读写数据1.用户读写数据过程2.缓存的刷新3.StoreFile的合并服务器工作原理1.用户读写数据过程用户写入数据时，被分配到相应Region服务器去执行用户数据首先被写入到MemStore和Hlog中只有当操作写入Hlog之后，commit()调用才会将其返回给客户
端当用户读取数据时，Region服务器会首先访问MemStore缓存，如果找不到，再去磁盘上面的StoreFile中寻找服务器工作原理2.缓存的刷新系统会周期性地把MemStore缓存里的内容刷写到磁
盘的StoreFile文件中，清空缓存，并在Hlog里面写入一个标记每次刷写都生成一个新的StoreFile文件，因此，每个Store包含多个StoreFile文件每个Region服务器都有一个自己的HLog文
件，每次启动都检查该文件，确认最近一次执行缓存刷新操作之后是否发生新的写入操作；如果发现更新，则先写入MemStore，再刷写到StoreFile，最后删除旧的Hlog文件，开始为用户提供服务服务器工作原理3.StoreFile的合并
每次刷写都生成一个新的StoreFile，数量太多，影响查找速度调用Store.compact()把多个合并成一个合并操作比较耗费资源，只有数量达到一个阈值才启动合并工作原理StoreFile1
:64MStoreFile2:64MStoreFile3:64MStoreFile4:64MStoreFile5:256MStoreFile5A:128MStoreFile5B:128MStoreFile6:128MStoreFile
7:128M合并分裂StoreFile的合并和分裂过程•Store是Region服务器的核心•多个StoreFile合并成一个•单个StoreFile过大时，又触发分裂操作，1个父Region被分裂成两个子Region工
作原理分布式环境必须要考虑系统出错。HBase采用HLog保证系统恢复HBase系统为每个Region服务器配置了一个HLog文件，它是一种预写式日志（WriteAheadLog）用户更新数据必须
首先写入日志后，才能写入MemStore缓存，并且，直到MemStore缓存内容对应的日志已经写入磁盘，该缓存内容才能被刷写到磁盘工作原理•Zookeeper会实时监测每个Region服务器的状态，当某个Region服务器发生故障时，Zookee
per会通知Master•Master首先会处理该故障Region服务器上面遗留的HLog文件，这个遗留的HLog文件中包含了来自多个Region对象的日志记录•系统会根据每条日志记录所属的Region对象对HLog数据进行拆分，分别放到相应Region对象的目录下，然后，再将失效的Re
gion重新分配到可用的Region服务器中，并把与该Region对象相关的HLog日志记录也发送给相应的Region服务器•Region服务器领取到分配给自己的Region对象以及与之相关的HLog日志记录以后，会重
新做一遍日志记录中的各种操作，把日志记录中的数据写入到MemStore缓存中，然后，刷新到磁盘的StoreFile文件中，完成数据恢复•共用日志优点：提高对表的写操作性能；缺点：恢复时需要分拆日志复习4.1概述4.2HBase访问接口4.3HBase数据模型4.4HBase的实现原理
4.5HBase运行机制HBase逻辑模型以表的形式存放数据HBase物理模型HBase是按照列存储的稀疏行/列矩阵Hbase物理模型4.6HBase访问方式NativeJavaAPI最常规和高效的访问方式HBaseShellHBase的命令行工具，
最简单的接口，适合HBase管理使用；ThriftGateway利用Thrift序列化技术，支持C++，PHP，Python等多种语言，适合其他异构系统在线访问HBase表数据RESTGateway支持REST风格的HttpAPI访问HBase,
解除了语言限制MapReduce直接使用MapReduce作业处理Hbase数据使用Pig/hive处理Hbase数据HBaseJavaAPI概述Hbase是用Java语言编写的，支持Java编程是自然而然的事情支持CRUD操作：Create,Rea
d,Update,DeleteJavaAPI包含Hbaseshell支持的所有功能，甚至更多JavaAPI是访问Hbase最快的方式JavaAPI程序设计步骤步骤1：创建一个Configurat
ion对象包含各种配置信息例如：Configurationconf=HbaseConfiguration.create();步骤2：构建一个HTable句柄提供Configuration对象提供待访问Table的名称例如：HTabletable=newHTa
ble(conf,tableName);步骤3：执行相应的操作执行put、get、delete、scan等操作例如：table.getTableName();步骤4：关闭HTable句柄将内存数据刷新到磁盘上释放各种资源例如：table.close
();程序示例框架程序4.7HBase应用方案实际应用中的性能优化方法性能监视在HBase之上构建SQL引擎构建HBase二级索引HBase实际应用中的性能优化方法行键（RowKey）行键是按照字典序存储，因此，设
计行键时，要充分利用这个排序特点，将经常一起读取的数据存储到一块，将最近可能会被访问的数据放在一块。例子：如果最近写入HBase表中的数据是最可能被访问的，可以考虑将时间戳作为行键的一部分，由于是字典序排序，所以可以使用Long.MAX_VALUE-timest
amp作为行键，这样能保证新写入的数据在读取时可以被快速命中。HBase实际应用中的性能优化方法—创建表的时候，可以通过HColumnDescriptor.setInMemory(true)将表放到Region服务器的缓存中，保证在读取的时候被cache命中。•InMe
mory•MaxVersion—创建表的时候，可通过HColumnDescriptor.setMaxVersions(intmaxVersions)设置表中数据的最大版本，如果只需要保存最新版本的数据，那么可以设置setMaxVersions(1)。•TimeToLive—
创建表的时候，可以通过HColumnDescriptor.setTimeToLive(inttimeToLive)设置表中数据的存储生命期，过期数据将自动被删除，例如如果只需要存储最近两天的数据，那么可以设置setTimeToLive(2*24*60*
60)。性能监视•Master-status(自带)•Ganglia•OpenTSDB•AmbariMaster-status•HBaseMaster默认基于Web的UI服务端口为60010，HBaseregion服务器默认基于Web的UI服务端口为60030
.如果master运行在名为的主机中，mater的主页地址就是，用户可以通过Web浏览器输入这个地址查看该页面.•可以查看HBase集群的当前状态.GangliaGanglia是UCBerkeley发起的一个开源集群监视项目，用于监控系统性能Open
TSDBOpenTSDB可以从大规模的集群（包括集群中的网络设备、操作系统、应用程序）中获取相应的metrics并进行存储、索引以及服务，从而使得这些数据更容易让人理解，如web化，图形化等AmbariAmbari的作用就是创
建、管理、监视Hadoop的集群在HBase之上构建SQL引擎NoSQL区别于关系型数据库的一点就是NoSQL不使用SQL作为查询语言，至于为何在NoSQL数据存储HBase上提供SQL接口，有如下原因：1.易使用。使用诸如SQL这样易于理解的语言，使人们能够更加轻松地使用HBas
e。2.减少编码。使用诸如SQL这样更高层次的语言来编写，减少了编写的代码量。方案：1.Hive整合HBase2.Phoenix在HBase之上构建SQL引擎1.Hive整合HBaseHive与HBase的整合功能从版本已经开始出现，利用两者对外的API接口互相通信，通信
主要依靠hive_hbase-handler.jar工具包(HiveStorageHandlers)。由于HBase有一次比较大的版本变动，所以并不是每个版本的Hive都能和现有的HBase版本进行整合，所以在使用过程中特别注意的就是两者版本
的一致性。2.PhoenixPhoenix由Salesforce.com开源，是构建在ApacheHBase之上的一个SQL中间层，可以让开发者在HBase上执行SQL查询。构建HBase二级索引HBase只有一个针对行健的索引访问HBase表中的行，只有三种方式：•通过单个行健访问•
通过一个行健的区间来访问•全表扫描使用其他产品为HBase行健提供索引功能：•Hindex二级索引•HBase+Redis•HBase+solr构建HBase二级索引•Coprocessor提供了两个实现：endpoint和observer，endpoin
t相当于关系型数据库的存储过程，而observer则相当于触发器.observer允许我们在记录put前后做一些处理，因此，而我们可以在插入数据时同步写入索引表.•Coprocessor构建二级索引•缺点：每插入一条数据需要向索引表插入数据，即耗时是双倍的，对HB
ase的集群的压力也是双倍的优点：非侵入性：引擎构建在HBase之上，既没有对HBase进行任何改动，也不需要上层应用做任何妥协Hindex二级索引Hindex是华为公司开发的纯Java编写的HBase二级索引，兼容。当前特性：•多个表索引•多个列索引•基于部分列值的索引HBase+Red
isRedis+HBase方案•Coprocessor构建二级索引•Redis做客户端缓存•将索引实时更新到Redis等KV系统中，定时从KV更新索引到HBase的索引表中Solr+HBaseSolr是一个高性能，采用Java5开
发，基于Lucene的全文搜索服务器。同时对其进行了扩展，提供了比Lucene更为丰富的查询语言，同时实现了可配置、可扩展并对查询性能进行了优化，并且提供了一个完善的功能管理界面，是一款非常优秀的全文搜索引
擎。•Solr+HBase•Solr保存索引根据RowKey查询4.8HBase编程实践的安装与配置常用Shell命令常用JavaAPI及应用实例的安装与配置1.HBase安装•下载安装包•解压安装包至路径/usr/local•配置系统
环境,将hbase下的bin目录添加到系统的path中2.HBase配置HBase有三种运行模式，单机模式、伪分布式模式、分布式模式。以下先决条件很重要，比如没有配置JAVA_HOME环境变量，就会报错。–JDK–Ha
doop(单机模式不需要，伪分布式模式和分布式模式需要)–SSH备注：安装完Hadoop时，只包含HDFS和MapReduce等核心组件，并不包含HBase，因此，HBase需要单独安装启动关闭Hadoop
和HBase的顺序一定是：启动Hadoop—>启动HBase—>关闭HBase—>关闭HadoopHBASE_MANAGES_ZK=true，由HBase管理Zookeeper,否则启动独立的Zookeeper.建议：单机版HBase，使用自带Zookeeper
；集群安装HBase则采用单独Zookeeper集群4.8.2HBase常用Shell命令Shell命令帮助查询数据库状态•hbase(main):024:0>status•3servers,0dead,1.0000averageload查询数据库版本hbase(main):025:0>
version4.8.2HBase常用Shell命令4.8.2HBase常用Shell命令•create：创建表•list：列出HBase中所有的表信息例子1：创建一个表，该表名称为tempTable，包含3个列族f1，f2和f3（1）利用命令create创建表tem
pTable，表中有f1，f2，f3三个列族（2）利用list列出Hbase中所有的表信息4.8.2HBase常用Shell命令put：向表、行、列指定的单元格添加数据一次只能为一个表的一行数据的一个列添加一个数据
scan：浏览表的相关信息例子2：继续向表tempTable中的第r1行、第“f1:c1”列，添加数据值为“hello,dblab”（1）利用put命令向表tempTalble，行r1，列f1:c1中插入数据（2）利用scan命令浏览表tempTable的相关信息在添加数据时，HBase会自动
为添加的数据添加一个时间戳，当然，也可以在添加数据时人工指定时间戳的值.4.8.2HBase常用Shell命令get：通过表名、行、列、时间戳、时间范围和版本号来获得相应单元格的值例子3：（1）从tempTable中，获取第r1行、第“f1:c1”列的值（2）从tem
pTable中，获取第r1行、第“f1:c3”列的值备注：f1是列族，c1和c3都是列从运行结果可以看出：tempTable中第r1行、第“f1:c3”列的值当前不存在4.8.2HBase常用Shell命令•enable/disable：使表有效或无效•drop：删除表例子4：使表tempTab
le无效、删除该表（1）利用disable命令使表tempTable无效（2）利用drop命令删除表tempTable（3）利用list命令展示删除表tempTable后的效果4.8.3HBase常用JavaAPI及应用实例
HBase是Java编写的，它的原生的API也是Java开发的，不过，可以使用Java或其他语言调用API来访问HBase:首先要在工程中导入一下jar包：这里只需要导入hbase安装目录中的lib文件中的所有jar包，此处不用再导入Hadoop中的jar包，
避免由于Hadoop和HBase的版本冲突引起错误。4.8.3HBase常用JavaAPI及应用实例namescoreEnglishMathComputer学生信息表的表结构任务要求：创建表、插入数据、浏览数据创建一个学生信息表，用来存储学生姓名（姓名作为行
键，并且假设姓名不会重复）以及考试成绩，其中，考试成绩是一个列族，分别存储了各个科目的考试成绩。逻辑视图如表所示。namescoreEnglishMathComputerzhangsan698677lisi551
0088需要添加的数据configuration;publicstaticConnectionconnection;publicstaticAdminadmin;publicstaticvoidmain(String[]args)throw
sIOException{createTable(―student‖,newString[]{―score‖});insertData(―student‖,―zhangsan‖,―score‖,―English‖,―69‖);in
sertData(―student‖,―zhangsan‖,―score‖,―Math‖,―86‖);insertData(―student‖,―zhangsan‖,―score‖,―Computer‖
,―77‖);getData(―student‖,―zhangsan‖,―score‖,―English‖);}……publicstaticvoidinit(){……}//建立连接publicstaticvoidclose(){
……}//关闭连接publicstaticvoidcreateTable(){……}//创建表publicstaticvoidinsertData(){……}//插入数据publicstaticvoidgetData{……}//浏览数据}4.8.3HBase常用J
avaAPI及应用实例•建立连接，关闭连接//建立连接publicstaticvoidinit(){configuration=HBaseConfiguration.create();configuration.set("hbase.rootdir","hdfs://loc
alhost:9000/hbase");try{connection=ConnectionFactory.createConnection(configuration);admin=connection.getAdmin()
;}catch(IOExceptione){e.printStackTrace();}}hbase-site.xml<configuration><property><name>hbase.rootdir</name><value>hdfs
://localhost:9000/hbase</value></property></configuration>备注：（单机版）file:///DIRECTORY/hbase4.8.3HBase常用JavaAPI及应用实例//关闭连接publicstaticvoidclose()
{try{if(admin!=null){admin.close();}if(null!=connection){connection.close();}}catch(IOExceptione){e.printStackTrace();}
}•建立连接，关闭连接/*创建表*//***@parammyTableName表名*@paramcolFamily列族数组*@throwsException*/publicstaticvoidcreateTable(Stringmy
TableName,String[]colFamily)throwsIOException{TableNametableName=TableName.valueOf(myTableName);if(admin.table
Exists(tableName)){}else{HTableDescriptorhTableDescriptor=newHTableDescriptor(tableName);for(Stringstr:colFamily){HColumnDescriptorhColum
nDescriptor=newHColumnDescriptor(str);hTableDescriptor.addFamily(hColumnDescriptor);}admin.createTable(hTableDescriptor);}}在运行程序时，需要指定参数myTableName为“
student”，colFamily为“{―score‖}”程序的运行效果与如下HBaseShell命令等效：create‗student‘,‗score‘namescoreEnglishMathComputer①建表②添加数
据/*添加数据*//***@paramtableName表名*@paramrowKey行键*@paramcolFamily列族*@paramcol列限定符*@paramval数据*@throwsException*/publicstaticvoidins
ertData(StringtableName,StringrowKey,StringcolFamily,Stringcol,Stringval)throwsIOException{Tabletable=connection.getTable(TableName.value
Of(tableName));Putput=newPut(Bytes.toBytes(rowkey));put.addColumn(Bytes.toBytes(colFamily),Bytes.toBy
tes(col),Bytes.toBytes(val));table.put(put);table.close();}namescoreEnglishMathComputerzhangsan698677lis
i55100884.8.3HBase常用JavaAPI及应用实例添加数据时，需要分别设置参数myTableName、rowkey、colFamily、col、val的值，然后运行上述代码例如添加第一行数据时，为insertData()方法指定
相应参数，并运行如下3行代码：insertData("student","zhangsan","score","English","69");insertData("student","zhangsan","score","Math","86");insertData
("student","zhangsan","score","Computer","77");上述代码与如下HBaseShell命令等效：put'student',’zhangsan’,’score:English’,’69’；p
ut'student',’zhangsan’,’score:Math’,’86’；put'student',’zhangsan’,’score:Computer’,’77’；4.8.3HBase常用JavaAPI及应用实例③浏览数据/*获取
某单元格数据*//***@paramtableName表名*@paramrowKey行键*@paramcolFamily列族*@paramcol列限定符*@throwsIOException*/publicst
aticvoidgetData(StringtableName,StringrowKey,StringcolFamily,Stringcol)throwsIOException{Tabletable=connection.getTable(TableName.val
ueOf(tableName));Getget=newGet(Bytes.toBytes(rowkey));get.addColumn(Bytes.toBytes(colFamily),Bytes.toBytes(col));//获取的result数据
是结果集，还需要格式化输出想要的数据才行Resultresult=table.get(get);table.close();}4.8.3HBase常用JavaAPI及应用实例比如，现在要获取姓名为“zhangsan”在“English”上的数据，就可以在运行上述代码时，指定参数tableName
为“student”、rowKey为“zhangsan”、colFamily为“score”、col为“English”。getData("student","zhangsan","score","English");上述代码与如下HBaseSh
ell命令等效：get‗student','zhangsan',{COLUMN=>'score:English'}‖HbaseAPI《Hbase权威指南》第3-5章本章小结HBase数据库的知识。HBase数据库是BigTable
的开源实现，和BigTable一样，支持大规模海量数据，分布式并发数据处理效率极高，易于扩展且支持动态伸缩，适用于廉价设备。HBase可以支持NativeJavaAPI、HBaseShell、ThriftGateway、RESTGateway
、Pig、Hive等多种访问接口，可以根据具体应用选择访问方式。HBase实际上就是一个稀疏、多维、持久化存储的映射表，它采用行键、列键和时间戳进行索引，每个值都是未经解释的字符串。HBase采用分区存储，一个大的表会被分拆许多个Region，这些Regio
n会被分发到不同的服务器上实现分布式存储。HBase的系统架构包括客户端、Zookeeper服务器、Master主服务器、Region服务器。客户端包含访问HBase的接口；Zookeeper服务器负责提供稳定可靠的协同服务；Master
主服务器主要负责表和Region的管理工作；Region服务器负责维护分配给自己的Region，并响应用户的读写请求。HBase运行机制和编程实践的知识。
辽公网安备 21102102000191号
营业执照
