Hbase初识

小爷毛毛_卓寿杰

发布于 2019-02-13 15:13:21

5100

发布于 2019-02-13 15:13:21

文章被收录于专栏：Soul Joy Hub

模块

hmaster、hregionserver、zookeeper、hregion、root表、meta表、hfile、hstore、memstore、blockcache

hmaster
- 启动时HRegion的分配，以及负载均衡和修复时HRegion的重新分配。
- 监控集群中所有HRegionServer的状态(通过Heartbeat和监听ZooKeeper中的状态)。
- 创建、删除、修改Table的定义
hregionserver 主要负责响应用户的I/O请求，向HDFS文件系统中读写数据。
zookeeper root表的父节点，记录root表的Lacation
hregion HBase使用RowKey将表水平切割成多个HRegion，从HMaster的角度，每个HRegion都纪录了它的StartKey和EndKey，由于RowKey是排序的，因而Client可以通过HMaster快速的定位每个RowKey在哪个HRegion中。
root表 mata表的父节点，记录meta表的Region信息，只有一个Region
meta表 UserTable的父节点，记录UserTable的Region信息，可以有多个region。
hfile 是StoreFile的底层实现，对应LSM tree中的大树
hstore hstore是Hbase存储的核心，其中有两部分组成，一部分是MenStore，一部分是StoreFile
memstore Sorted Memory Buffer，用户写入的数据首先会放入menstore,对应LSM tree中的小树，当menstore满了以后会执行flush操作变成一个storefile
blockcache blockcache是一个读缓存，即“引用局部性”原理将数据预读取到内存中，以提升读的性能。

基本API

DDL

生成conf -> 生成admin

Configuration conf = HBaseConfiguration.create();
HBaseAdmin admin = new HBaseAdmin(conf);

生成tableName -> 生成tableDescriptor

TableName tableName = TableName.valueOf("test");
HTableDescriptor tableDescriptor = new HTableDescriptor(tableName);

生成columnDescriptor（列族）-> 加入到tableDescriptor

tableDescriptor.addFamily(columnDescriptor);

tableDescriptor -> admin生成table

admin.createTable(tableDescriptor);

DML

conf & tableName -> 生成 table ，用于 DML 和 DQL

HTable table = new HTable(conf, tableName);

生成 row -> 生成put ，Hbase中传入传出数据库中的值用的都是byte[] , 要注意与String类型转换

byte[] row = Bytes.toBytes("row1");
Put put = new Put(row);

生成想添加的val 以及它所在列族和列 -> 加入到 put

byte[] colfam = Bytes.toBytes("data");
byte[] col = Bytes.toBytes(String.valueOf(1));
byte[] val = Bytes.toBytes("value1");
put.add(colfam, col, val);

put -> table put

table.put(put);

DQL

get

生成 row -> 生成get

byte[] row = Bytes.toBytes("row1");
Get get = new Get(row);

get -> table getResult 生成 result

Result result = table.get(get);

生成查询的列族和列 -> result getValue

byte[] colfam = Bytes.toBytes("data");
byte[] col = Bytes.toBytes(String.valueOf(1));
System.out.println("get value is " + Bytes.toString(result.getValue(colfam, col)));

scan

生成scan -> table getScanner 生成 ResultScanner。

Scan scan = new Scan();
ResultScanner scanner = table.getScanner(scan);

ResultScanner可以理解为Result数组，遍历生成要查询的列族和列 -> result getValue

int i = 0;
for (Result scanresult : scanner) {
byte[] scancol = Bytes.toBytes(String.valueOf(++i));
System.out.println("scan value is " + Bytes.toString(scanresult.getValue(colfam, scancol)));
}

注意： HBaseAdmin,HTable,ResultScanner 对象最后都要close()

Example

package ExampleClient;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.HColumnDescriptor;
import org.apache.hadoop.hbase.HTableDescriptor;
import org.apache.hadoop.hbase.MasterNotRunningException;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.ZooKeeperConnectionException;
import org.apache.hadoop.hbase.client.Get;
import org.apache.hadoop.hbase.client.HBaseAdmin;
import org.apache.hadoop.hbase.client.HTable;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.client.Result;
import org.apache.hadoop.hbase.client.ResultScanner;
import org.apache.hadoop.hbase.client.Scan;
import org.apache.hadoop.hbase.util.Bytes;

public class ExampleClient {

    public static void main(String[] args) throws MasterNotRunningException, ZooKeeperConnectionException, IOException {
        // TODO Auto-generated method stub
        Configuration conf = HBaseConfiguration.create();
        HBaseAdmin admin = new HBaseAdmin(conf);
        try {

            TableName tableName = TableName.valueOf("test");
            HTableDescriptor tableDescriptor = new HTableDescriptor(tableName);
            HColumnDescriptor columnDescriptor = new HColumnDescriptor("data");
            tableDescriptor.addFamily(columnDescriptor);
            admin.createTable(tableDescriptor);

            HTable table = new HTable(conf, tableName);
            try {
                for (int i = 1; i <= 3; ++i) {
                    byte[] row = Bytes.toBytes("row" + i);
                    Put put = new Put(row);
                    byte[] colfam = Bytes.toBytes("data");
                    byte[] col = Bytes.toBytes(String.valueOf(i));
                    byte[] val = Bytes.toBytes("value" + i);
                    put.add(colfam, col, val);
                    table.put(put);
                }
                byte[] row = Bytes.toBytes("row1");
                Get get = new Get(row);
                Result result = table.get(get);
                byte[] colfam = Bytes.toBytes("data");
                byte[] col = Bytes.toBytes(String.valueOf(1));
                System.out.println("get result is " + Bytes.toString(result.getValue(colfam, col)));

                Scan scan = new Scan();
                ResultScanner scanner = table.getScanner(scan);
                try {
                    int i = 0;
                    for (Result scanresult : scanner) {
                        byte[] scancol = Bytes.toBytes(String.valueOf(++i));
                        System.out.println("scan result is " + Bytes.toString(scanresult.getValue(colfam, scancol)));
                    }
                } finally {
                    // TODO: handle finally clause
                    scanner.close();
                }
            } finally {
                // TODO: handle finally clause
                table.close();
            }
        } finally {
            // TODO: handle finally clause
            admin.close();
        }
    }

}

B+ tree与LSM tree

B+树

根节点和枝节点分别记录每个叶子节点的最小值，并用一个指针指向叶子节点。

B+树对读友好。叶子节点里每个键值都指向真正的数据块，每个叶子节点都有前指针和后指针，这是为了做范围查询时，叶子节点间可以直接跳转。

B+树对写不友好。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物理上往往不连续，甚至分离的很远，但做范围查询时，会产生大量读随机IO。

关系数据库中常用B+树组织数据。如上图所示，内部节点已经存满，再插入一个新记录时，需要在B+树中插入一个新的内部节点，再链到B+树中。这里的问题是新的内部节点在磁盘上可能存放在很远的地方，在顺序扫描数据时，不得不seek磁盘。

LSM树

LSM树本质上就是在读写之间取得平衡，和B+树相比，它牺牲了部分读性能，用来大幅提高写性能。

它的原理是把一颗大树拆分成N棵小树，它首先写入到内存中（内存没有寻道速度的问题，随机写的性能得到大幅提升），在内存中构建一颗有序小树，随着小树越来越大，内存的小树会flush到磁盘上。当读时，由于不知道数据在哪棵小树上，因此必须遍历所有的小树，但在每颗小树内部数据是有序的。

Hbase中的LSM树

insert/update写入log后，再写入内存（memory store）
memory store写满后，flush到磁盘上
后台进程/线程对磁盘上多个文件进行合并，组成排序后的B+树，同时处理删除、更新、TTL等查询时先查内存中的数据，再查磁盘

WAL 因为数据是先写到内存中，如果断电，内存中的数据会丢失，因此为了保护内存中的数据，需要在磁盘上先记录logfile，当内存中的数据flush到磁盘上时，就可以抛弃相应的Logfile。
memstore, LSM树就是一堆小树，在内存中的小树即memstore，每次flush，内存中的memstore变成磁盘上一个新的storefile。
compact 随着小树越来越多，读的性能会越来越差，因此需要在适当的时候，对磁盘中的小树进行merge，多棵小树变成一颗大树。

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2016年07月16日，如有侵权请联系 cloudcommunity@tencent.com 删除

数据库