HBase核心知识点总结.docx
《HBase核心知识点总结.docx》由会员分享,可在线阅读,更多相关《HBase核心知识点总结.docx(12页珍藏版)》请在冰豆网上搜索。
![HBase核心知识点总结.docx](https://file1.bdocx.com/fileroot1/2023-5/17/0edcc89f-0404-4c3c-84c7-8095847188a2/0edcc89f-0404-4c3c-84c7-8095847188a21.gif)
HBase核心知识点总结
HBase核心知识点总结
一、HBase介绍
1、基本概念
HBase是一种Hadoop数据库,经常被描述为一种稀疏的,分布式的,持久化的,多维有序映射,它基于行键、列键和时间戳建立索引,是一个可以随机访问的存储和检索数据的平台。
HBase不限制存储的数据的种类,允许动态的、灵活的数据模型,不用SQL语言,也不强调数据之间的关系。
HBase被设计成在一个服务器集群上运行,可以相应地横向扩展。
2、HBase使用场景和成功案例
∙互联网搜索问题:
爬虫收集网页,存储到BigTable里,MapReduce计算作业扫描全表生成搜索索引,从BigTable中查询搜索结果,展示给用户。
∙抓取增量数据:
例如,抓取监控指标,抓取用户交互数据,遥测技术,定向投放广告等
∙内容服务
∙信息交互
3、HBaseShell命令行交互:
启动Shell $hbaseshell
列出所有的表 hbase> list
创建名为mytable的表,含有一个列族hb hbase>create'mytable','hb'
在‘mytable’表的'first'行中的‘hb:
data’列对应的数据单元中插入字节数组‘helloHBase’
hbase>put 'mytable','first','hb:
data','helloHBase'
读取mytable表‘first’行的内容 hbase>get'mytable','first'
读取mytable表所有的内容 hbase>scan‘mytable'
二、入门
1、API
和数据操作有关的HBaseAPI有5个,分别是Get(读),Put(写),Delete(删),Scan(扫描)和Increment(列值递增)
2、操作表
首先要创建一个configuration对象
Configurationconf=HBaseConfiguration.create();
使用eclipse时的话还必须将配置文件添加进来。
conf.addResource(new Path("E:
\\share\\hbase-site.xml"));
conf.addResource(new Path("E:
\\share\\core-site.xml"));
conf.addResource(new Path("E:
\\share\\hdfs-site.xml"));
使用连接池创建一张表。
HTablePoolpool=newHTablePool(conf,1);
HTableInterfaceusersTable=pool.getTable("users");
3、写操作
用来存储数据的命令是put,往表里存储数据,需要创建Put实例。
并制定要加入的行
Putput=newPut(byte[] row);
Put的add方法用来添加数据,分别设定列族,限定符以及单元格的指
put.add(byte[]family,byte[]qualifier,byte[]value);
最后提交命令给表
usersTable.put(put);
usersTable.close();
修改数据,只需重新提交一次最新的数据即可。
HBase写操作的工作机制:
HBase每次执行写操作都会写入两个地方:
预写式日志(write-aheadlog,也称HLog)和MemStore(写入缓冲区),以保证数据持久化,只有当这两个地方的变化信息都写入并确认后,才认为写动作完成。
MemStore是内存里的写入缓冲区,HBase中数据在永久写入硬盘之前在这里累积,当MemStore填满后,其中的数据会刷写到硬盘,生成一个HFile。
4、读操作
创建一个Get命令实例,包含要查询的行
Getget=newGet(byte[] row);
执行addColumn()或addFamily()可以设置限制条件。
将get实例提交到表会返回一个包含数据的Result实例,实例中包含行中所有列族的所有列。
Result r=usersTable.get(get);
可以对result实例检索特定的值
byte[]b=r.getValue(byte[]family,byte[]qualifier);
工作机制:
BlockCache用来保存从HFile中读入内存的频繁访问的数据,避免硬盘读,每个列族都有自己的BlockCache。
从HBase中读出一行,首先会检查MemStore等待修改的队列,然后检查BlockCache看包含该行的Block是否最近被访问过,最后访问硬盘上的对应HFile。
5、删除操作
创建一个Delete实例,指定要删除的行。
Deletedelete=newDelete(byte[] row);
可以通过deleteFamily()和deleteColumn()方法指定删除行的一部分。
6表扫描操作
Scanscan=newScan()可以指定起始行和结束行。
setStartRow(),setStopRow(),setFilter()方法可以用来限制返回的数据。
addColumn()和addFamily()方法还可以指定列和列族。
HBase模式的数据模型包括:
表:
HBase用表来组织数据。
行:
在表里,数据按行存储,行由行键唯一标识。
行键没有数据类型,为字节数组byte[]。
列族:
行里的数据按照列族分组,列族必须事先定义并且不轻易修改。
表中每行拥有相同的列族。
列限定符:
列族里的数据通过列限定符或列来定位,列限定符不必事先定义。
单元:
存储在单元里的数据称为单元值,值是字节数组。
单元由行键,列族或列限定符一起确定。
时间版本:
单元值有时间版本,是一个long类型。
一个HBase数据坐标的例子:
HBase可以看做是一个键值数据库。
HBase的设计是面向半结构化数据的,数据记录可能包含不一致的列,不确定大小等。
三、分布式的HBase、HDFS和MapReduce
1、分布式模式的HBase
HBase将表会切分成小的数据单位叫region,分配到多台服务器。
托管region的服务器叫做RegionServer。
一般情况下,RgionServer和HDFSDataNode并列配置在同一物理硬件上,RegionServer本质上是HDFS客户端,在上面存储访问数据,HMaster分配region给RegionServer,每个RegionServer托管多个region。
HBase中的两个特殊的表,-ROOT-和.META.,用来查找各种表的region位置在哪。
-ROOT-指向.META.表的region,.META.表指向托管待查找的region的RegionServer。
一次客户端查找过程的3层分布式B+树如下图:
HBase顶层结构图:
zookeeper负责跟踪region服务器,保存rootregion的地址。
Client负责与zookeeper子集群以及HRegionServer联系。
HMaster负责在启动HBase时,把所有的region分配到每个HRegionServer上,也包括-ROOT-和.META.表。
HRegionServer负责打开region,并创建对应的HRegion实例。
HRegion被打开后,它为每个表的HColumnFamily创建一个Store实例。
每个Store实例包含一个或多个StoreFile实例,它们是实际数据存储文件HFile的轻量级封装。
每个Store有其对应的一个MemStore,一个HRegionServer共享一个HLog实例。
一次基本的流程:
a、客户端通过zookeeper获取含有-ROOT-的region服务器名。
b、通过含有-ROOT-的region服务器查询含有.META.表中对应的region服务器名。
c、 查询.META.服务器获取客户端查询的行键数据所在的region服务器名。
d、通过行键数据所在的region服务器获取数据。
HFile结构图:
Trailer有指向其他块的指针,Index块记录Data和Meta块的偏移量,Data和Meta块存储数据。
默认大小是64KB。
每个块包含一个Magic头部和一定数量的序列化的KeyValue实例。
KeyValue格式:
该结构以两个分别表示键长度和值长度的定长数字开始,键包含了行键,列族名和列限定符,时间戳等。
预写日志WAL:
每次更新都会写入日志,只有写入成功才会通知客户端操作成功,然后服务器可以按需自由地批量处理或聚合内存中的数据。
编辑流在memstore和WAL之间分流的过程:
处理过程:
客户端通过RPC调用将KeyValue对象实例发送到含有匹配region的HRegionServer。
接着这些实例被发送到管理相应行的HRegion实例,数据被写入到WAL,然后被放入到实际拥有记录的存储文件的MemStore中。
当memstore中的数据达到一定的大小以后,数据会异步地连续写入到文件系统中,WAL能保证这一过程的数据不会丢失。
2、HBase和MapReduce
从MapReduce应用访问HBase有3种方式:
作业开始时可以用HBase作为数据源,作业结束时可以用HBase接收数据,任务过程中用HBase共享资源。
∙使用HBase作为数据源
阶段map
protectedvoidmap(ImmutableBytesWritablerowkey,Resultresult,Contextcontext){
};
从HBase表中读取的作业以[rowkey:
scanresult]格式接收[k1,v1]键值对,对应的类型是ImmutableBytesWritable和Result。
创建实例扫描表中所有的行
Scanscan=newScan();
scan.addColumn(…);
接下来在MapReduce中使用Scan实例。
TableMapReduceUtil.initTableMapperJob(tablename,scan,map.class,
输出键的类型.class,输出值的类型.class,job);
∙使用HBase接收数据
reduce阶段
protectedvoidreduce(
ImmutableBytesWritablerowkey,Iterablevalues,Contextcontext){
};
把reducer填入到作业配置中,
TableMapReduceUtil.initTableReducerJob(tablename,reduce.class,job);
3、HBase实现可靠性和可用性
HDFS作为底层存储,为集群里的所有RegionServer提供单一命名空间,一个RegionServer读写数据可以为其它所有RegionServer读写。
如果一个RegionServer出现故障,任何其他RegionServer都可以从底层文件系统读取数据,基于保存在HDFS里的HFile开始提供服务。
接管这个RegionServerz服务的region。
四、优化HBase
1、随机读密集型
优化方向:
高效利用缓存和更好的索引
∙ 增加缓存使用的堆的百分比,通过参数hfile.block.cache.size配置。
∙减少MemStore占用的百分比,通过hbase.regionserver.global.memstore.lowerLimit和hbase.regionserver.global.memstore.upperLimit来调节。
∙使用更小的数据块,使索引的粒度更细。
∙打开布隆过滤器,以减少为查找指定行的KeyValue对象而读取的HFile的数量。
∙设置激进缓存,可以提升随机读性能。
∙关闭没有被用到随机读的列族,提升缓存命中率。
2、顺序读密集型
优化方向:
减少使用缓存。
∙增大数据块的大小,使每次硬盘寻道时间取出的数据更多。
∙设置较高的扫描器缓存值,以便在执行大规模顺序读时每次RPC请求扫描器可以取回更多行。
参数hbase.client.scanner.caching定义了在扫描器上调用next方法时取回的行的数量。
∙关闭数据块的缓存,避免翻腾缓存的次数太多。
通过Scan.setCacheBlocks(false)设置。
∙关闭表的缓存,以便在每次扫描时不再翻腾缓存。
∙3、写密集型
优化方向:
不要太频繁刷写,合并或者拆分。
∙调高底层存储文件(HStoreFile)的最大大小,region越大意味着在写的时候拆分越少。
通过参数hbase.hregion.max.filesize设置。
∙增大MemStore的大小,通过参数hbase.hregion.memstore.flush.size调节。
刷写到HDFS的数据越多,生产的HFile越大,会在写的时候减少生成文件的数量,从而减少合并的次数。
∙在每台RegionServer上增加分配给MemStore的堆比例。
把upperLimit设为能够容纳每个region的MemStore乘以每个RegionServer上预期region的数量。
∙垃圾回收优化,在hbase-env.sh文件里设置,可以设置初始值为:
-Xmx8g -Xms8g -Xmn128m -XX:
+UseParNewGC -XX:
+UseConcMarkSweepGC
-XX:
CMSInitiatingOccupancyFraction=70
∙打开MemStore-LocalAllocationBuffer这个特性,有助于防止堆的碎片化。
通过参数hbase.hregion.memstore.mslab.enabled设置
4、混合型
优化方向:
需要反复尝试各种组合,然后运行测试,得到最佳结果。
影响性能的因素还包括:
∙压缩:
可以减少集群上的IO压力
∙好的行键设计
∙在预期集群负载最小的时候手工处理大合并
∙优化RegionServer处理程序计数