学步园

1.概述

HBase-Hadoop  DataBase，是一个高可靠、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术科在廉价PC Server上搭建起大规模结构化存储集群。

HBase是Google Bigtable的开源实现，类似Google Bigtable利用GFS作为其文件存储系统，HBase利用Hadoop HDFS作为文件存储系统；Google运行MapReduce来处理Bigtable的海量数据，HBase同样利用Hadoop MapReduce来处理HBase中的海量数据，Google Bigtable利用Chubby作为协同服务，HBase则利用Zookeeper作为协同服务。

上图描述了Hadoop EcoSystem中的各层次系统，其中HBase位于结构化存储层，Hadoop HDFS为HBase提供了高可靠性的底层存储支持，Hadoop MapReduce为HBase提供了高性能的计算能力，Zookeeper为HBase提供了稳定服务和failover机制。

此外，Pig和Hive还为HBase提供了高层语言支持，使得在HBase上进行数据统计处理变的非常简单。SQOOP则为HBase提供了方便的RDBMS数据导入功能，使得传统数据向HBase中迁移变的非常方便。

2.HBase访问接口

1.Native Java API，最常规和高效的访问方式，适合Hadoop MapReduce Job并行处理HBase表数据。

2.HBase Shell，HBase的命令行工具，最简单的接口，适合HBase管理使用。

3.Thrift Gateway，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数据。

4.REST Gateway，支持REST风格的HTTP API访问HBase，解除了语言限制。

5.Pig，可以使用Pig Latin流式编程来操作HBase中的数据，和Hive类似，本质最终也是编译成MapReduce Job来处理HBase表数据，适合做数据统计。

6.Hive，当前Hive的Release版本尚没有加入对HBase的支持，但在下一个版本Hive0.7.0中将会支持HBase，可以使用类似SQL语言来访问HBase。

3.HBase数据模型

Table & Column Family

1.Row Key：行健，Table的主键，Table中的记录按照Row Key排序。

2.Timestamp：时间戳，每次数据操作对应的时间戳，可以看作是数据的version number。

3.Column Family：列族，Table在水平方向有一个或者多个Column Family组成，一个Column Family又由任意多个Column组成，Column Family支持动态扩展，无需先定义Column的数量及类型，所有Column均以二进制格式存储，用户需要自行进行类型转换。

Table & Region

当Table随着记录数不断增加而变大后，会逐渐分裂成多份splits，成为regions，一个region由【startkey,endkey】表示，不同的region会被Master分配给相应的RegionServer进行管理：

-ROOT- Table   &&   .META. Table

HBase中 有两张特殊的Table，-ROOT-和.META.

1. .META.：记录了用户表的region信息，.META.可以有多个region。

2.-ROOT-：记录了.META.表的Region信息，-ROOT-只有一个region。

3.Zookeeper中记录了-ROOT-表的location。

Client访问数据之前需要首先访问Zookeeper，然后访问-ROOT-表，接着访问.META.表，最后才能找到用户数据的位置去访问，中间需要多次网络操作，不过Client端会做Cache缓存。

4.MapReduce on HBase

在HBase系统上运行批处理运算，最方便最实用的模型依然是MapReduce，如下图：

HBase Table和Region的关系，比较类似HDFS File和Block的关系，HBase提供了配套的TableInputFormat和TableOutputFormat API，可以方便的将HBase Table作为Hadoop MapReduce的source和Sink，对于MapReduce Job应用开发人员来说，基本不需要关注HBase系统自身的细节。

5.HBase系统架构

Client

HBase Client使用HBase的RPC机制与HMaster和HRegionServer进行通信，对于管理类操作，Client与HMaster进行RPC通信；对于数据读写类操作，Client与HRegionServer进行RPC通信。

Zookeeper

Zookeeper Quorum中除了存储了-ROOT-表的地址和HMaster的地址，HRegionServer也会把自己以Ephemeral方式注册到Zookeeper中，使得HMaster可以随时感知到各个HRegionServer的健康状态。此外，Zookeeper也避免了HMaster的单点问题，见下文描述：

HMaster

HMaster没有单点问题，HBase中可以启动多个HMaster，通过Zookeeper的Master Election机制保证总有一个Master运行，HMaster在功能上主要负责Table和Region的管理工作：

1.管理用户对Table的增、删、改、查操作。

2.管理HRegionServer的负载均衡，调整Region分布。

3.在Region Split后，负责新Region的分配。

4.在HRegionServer停机后，负责失效HRegionServer上的Regions迁移。

HRegionServer

HRegionServer主要负责相应用户I/O请求，向HDFS文件系统中读写数据，是HBase中最核心的模块。

HRegionServer内部管理了一系列HRegion对象，每个HRegion对应了Table中的一个Region，HRegion中有多个HStore组成。每个HStore对应了Table中的一个Column Family的存储，可以看出每个Column Family其实就是一个集中的存储单元，因此最好将具备共同IO特性的Column放在一个Column Family中，这样最高效。

HStore存储时HBase存储的核心了，其中由两部分组成，一部分是MemStore，一部分是StoreFile。MemStore是Sorted Memory Buffer，用户写入的数据首先会放入MemStore，当MemStore满了以后会Flush成一个StoreFile(底层是HFile)，当StoreFile文件数量增加到一定阈值，会触发Compact合并操作，将多个StoreFile合并成一个StoreFile，合并过程中会进行版本合并和数据删除，因此可以看出HBase其实只有增加数据，所有的更新和删除操作都是在后续的compact过程中进行的，这使得用户的写操作只要进入内存中就可以立即返回，保证了HBase
I/O的高性能。当StoreFile Compact后，会逐步形成越来越大的StoreFile，单个StoreFile大小超过一定阈值后，会触发Split操作，同时把当前Region Split成2个Region，父Region会下线，新Split出的2个孩子Region会被HMaster分配到相应的HRegionServer上，使得原先一个Region的压力得以分流到2个Region上。下图描述了Compaction和Split的过程：

在理解了上述HStore的基本原理后，还必须了解一下HLog的功能，因为上述的HStore在系统正常工作的前提下是没有问题的，但是在分布式系统环境中，无法避免系统出错或者宕机，因此一旦HRegionServer意外退出，MemStore中的内存数据将会丢失，这就需要引入HLog了。每个HRegionServer中都有一个HLog对象，HLog是一个实现了Write Ahead Log的类，在每次用户操作写入MemStore的同时，也会写一份数据到HLog文件中(HLog文件格式见后续)，HLog文件定期会滚动出新的，并删除旧的文件(已经持久化到StoreFile中的数据)。当HRegionServer意外终止后，HMaster会通过Zookeeper感知到，HMaster首先会处理遗留的HLog文件，将其中不同Region的Log数据进行拆分，分别放到相应Region的目录下，然后再将失效的Region重新分配，接收到这些Region的HRegionServer在Load
Region的过程中，会发现有历史HLog需要处理，因此会Replay HLog中的数据到MemStore中，然后Flush到StoreFiles，完成数据恢复。

6.HBase存储格式

HBase中的所有数据文件都存储在Hadoop HDFS文件系统上，主要包括上述提出的两种文件类型：

1. HFile，HBase中的KeyValue数据的存储格式，HFile是Hadoop的二进制格式文件，实际上StoreFile就是对HFile做了轻量级包装，即StoreFile底层就是HFile。

2.HLogFile，HBase中以WAL(Writable Ahead Log)的存储格式，物理上是Hadoop的Sequence File。

HFile的存储格式：

首先HFile文件是不定长的，长度固定的只有其中两块：Trailer和FileInfo。正如图中所示的，Trailer中有指针指向其他数据块的起始点。File Info中记录了文件的一些Meta信息，例如：AVG_KEY_LEN，AVG_VALUE_LEN，LAST_KEY，COMPARATOR，MAX_SEQ_ID_KEY等。Data Index和Meta Index块记录了每个Data块和Meta块的起始点。

Data Block是HBase I/O的基本单元，为了提高效率，HRegionServer中有基于LRU的Block Cache机制。每个Data块的大小可以在创建一个Table的时候通过参数指定，大号的Block有利于顺序的Scan，小号的Block有利于随机查询。每个Data块除了开头的Magic以外就是一个个KeyValue对拼接而成，Magic内容就是一些随机数字，目的是防止数据损坏。后面会详细介绍每个KeyValue对的内部构造。

HFile里面的每个KeyValue对就是一个简单的byte数组。但是这个byte数组里面包含了很多项，并且有固定的结构，我们来看看里面的具体结构：

开始时两个固定长度的数值，分别表示Key的长度和Value的长度。紧接着是Key，开始是固定长度的数值，表示RowKey的长度，紧接着是RowKey，然后是固定长度的数值，表示Family的长度，然后是Family，接着是Qualifier，然后是两个固定长度的数值，表示Time Stamp和Key Type(Put/Delete)。Value部分没有那么复杂的结构，就是单纯的二进制数据了。

HLoFile存储格式

上图中示意了HLog文件的结构，其实HLog文件就是一个普通的Hadoop Sequence File，Sequence File的key是HLogKey对象，HLogkey中记录了写入数据的归属信息，除了Table和Region名字外，同时还包括Sequence Number和TimeStamp，TimeStamp是"写入时间"，Sequence Number的起始值为0，或者是最近一次存入文件系统中的Sequence Number。

HLog Sequence File的Value是HBase的KeyValue对象，即对应HFile的KeyValue，可以参见上文描述。