分布式NoSQL列存储数据库Hbase（一）
知识点01：回顾
- 离线项目为例
- 数据生成：用户访问咨询数据、意向用户报名信息、考勤信息
- 数据采集
- Flume：实时数据采集：采集文件或者网络端口
- Sqoop：离线数据同步：采集数据库的数据
- 数据存储
- HDFS：分布式离线文件存储系统
- Hive：离线数据仓库
- 将HDFS上的文件映射成了表的结构，让用户可以通过数据库和表的形式来管理大数据
- 数据计算
- MapReduce+YARN：分布式离线数据计算
- Hive：通过SQL进行分布式计算
- 将SQL语句转换为MapReduce程序，提交给YARN运行
- 数据应用：通过对数据进行分析
- 提高转化率：访问与咨询转化率、报名转换率
- 考勤分析：通过考勤分析来把握所有人学习的情况
- 离线与实时
- 离线：数据从产生到最后被使用，时效性比较低，时间比较长
- 实时：数据从产生到最后被使用，时效性比较高，时间比较短
- 方向：所有数据的价值会随着时间的流逝，价值会越来越低，希望所有数据都能被实时的计算以及处理
- 实现实时：所有环节都必须是实时环节
- 数据生成：实时的
- 数据采集：实时的，Flume、Canal……
- 数据存储：实时的，Hbase、Kafka、Redis……
- 数据计算：实时的，Spark、Flink……
- 数据应用：实时应用：风控系统、实时推荐、精准分析
- 学习知识的逻辑
- step1：先了解基本的功能与应用场景
- step2：基本的使用
- step3：深入了解原理
知识点02：目标
- Hbase的功能与应用场景、基本设计思想【重点掌握】
- 这玩意有什么用？解决什么问题？
- 这玩意为什么能实现这样的功能？
- 什么时候需要用这个玩意？
- 这个玩意中的一些特殊的概念
- 搭建Hbase分布式集群环境
- 分布式架构【重点】
知识点03：HBASE诞生
1、问题
- 随着大数据的发展，大数据的应用场景越来越多，有了实时性的需求
- HDFS、MapReduce：都只能实现离线的处理以及计算
- 想做实时推荐
- 实时的采集用户的数据，实时分析，根据用户画像给用户推荐合适的商品
- 实时采集：Flume
- 实时存储：存储读写的性能在毫秒级别
- 实时计算：计算处理的性能在毫秒级别
2、需求
- 需要一项技术能实现大量的数据实时数据读写
- HDFS已经满足不了：HDFS解决离线大数据存储读写
- 设计：为了满足怎么存储大数据的问题
3、解决
- 谷歌的三篇论文
- GFS：基于文件系统的离线大数据存储平台HDFS
- MapReduce：基于离线大数据批处理分布式计算平台
- BigTable：分布式实时随机读写的NoSQL数据库【Chubby】
- Hbase + Zookeeper
- 设计：怎么高效的进行大数据读写存储的问题
4、总结
- Hbase能实现基于海量数据的随机实时的数据存储及读写
- 与MySQL区别：Hbase实现大数据存储
- 与HDFS区别：Hbase性能更好，更快
知识点04：Hbase功能及应用场景
Apache HBase™ is the Hadoop database, a distributed, scalable, big data store. #分布式 可扩展 大数据存储数据库 Use Apache HBase™ when you need random, realtime read/write access to your Big Data. #随机的实时的大数据访问 This project's goal is the hosting of very large tables -- billions of rows X millions of columns -- #存储非常大的数据表 atop clusters of commodity hardware. Apache HBase is an open-source, distributed, versioned, non-relational database modeled after Google's Bigtable: A Distributed Storage System for Structured Data by Chang et al. Just as Bigtable leverages the distributed data storage provided by the Google File System, Apache HBase provides Bigtable-like capabilities on top of Hadoop and HDFS.
1、功能
- Hbase是一个分布式的NoSQL数据库，能实现随机实时的大量数据的读写
- 大数据存储：分布式 + HDFS
- 实时数据读写
2、应用场景
- 电商：实时推荐
- 金融：实时风控、实时征信统计
- 交通：实时车辆监控
- 游戏：实时记录所有操作
- ……
知识点05：HBASE设计思想
1、问题
- 对于计算机而言，数据的存储只会在两个地方
- 内存：读写比较快
- 硬盘：读写相对慢一些
- 为什么Hbase可以实现大量数据的实时的读写？
- 问题1：为什么Hbase能存储大量数据？
- 问题2：为什么Hbase能读写很快？
2、需求
- 需求1：必须实现分布式存储，利用多台机器的硬件资源从逻辑上整合为一个整体
- 类似于HDFS设计思想
- 需求2：必须实现将数据存储在内存中，读写速度才能很快
- 为什么HDFS也是分布式，但是慢：HDFS所有的数据是存储在磁盘中
3、实现
- 实现1：Hbase做了分布式结构，利用多台机器组合成一个整体，多台机器的内存和磁盘进行逻辑合并了
- 实现2：Hbase优先将数据写入内存，读取数据时，如果数据在内存中，可以被直接读取
- 新的问题：内存的空间是比较小的，能存储的数据量不大，违背了Hbase能存储大数据吗？
- 内存的特点：内存容量小、数据易丢失、读写速度快
- 磁盘的特点：容量空间大、数据相对安全、速度相对慢
- Hbase如何能实现容量大和速度快的问题？
- 设计思想：冷热数据分离，实时计算中，对当前最新的数据进行读取处理应用
- 冷：大概率不会被用到的数据
- 在实时架构中，已经产生很久的数据
- 热：大概率会被用到的数据
- 在实时架构中，刚产生的数据
- 解决：Hbase将数据写入内存中，如果内存中存储的数据满了，就将内存的数据写入磁盘
- 热：写内存，大概率的情况下，可以直接从内存中读取
- 冷：将内存中产生很久的数据写入磁盘中
4、总结
- 为什么Hbase既能存储大数据，也能很高的性能：冷热数据分离
- 最新的数据写入内存，大概率也是读内存
- 构建分布式内存：数据优先写入分布式内存
- Hbase集群
- 将老的数据写入磁盘，被读的概率相对较低
- 构建分布式磁盘：老的数据写入分布式磁盘
- HDFS集群
- 新的问题：Hbase数据如何能保证安全？
- HDFS保证数据安全机制：副本机制，每个数据块存储3份，存储在不同的机器上
- 内存：本身就是容易丢失的，如果断电
- 一般内存中数据不能通过副本机制来保证
- 因为内存空间小、内存都是易丢失的
- 一般内存的数据安全都选择写WAL的方式来实现的【记住这是保证内存数据安全的方式】
- 磁盘：Hbase将数据从内存写入HDFS，由HDFS的保障机制来保证磁盘数据安全
知识点06：HBASE中的对象概念
0、NoSQL数据库与RDBMS数据库
- RDBMS：一般是为了解决数据管理问题
- 数据安全性高、支持事务特性、数据量比较小、数据相对比较差
- MySQL、Oracle……
- 都支持SQL语句，存储固定的行列数据
- 数据库、表、行、列
- NoSQL：一般是为了解决性能问题
- 数据安全性相对没有那么高、不支持完善是事务，数据量比较大、性能比较高
- Hbase、Redis、MongoDB……
- 都不支持SQL语句，存储的数据也有固定的格式
- 每种数据库都有自己的API方式
1、数据库设计
- NameSpace：命名空间，类似于MySQL中的数据库概念，Namespace中有多张表，Hbase中可以有多个Namespace
- 直接把它当做数据库来看
- Hbase自带了两个Namespace
- default：默认自带的namespace
- hbase：存储系统自带的数据表
- 注意
- Hbase中的每张表都必须属于某一个Namespace，将namespace当做表名的一部分
- 如果在对表进行读写时，必须加上namespace:tbname方式来引用
- 例如：namespace叫做itcast，里面有一张表叫做heima
itcast:heima
- 如果不加namesp引用表的操作，这张表就默认为default的namespace下的表
heima
2、数据表设计
- Table：表，Hbase中的每张表都必须属于某一个Namespace
- 注意：在访问表时，如果这张表不在default的namespace下面，必须加上namespace:表名的方式来引用
- Hbase中的表时分布式结构，写入Hbase表的数据，会分布式存储到多台机器上
知识点07：HBASE中的存储概念
1、数据行设计
- Rowkey：行健，这个概念是整个Hbase的核心，类似于MySQL主键的概念
- MySQL主键：可以没有，唯一标记一行、作为主键索引
- Hbase行健：自带行健这一列【行健这一列的值由用户自己设计】，唯一标识一行，作为Hbase表中的唯一索引
- Hbase整个数据存储都是按照Rowkey实现数据存储的
2、列族设计
- ColumnFamily：列族，对除了Rowkey以外的列进行分组，将列划分不同的组中
- 注意：任何一张Hbase的表，都至少要有一个列族，除了Rowkey以外的任何一列，都必须属于某个列族，Rowkey不属于任何一个列族
- 分组：将拥有相似IO属性的列放入同一个列族【要读一起读，要写一起写】
- 原因：划分列族，读取数据时可以加快读取的性能
- 如果没有列族：找一个人，告诉你这个人就在这栋楼
- 如果有了列族：找一个人，告诉你这个人在这栋楼某个房间
3、数据列设计
- Column：列，与MySQL中的列是一样
- 注意
- Hbase除了rowkey以外的任何一列都必须属于某个列族，引用列的时候，必须加上列族
- 如果有一个列族：basic
- 如果basic列族中有两列：name，age
basic:name basic:age
- Hbase中每一行拥有的列是可以不一样的
- 每个Rowkey可以拥有不同的列
4、版本设计
- 功能：某一行的任何一列存储时，只能存储一个值，Hbase可以允许某一行的某一列存储多个版本的值的
- 级别：列族级别，指定列族中的每一列最多存储几个版本的值，来记录值的变化的
- 区分：每一列的每个值都会自带一个时间戳，用于区分不同的版本
- 默认情况下查询，根据时间戳返回最新版本的值
5、分布式设计
- Hbase的表如何实现分布式设计
- Region：分区，Hbase中任何一张都可以有多个分区，数据存储在表的分区中，每个分区存储在不同的机器上
- 非常类似于HDFS中Block的概念
- 划分规则：范围分区
- HDFS设计
- 文件夹
- 文件
- 划分Block：根据每128M划分一个块
- 每个Block存储在不同的机器上
- Hbase设计
- Namespace
- Table：分布式表
- 划分Region/Part
- 存储在不同的机器上：RegionServer
- 对比
| 分布式概念 | HDFS | Hbase |
| 对象 | 目录 + 文件 | Namespace + Table |
| 分布式 | Block | Region |
| 划分规则 | 按照大小划分：128M | 按照范围划分 |
6、概念对比
| 概念 | MySQL | Hbase |
| 数据库 | DataBase | NameSpace |
| 数据表 | Table | Table【分布式的】 |
| 数据分区 | - | Region |
| 数据行 | 主键+其他列 | Rowkey+其他列 |
| 列族 | - | ColumnFamily |
| 数据列 | 普通列与对应的值 | 列【timestamp】与对应的值【支持多版本】 |
知识点08：HBASE中的按列存储
1、功能
- Hbase的最小操作单元是列，不是行，可以实现对每一行的每一列进行读写
2、问题
- Hbase性能很好原因
- 读写内存
- 思考问题：依旧存在一定的概率会读HDFS文件，怎么能让读文件依旧很快?
- 列族的设计：加快数据的读取性能
- Rowkey构建索引，基于有序的文件数据
- 按列存储
3、设计
- MySQL：按行存储，最小的操作单元是行
- insert：插入一行
- delete：删除一行
- ……
- Hbase：按列存储，最小操作单元是列
- 插入：为某一行插入一列
- 读取：只读某一行的某一列的
- 删除：只删除这一行的某一列
4、举例
- MySQL中读取数据
- 查询【id，name,age,addr,phone……100列，每一列10M】：select id from table ;
- 先找到所有符合条件的行，将整行的数据所有列全部读取：1000M数据
- 再过滤id这一列：10M
- Hbase中读取数据
- 查询【id，name,age,addr,phone……100列，每一列10M】：select id from table ;
- 直接对每一行读取这一列的数据：10M
5、总结
- 思想：通过细化了操作的颗粒度，来提高读的性能
- 如果按行存储：找一个人，告诉你这个人就在这栋楼某个房间的某一排
- 如果按列存储：找一个人，告诉你这个人在这栋楼某个房间的某一排的某一列
知识点09：HBASE集群架构
1、分布式主从架构
- Hbase集群：分布式架构集群，主从架构
- HMaster：主节点：管理节点
- 负责所有从节点的管理
- 负责元数据的管理
- HRegionServer：从节点：存储节点
- 负责存储每张表的数据：Region
- Region存储在RegionServer中
- 对外提供Region的读写请求
- 用于构建分布式内存：每台RegionServer有10GB内存存储空间，100台RegionServer
- Hbase可以存储的总内存空间：1000G
- 数据写入Hbase，先进入分布式内存
2、HDFS的设计
- 如果HRegionServer的内存达到一定阈值，就会将内存中的数据写入HDFS，实现数据持久化存储
- 用于存储冷数据的：大部分的数据都在HDFS中
3、Zookeeper的设计
- Zookeeper在大数据工具中的作用
- 功能一：用于存储元数据：Hbase、Kafka……
- 功能二：用于解决主节点的单点故障问题HA，辅助选举Active的Master
知识点10：集群部署【自己部署】
1、解压安装
- 上传HBASE安装包到第一台机器的/export/software目录下
cd /export/software/
- 解压安装
tar -zxvf hbase-2.1.0.tar.gz -C /export/server/ cd /export/server/hbase-2.1.0/
2、修改配置
- 切换到配置文件目录下
cd /export/server/hbase-2.1.0/conf/
- 修改hbase-env.sh
#28行 export JAVA_HOME=/export/server/jdk1.8.0_241 #125行 export HBASE_MANAGES_ZK=false
- 修改hbase-site.xml
cd /export/server/hbase-2.1.0/ mkdir datas vim conf/hbase-site.xml
<property > <name>hbase.tmp.dir</name> <value>/export/server/hbase-2.1.0/datas</value> </property> <property > <name>hbase.rootdir</name> <value>hdfs://node1:8020/hbase</value> </property> <property > <name>hbase.cluster.distributed</name> <value>true</value> </property> <property> <name>hbase.zookeeper.quorum</name> <value>node1:2181,node2:2181,node3:2181</value> </property>
- 修改regionservers
vim conf/regionservers
node1 node2 node3
- 配置环境变量
vim /etc/profile
#HBASE_HOME export HBASE_HOME=/export/server/hbase-2.1.0 export PATH=:$PATH:$HBASE_HOME/bin
source /etc/profile
3、分发启动
- 分发
cd /export/server/ scp -r hbase-2.1.0 node2:$PWD scp -r hbase-2.1.0 node3:$PWD
- 启动
- step1：启动HDFS
start-dfs.sh
- step2：启动ZK
/export/server/zookeeper-3.4.6/bin/start-zk-all.sh #!/bin/bash ZK_HOME=/export/server/zookeeper-3.4.6 for number in {1..3} do host=node${number} echo ${host} /usr/bin/ssh ${host} "cd ${ZK_HOME};source /etc/profile;${ZK_HOME}/bin/zkServer.sh start" echo "${host} started" done
- step3：启动Hbase
start-hbase.sh
- 关闭
stop-hbase.sh
4、测试
- 访问Hbase Web UI
node1:16010 Apache Hbase 1.x之前是60010，1.x开始更改为16010 CDH版本：一直使用60010
5、搭建Hbase HA
- 关闭Hbase所有节点
stop-hbase.sh
- 创建并编辑配置文件
vim conf/backup-masters
node2
- 启动Hbase集群
6、测试HA
- 启动两个Master，强制关闭Active Master，观察StandBy的Master是否切换为Active状态
- 【测试完成以后，删除配置，只保留单个Master模式】
知识点11：集群部署【导入虚拟机】
- 参考虚拟机导入文档，实现虚拟机导入配置
- 所有软件的安装目录
/export/server
知识点12：HBASE集群测试
1、启动Hbase Shell
hbase shell
2、查看帮助命令
help
3、创建NameSpace
create_namespace 'itcast'
4、创建Table
create 'itcast:heima',{NAME =>'cf1',VERSIONS=> 3},{NAME =>'cf2'}
5、插入数据
#往itcast:heima表中的这一行20210301_001中插入一列cf1列族下，插入name这一列，列的值为laoda put 表名 rowkey 列族：列 值 put 'itcast:heima','20210301_001','cf1:name','laoda' put 'itcast:heima','20210301_001','cf1:age',20 put 'itcast:heima','20210301_001','cf2:phone','110' put 'itcast:heima','20210201_002','cf1:name','laoer' put 'itcast:heima','20210201_002','cf2:phone','120' put 'itcast:heima','20210301_003','cf1:name','laosan'
6、查询数据
scan 'itcast:heima'
练习作业
1、简答题
- 简述Hbase的功能、应用场景及其设计思想
- 简述NameSpace、Table、Rowkey、ColumnFamily、VERSIONS概念的含义及与MySQL中概念的区别
- 简述Hbase集群的架构组成及角色功能
2、操作题
创建Table
create 'itcast:heima',{NAME =>'cf1',VERSIONS=> 3},{NAME =>'cf2'}
5、插入数据
#往itcast:heima表中的这一行20210301_001中插入一列cf1列族下，插入name这一列，列的值为laoda put 表名 rowkey 列族：列 值 put 'itcast:heima','20210301_001','cf1:name','laoda' put 'itcast:heima','20210301_001','cf1:age',20 put 'itcast:heima','20210301_001','cf2:phone','110' put 'itcast:heima','20210201_002','cf1:name','laoer' put 'itcast:heima','20210201_002','cf2:phone','120' put 'itcast:heima','20210301_003','cf1:name','laosan'
6、查询数据
scan 'itcast:heima'
练习作业
1、简答题
- 简述Hbase的功能、应用场景及其设计思想
- 简述NameSpace、Table、Rowkey、ColumnFamily、VERSIONS概念的含义及与MySQL中概念的区别
- 简述Hbase集群的架构组成及角色功能
2、操作题
- 基于知识点11，导入虚拟机并测试Hbase集群读写成功
