1.前言
随着公司业务不断发展,开始遇见越来越多的复杂存储场景。我们在关系型数据库上已经有了比较好的技术积累,但是并不能解决所有问题。
因此,需要对更多存储类型做技术储备。
HBase作为nosql的典型代表,是一个分布式的、面向列的开源数据库,在大数据存储上广受欢迎,因此,第一站就来到这里。
网络上对于HBase的文档有很多,但是看了一圈,没有特别能让一个小白快速入门的介绍。
本文作为一个入门文档,希望能通过自己的理解,来快速认识HBase到底是什么,它的结构、特点、适用场景有哪些,但不会有深入的技术点的说明。
嗯,就是快速,非常快速并且丝滑地去理解HBase到底是啥。
2. 适用场景
一开始,我们肯定需要了解的是,为什么要用HBase。
存储组件比较多,我们就简单谈谈MySQL和HBase的主要对比。
可以看到,在面对海量数据场景时,如果没有较强的事务要求,查询比较简单,那么HBase是非常适合的。
3. 基本概念
3.1 表、行、列和单元格
为什么正文要从这里开始呢?
因为这个是一切的基础,也是我们初次接触HBase最先想到的问题,HBase的数据格式是怎样的?
但是在入门HBase的过程中,发现一个小白想搞明白HBase到底是个什么存储格式还是挺费劲的。
比如给你这样一个HBaes的数据结构,是不是比较难理解是一个怎样的层级概念?
一个好的办法就是做 知识的迁移。
所以,从我们熟悉的Mysql来说,是个非常好的方式。
Mysql的表结构我们非常熟悉,所以第一个问题就是,Mysql的表记录在HBase中是如何存储呢?
我们来举个例子,有两张mysql的表,表名叫user和location,表记录如下。
user表
location表
这样的结构,在HBase中的逻辑存储应该是这样的。
抽象出来的概念如下
相信有了这样直接的对比,不用我说,大家也能明白HBase的基本存储概念了。
- RowKey:是Byte array,是表中每条记录的“主键”,方便快速查找,Rowkey的设计非常重要。
- Column Family:列族,拥有一个名称(string),包含一个或者多个相关列
- Column:属于某一个column family,familyName:columnName,每条记录可动态添加
- Value(Cell):Byte array
- Version Number:类型为Long,默认值是系统时间戳,可由用户自定义(这个概念在上文的逻辑存储中不太好迁移类比,所以上文的模型中没有给出,可以理解为mysql中的mvcc的版本号)
那么,在HBase中确定一个值的方式就比较清楚了。
通过RowKey-CF-Column-Version我们就能找到Value,这样就明白了KV的查询的结构关系。
如果用代码来简单表示,可以这样显示:
SortedMap<RowKey, List<SortedMap<Column,List<Value,TimeStamp>>>>
做个小结:
最基本的单位是列(column)。一列或者多列形成行(row),并且由唯一的行键(row key)来确定存储。反过来,一个表(table)中由若干行,其中每列可能由多个版本(version),在每一个单元格(cell)中存储了不同的值。
3.2 分区概念
第二章对存储结构做了比较直白的说明,下面介绍HBase另一个比较核心的概念:regin。
HBase中扩展和负载均衡的基本单位称为regin,regin本质上是以行键排序的连续存储的区间。
如果regin太大,系统会自动进行拆分(在中间的行键进行一拆二),反之,会把多个regin合并(非自动),以减少存储文件数量。
如果类比mysql,可以看作是分区表partition的概念。
每一个regin只能由一台regin服务器(region server)加载,每一台region server可以加载多个region。
4. 架构
这张图是HBase非常经典的整体架构图。图中展示了HBase的各种组件。
1)Client
Client包含了访问Hbase的接口,另外Client还维护了对应的cache来加速Hbase的访问,比如cache的.META.元数据的信息。
2) Zookeeper
Hbase通过Zookeeper来做master的高可用、RegionServer的监控、元数据的入口以及集群配置的维护等工作。具体工作如下:
- 通过Zoopkeeper来保证集群中只有1个master在运行,如果master异常,会通过竞争机制产生新的master提供服务
- 通过Zoopkeeper来监控RegionServer的状态,当RegionSevrer有异常的时候,通过回调的形式通知Master RegionServer上下线的信息
- 通过Zoopkeeper存储元数据的统一入口地址
3) HMaster
- master节点为RegionServer分配Region
- 维护整个集群的负载均衡
- 维护集群的元数据信息
- 发现失效的Region,并将失效的Region分配到正常的RegionServer上
- 当RegionSever失效的时候,协调对应Hlog的拆分
4)HReginServer
HregionServer直接对接用户的读写请求,是真正的“干活”的节点。它的功能概括如下:
- 管理master为其分配的Region 处理来自客户端的读写请求
- 负责和底层HDFS的交互,存储数据到HDFS
- 负责Region变大以后的拆分
- 负责Storefile的合并工作
5) HDFS
HDFS为Hbase提供最终的底层数据存储服务,同时为Hbase提供高可用(Hlog存储在HDFS)的支持,具体功能概括如下:
- 提供元数据和表数据的底层分布式存储服务
- 数据多副本,保证的高可靠和高可用性