特点
1. 在 HDFS 之上开发的；
2. 面向列（实际是面向列族）的存储器
3. 实时读写
4. 随机读写
5. 针对超大规模数据集
6. 不支持 SQL
基本概念
单元格（cell）
- 由行和列的坐标交叉决定，有版本号；
- 版本号默认为自动分配，为 HBase 向单元格插入数据时的时间戳；
- 单元格中的内容为未解释的字节数组
行的键
- 表中行的键为字节数组；
- 表中的行根据行的键值（即表的主键）进行排序；
- 排序依据为字节序；
- 所有对表的访问都要通过表的主键（二级索引问题）；
列族（column family）
- 行中的列会被划分成不同的列族；
- 同一列族中成员具有相同的前缀；
- 列族的前缀必须是可打印字符构成的；
- 列族修饰符，即结尾字符，可以为任意字符；
- 在 HBase 中，规定使用冒号来分隔列族和列族修饰符；
- 一个表的列族必须作为表模式定义的一部分预先给出，但是心的列族成员可以随后按需要加入；
- 物理上，所有的列族成员都一起存放在文件系统中；
- HBase 的调优和存储都在列族这个层次上进行的，所以最好使所有列族成员都有相同的访问模式（access pattern）和大小特征。
区域（region）
- HBase 自动把表水平划分成区域；
- 每个区域由表中行的子集构成；
- 一开始，一个表只有一个区域，随着表变大，区域的个数也会增加；
- 区域是在 HBase 中分布数据的最小单位；
- 在线的所有区域按次序排列就构成了表的所有内容；
锁
无论对行进行访问的事务牵涉多少列，对行的更新都是原子的；
构成
- HBase 模型为一个 Master 节点负责协调管理一个或多个 Regionserver 从属机；
- Master 负责：启动（bootstrap）、全新的安装、将区域分配给注册的 Regionserver 、恢复 Regionserver 的故障。
- Regionserver 负责：零个或多个区域的管理，响应客户端的读写请求，区域的划分，通知 Master 有新子区域（daughter region）产生；
- HBase 依赖于 Zookeeper ，默认情况下，HBase 管理一个 Zookeeper 实例，用于作为集群的权威（authority）；
- HBase 负责管理根目录表（root catalog table）的位置、当前集群 Master 地址等重要信息；
相关文件
- conf/regionservers -- 可以查看 Regionserver 节点信息
- conf/hbase-site.xml 和 conf/hbase-env.sh -- 集群站点配置
持久化接口
- 本地文件系统接口（默认）
- KFS 文件系统接口
- Amazon S3 接口
- HDFS 接口
若要使用 HBase 集群，则通常要把 HBase 的存储配置为指向 HDFS 集群；
特殊表（涉及数据定位过程问题）
- -ROOT- 表包含 .META. 表的区域列表；
- .META. 表包含所有用户空间区域（user-space region）的列表；
在 Regionserver 上进行读写操作
写操作
- 追加方式写入提交日志（commit log），提交日志存放在 HDFS 中（保证高可用）；
- 写入内存中的 memstore ；
- 若 memstore 满，则刷入（flush）文件系统；
读操作
- 查看区域（region）的 memstore ；
- 若在 memstore 中找到需要的版本则直接返回，否则按照次序从新到旧检查 flush file ；
Regionserver 上存在一个后台进程负责在 flush file 数量达到阈值后，对其进行压缩处理（将多个文件的内容处理后写入一个文件中）
HBase 提供的对外接口
- Avro
- REST
- Thrift
通过上述接口和 HBase 集群进行双向交互时，需要 HBase 客户端实例进行代理，故比直接 JAVA 客户端交互更慢。
服务的启动和停止
hbase-daemon.sh <start|stop> <rest|thrift|avro>
对比
- HDFS 和 MapReduce 适用于对大数据集进行批处理，但对于读或写单独的记录，效率很低；而 HBase 可以高效完成；
- HDFS 和 MapReduce 不擅长在有更新到达时维护索引（虽然 MapReduce 作业可以用于建立索引以支持随机访问），所以不符合低延时查询需求，而 HBase 可以；
大数据集需求 -> 排除 RDBMS 的使用（可能有点绝对）
低查询延时 -> 排除直接使用 HDFS ；
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
