一、概述
HBase是一个分布式的、面向列的开源数据库，该技术来源于 Fay Chang 所撰写的Google论文“Bigtable：一个结构化数据的分布式存储系统”。就像Bigtable利用了Google文件系统（File System）所提供的分布式数据存储一样，HBase在Hadoop之上提供了类似于Bigtable的能力。HBase是Apache的Hadoop项目的子项目。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。另一个不同的是HBase基于列的而不是基于行的模式。
Hadoop生太圈
通过Hadoop生态圈，可以看到HBase的身影，可见HBase在Hadoop的生态圈是扮演这一个重要的角色那就是 实时、分布式、高维数据 的数据存储；
HBase简介
- HBase – Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩、 实时读写的分布式数据库
- 利用Hadoop HDFS作为其文件存储系统,利用Hadoop MapReduce来处理 HBase中的海量数据,利用Zookeeper作为其分布式协同服务
- 主要用来存储非结构化和半结构化的松散数据（列存NoSQL数据库）
HBase数据模型
以关系型数据的思维下会感觉，上面的表格是一个5列4行的数据表格，但是在HBase中这种理解是错误的，其实在HBase中上面的表格只是一行数据；
Row Key:
– 决定一行数据的唯一标识
– RowKey是按照字典顺序排序的。
– Row key最多只能存储64k的字节数据。
Column Family列族（CF1、CF2、CF3） & qualifier列：
– HBase表中的每个列都归属于某个列族，列族必须作为表模式(schema) 定义的一部分预先给出。如create ‘test’, ‘course’；
– 列名以列族作为前缀，每个“列族”都可以有多个列成员(column，每个列族中可以存放几千~上千万个列)；如 CF1:q1, CF2:qw,
新的列族成员（列）可以随后按需、动态加入，Family下面可以有多个Qualifier，所以可以简单的理解为，HBase中的列是二级列，
也就是说Family是第一级列，Qualifier是第二级列。两个是父子关系。
– 权限控制、存储以及调优都是在列族层面进行的；
– HBase把同一列族里面的数据存储在同一目录下，由几个文件保存。
– 目前为止HBase的列族能能够很好处理最多不超过3个列族。
Timestamp时间戳：
– 在HBase每个cell存储单元对同一份数据有多个版本，根据唯一的时间 戳来区分每个版本之间的差异，不同版本的数据按照时间倒序排序，
最新的数据版本排在最前面。
– 时间戳的类型是64位整型。
– 时间戳可以由HBase(在数据写入时自动)赋值，此时时间戳是精确到毫 秒的当前系统时间。
– 时间戳也可以由客户显式赋值，如果应用程序要避免数据版本冲突， 就必须自己生成具有唯一性的时间戳。
Cell单元格：
– 由行和列的坐标交叉决定；
– 单元格是有版本的（由时间戳来作为版本）；
– 单元格的内容是未解析的字节数组（Byte[]），cell中的数据是没有类型的，全部是字节码形式存贮。
• 由{row key，column(=<family> +<qualifier>)，version}唯一确定的单元。
HBase体系架构
Client
• 包含访问HBase的接口并维护cache来加快对HBase的访问
Zookeeper
• 保证任何时候，集群中只有一个master
• 存贮所有Region的寻址入口。
• 实时监控Region server的上线和下线信息。并实时通知Master
• 存储HBase的schema和table元数据
Master
• 为Region server分配region
• 负责Region server的负载均衡
• 发现失效的Region server并重新分配其上的region
• 管理用户对table的增删改操作
RegionServer
• Region server维护region，处理对这些region的IO请求
• Region server负责切分在运行过程中变得过大的region
HLog(WAL log)：
– 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sequence number。
– HLog SequeceFile的Value是HBase的KeyValue对象，即对应HFile中的 KeyValue
Region
– HBase自动把表水平划分成多个区域(region)，每个region会保存一个表 里面某段连续的数据；每个表一开始只有一个region，随着数据不断插 入表，
region不断增大，当增大到一个阀值的时候，region就会等分会 两个新的region（裂变）；
– 当table中的行不断增多，就会有越来越多的region。这样一张完整的表 被保存在多个Regionserver上。
Memstore 与 storefile
– 一个region由多个store组成，一个store对应一个CF（列族）
– store包括位于内存中的memstore和位于磁盘的storefile写操作先写入 memstore，当memstore中的数据达到某个阈值，
hregionserver会启动 flashcache进程写入storefile，每次写入形成单独的一个storefile
– 当storefile文件的数量增长到一定阈值后，系统会进行合并（minor、 major compaction），在合并过程中会进行版本合并和删除工作 （majar），
形成更大的storefile。
– 当一个region所有storefile的大小和超过一定阈值后，会把当前的region 分割为两个，并由hmaster分配到相应的regionserver服务器，实现负载均衡。
– 客户端检索数据，先在memstore找，找不到再找storefile
– HRegion是HBase中分布式存储和负载均衡的最小单元。最小单元就表 示不同的HRegion可以分布在不同的HRegion server上。
– HRegion由一个或者多个Store组成，每个store保存一个columns family。
– 每个Strore又由一个memStore和0至多个StoreFile组成。
如图：StoreFile 以HFile格式保存在HDFS上。
二、docker部署
环境说明
操作系统 | docker版本 | ip地址 | 配置 |
centos 7.6 | 19.03.12 | 192.168.31.229 | 4核8g |
软件版本
软件 | 版本 |
openjdk | java-8-openjdk-amd64 |
hadoop | 2.9.2 |
hbase | 1.3.6 |
zookeeper | 3.4.14 |
说明：openjdk直接用apt-get 在线安装，其他软件从官网下载即可。
目录结构
cd /opt/ git clone https://github.com/py3study/hadoop-hbase.git
/opt/hadoop-hbase 目录结构如下：
./
├── config
│ ├── core-site.xml
│ ├── hadoop-env.sh
│ ├── hbase-env.sh
│ ├── hbase-site.xml
│ ├── hdfs-site.xml
│ ├── mapred-site.xml
│ ├── regionservers
│ ├── run-wordcount.sh
│ ├── slaves
│ ├── ssh_config
│ ├── start-hadoop.sh
│ ├── yarn-site.xml
│ └── zoo.cfg
├── Dockerfile
├── hadoop-2.9.2.tar.gz
├── hbase-1.3.6-bin.tar.gz
├── README.md
├── run.sh
├── sources.list
├── start-container1.sh
├── start-container2.sh
└── zookeeper-3.4.14.tar.gz由于软件包比较大，需要使用迅雷下载，下载地址如下：
https://mirror.bit.edu.cn/apache/hadoop/common/hadoop-2.9.2/hadoop-2.9.2.tar.gz
https://mirror.bit.edu.cn/apache/hbase/hbase-1.3.6/hbase-1.3.6-bin.tar.gz
https://mirror.bit.edu.cn/apache/zookeeper/zookeeper-3.4.14/zookeeper-3.4.14.tar.gz
构建镜像
docker build -t hadoop-hbase:1 .
创建数据目录
mkdir -p /data/hadoop-cluster/master/ /data/hadoop-cluster/slave{1,2}/
创建网桥
docker network create hadoop
运行镜像
cd /opt/hadoop-hbase bash start-container1.sh
拷贝hdfs文件到宿主机目录
docker cp hadoop-master:/root/hdfs /data/hadoop-cluster/master/
docker cp hadoop-slave1:/root/hdfs /data/hadoop-cluster/slave1/
docker cp hadoop-slave2:/root/hdfs /data/hadoop-cluster/slave2/
拷贝zookeeper文件到宿主机目录
docker cp hadoop-master:/usr/local/zookeeper/data /data/hadoop-cluster/master/zookeeper
docker cp hadoop-slave1:/usr/local/zookeeper/data /data/hadoop-cluster/slave1/zookeeper
docker cp hadoop-slave2:/usr/local/zookeeper/data /data/hadoop-cluster/slave2/zookeeper
使用第2个脚本，挂载宿主机目录，运行镜像
bash start-container2.sh
开启hadoop
启动hadoop集群
bash start-hadoop.sh
注意：这一步会ssh连接到每一个节点，确保ssh信任是正常的。
Hadoop的启动速度取决于机器性能
运行wordcount
先等待1分钟，再执行命令：
bash run-wordcount.sh
此脚本会连接到fdfs，并生成几个测试文件。
运行结果：
...
input file1.txt:
Hello Hadoop
input file2.txt:
Hello Docker
wordcount output:
Docker 1
Hadoop 1
Hello 2
wordcount的执行速度取决于机器性能
关闭安全模式
执行命令：
hadoop dfsadmin -safemode leave
启动hbase
/usr/local/hbase/bin/start-hbase.sh
注意：等待3分钟，因为启动要一定的时间。
进入hbase shell
/usr/local/hbase/bin/hbase shell
三、HBase的Shell命令
查看列表
hbase(main):001:0> list
TABLE
users
users_tmp
2 row(s) in 0.2370 seconds
如果出现
ERROR: org.apache.hadoop.hbase.PleaseHoldException: Master is initializing
说明hbase集群还没有启动好，需要等待一段时间。
创建表
hbase(main):002:0> create 'users','user_id','address','info'
0 row(s) in 4.6300 seconds
=> Hbase::Table - users
添加记录
hbase(main):002:0> put 'users','xiaoming','info:birthday','1987-06-17'
0 row(s) in 0.1910 seconds
获取记录
取得一个id的所有数据
hbase(main):003:0> get 'users','xiaoming'
COLUMN CELL
info:birthday timestamp=1594003730408, value=1987-06-17
1 row(s) in 0.0710 seconds
更新记录
hbase(main):004:0> put 'users','xiaoming','info:age' ,''
0 row(s) in 0.0150 seconds
hbase(main):005:0> get 'users','xiaoming','info:age'
COLUMN CELL
info:age timestamp=1594003806409, value=
1 row(s) in 0.0170 seconds
获取单元格数据的版本数据
hbase(main):006:0> get 'users','xiaoming',{COLUMN=>'info:age',VERSIONS=>1}
COLUMN CELL
info:age timestamp=1594003806409, value=
1 row(s) in 0.0040 seconds
全表扫描
hbase(main):007:0> scan 'users'
ROW COLUMN+CELL
xiaoming column=info:age, timestamp=1594003806409, value=
xiaoming column=info:birthday, timestamp=1594003730408, value=1987-06-17
1 row(s) in 0.0340 seconds
删除
删除xiaoming值的'info:age'字段：
hbase(main):008:0> delete 'users','xiaoming','info:age'
0 row(s) in 0.0340 seconds
hbase(main):009:0> get 'users','xiaoming'
COLUMN CELL
info:birthday timestamp=1594003730408, value=1987-06-17
1 row(s) in 0.0110 seconds
删除整行
hbase(main):010:0> deleteall 'users','xiaoming'
0 row(s) in 0.0170 seconds
统计表的行数
hbase(main):011:0> count 'users'
0 row(s) in 0.0260 seconds
清空表：
hbase(main):012:0> truncate 'users'
Truncating 'users' table (it may take a while):
- Disabling table...
- Truncating table...
0 row(s) in 4.2520 seconds
四、web服务验证
hadoop管理页面
http://ip地址:8088/
效果如下：
hdfs 管理页面
http://ip地址:50070/
效果如下：
hbase 管理页面
http://ip地址:16010/
效果如下：
注意：这里出现的 2 nodes with inconsistent version，不用理会，不影响正常运行。
参考链接：https://developer.aliyun.com/ask/136178?spm=a2c6h.13159736
本文参考链接：
https://www.jianshu.com/p/a1524dccb1e4
