一.HBase概况
HBase是一个构建在HDFS上的分布式列存储系统；
HBase是基于Google BigTable模型开发的，典型的key/value系统；
HBase是Apache Hadoop生态系统中的重要一员，主要用于海量结构化数据存储；
从逻辑上讲，HBase将数据按照表、行和列进行存储。
与hadoop一样，Hbase目标主要依靠横向扩展，通过不断增加廉价的商用服务器，来增加计算和存储能力。
Hbase表的特点
大：一个表可以有数十亿行，上百万列；
无模式：每行都有一个可排序的主键和任意多的列，列可以根据需要动态的增加，同一张表中不同的行可以有截然不同的列；
面向列：面向列（族）的存储和权限控制，列（族）独立检索；
稀疏：空（null）列并不占用存储空间，表可以设计的非常稀疏；
数据多版本：每个单元中的数据可以有多个版本，默认情况下版本号自动分配，是单元格插入时的时间戳；
数据类型单一：Hbase中的数据都是字符串，没有类型。
和传统数据库对比：
1、传统数据库遇到的问题：
1）数据量很大的时候无法存储；
2）没有很好的备份机制；
3）数据达到一定数量开始缓慢，很大的话基本无法支撑；
2、HBASE优势：
1）线性扩展，随着数据量增多可以通过节点扩展进行支撑；
2）数据存储在hdfs上，备份机制健全；
3）通过zookeeper协调查找数据，访问速度快。
HBase逻辑视图：
•表：HBase采用表来组织数据，表由行和列组成，列划分为若干个列族
•行：每个HBase表都由若干行组成，每个行由行键（row key）来标识。
•列族：一个HBase表被分组成许多“列族”（Column Family）的集合，它是基本的访问控制单元
•列限定符：列族里的数据通过列限定符（或列）来定位
•单元格：在HBase表中，通过行、列族和列限定符确定一个“单元格”（cell），单元格中存储的数据没有数据类型，总被视为字节数组byte[]
•时间戳：每个单元格都保存着同一份数据的多个版本，这些版本采用时间戳进行索引
二.HBase原理
Client：
使用HBase RPC机制与HMaster和HRegionServer进行通信
Client与HMaster进行管理类操作
Client与HRegionServer进行数据读写类操作
Zookeeper：
Zookeeper Quorum存储-ROOT-表地址、HMaster地址
HRegionServer把自己以Ephedral方式注册到Zookeeper中，HMaster随时感知各个HRegionServer的健康状况
Zookeeper避免HMaster单点问
HMaster：
HMaster没有单点问题，HBase可以启动多个HMaster，通过Zookeeper的Master Election机制保证总有一个Master在运行
主要负责Table和Region的管理工作：
1. 管理用户对表的增删改查操作
2. 管理HRegionServer的负载均衡，调整Region分布
3. Region Split后，负责新Region的分布
4. 在HRegionServer停机后，负责失效HRegionServer上Region迁移
HRegionServer：
HBase中最核心的模块，主要负责响应用户I/O请求，向HDFS文件系统中读写
HStore：
HBase存储的核心。由MemStore和StoreFile组成。MemStore是Stored Memory Buffer。
HLog：
引入HLog原因：在分布式系统环境中，无法避免系统出错或者宕机，一旦HRegionServer意外退出，MemStore中的内存数据就会丢失，引入HLog就是防止这种情况。
•主服务器Master负责管理和维护HBase表的分区信息，维护Region服务器列表，分配Region，负载均衡
•Region服务器负责存储和维护分配给自己的Region，处理来自客户端的读写请求
•客户端并不是直接从Master主服务器上读取数据，而是在获得Region的存储位置信息后，直接从Region服务器上读取数据
•客户端并不依赖Master，而是通过Zookeeper来获得Region位置信息，大多数客户端甚至从来不和Master通信，这种设计方式使得Master负载很小
三.HBase的功能组件
•HBase的实现包括三个主要的功能组件：
–（1）库函数：链接到每个客户端
–（2）一个Master主服务器
–（3）许多个Region服务器
•主服务器Master负责管理和维护HBase表的分区信息，维护Region服务器列表，分配Region，负载均衡
•Region服务器负责存储和维护分配给自己的Region，处理来自客户端的读写请求
•客户端并不是直接从Master主服务器上读取数据，而是在获得Region的存储位置信息后，直接从Region服务器上读取数据
•客户端并不依赖Master，而是通过Zookeeper来获得Region位置信息，大多数客户端甚至从来不和Master通信，这种设计方式使得Master负载很小
•开始只有一个Region，后来不断分裂（如下图）
•Region拆分操作非常快，接近瞬间，因为拆分之后的Region读取的仍然是原存储文件，直到“合并”过程把存储文件异步地写到独立的文件之后，才会读取新文件
•元数据表，又名.META.表，存储了Region和Region服务器的映射关系
•当HBase表很大时， .META.表也会被分裂成多个Region
•根数据表，又名-ROOT-表，记录所有元数据的具体位置
•-ROOT-表只有唯一一个Region，名字是在程序中被写死的
•Zookeeper文件记录了-ROOT-表的位置
层次 | 名称 | 作用 |
第一层 | Zookeeper文件 | 记录了-ROOT-表的位置信息 |
第二层 | -ROOT-表 | 记录了.META.表的Region位置信息 -ROOT-表只能有一个Region。通过-ROOT-表，就可以访问.META.表中的数据 |
第三层 | .META.表 | 记录了用户数据表的Region位置信息，.META.表可以有多个Region，保存了HBase中所有用户数据表的Region位置信息 |
•为了加快访问速度，.META.表的全部Region都会被保存在内存中
•假设.META.表的每行（一个映射条目）在内存中大约占用1KB，并且每个Region限制为128MB，那么，上面的三层结构可以保存的用户数据表的Region数目的计算方法是：
•（-ROOT-表能够寻址的.META.表的Region个数）×（每个.META.表的 Region可以寻址的用户数据表的Region个数）
•一个-ROOT-表最多只能有一个Region，也就是最多只能有128MB，按照每行（一个映射条目）占用1KB内存计算，128MB空间可以容纳128MB/1KB=217行，也就是说，一个-ROOT-表可以寻址217个.META.表的Region。
•同理，每个.META.表的 Region可以寻址的用户数据表的Region个数是128MB/1KB=217。
•最终，三层结构可以保存的Region数目是(128MB/1KB) × (128MB/1KB) = 234个Region
客户端访问数据时的“三级寻址”
•为了加速寻址，客户端会缓存位置信息，同时，需要解决缓存失效问题
•寻址过程客户端只需要询问Zookeeper服务器，不需要连接Master服务器
四.HBASE系统构架
•1. 客户端
–客户端包含访问HBase的接口，同时在缓存中维护着已经访问过的Region位置信息，用来加快后续数据访问过程
•2. Zookeeper服务器
–Zookeeper可以帮助选举出一个Master作为集群的总管，并保证在任何时刻总有唯一一个Master在运行，这就避免了Master的“单点失效”问题
•3. Master
•主服务器Master主要负责表和Region的管理工作：
–管理用户对表的增加、删除、修改、查询等操作
–实现不同Region服务器之间的负载均衡
–在Region分裂或合并后，负责重新调整Region的分布
–对发生故障失效的Region服务器上的Region进行迁移
•4. Region服务器
–Region服务器是HBase中最核心的模块，负责维护分配给自己的Region，并响应用户的读写请求
四.Region服务器机制
图中 Region服务器向HDFS文件系统中读写数据
1. 用户读写数据过程
•用户写入数据时，被分配到相应Region服务器去执行
•用户数据首先被写入到MemStore和Hlog中
•只有当操作写入Hlog之后，commit()调用才会将其返回给客户端
•当用户读取数据时，Region服务器会首先访问MemStore缓存，如果找不到，再去磁盘上面的StoreFile中寻找
2. 缓存的刷新
•系统会周期性地把MemStore缓存里的内容刷写到磁盘的StoreFile文件中，清空缓存，并在Hlog里面写入一个标记
•每次刷写都生成一个新的StoreFile文件，因此，每个Store包含多个StoreFile文件
•每个Region服务器都有一个自己的HLog 文件，每次启动都检查该文件，确认最近一次执行缓存刷新操作之后是否发生新的写入操作；如果发现更新，则先写入MemStore，再刷写到StoreFile，最后删除旧的Hlog文件，开始为用户提供服务
3. StoreFile的合并
•每次刷写都生成一个新的StoreFile，数量太多，影响查找速度
•调用Store.compact()把多个合并成一个
•合并操作比较耗费资源，只有数量达到一个阈值才启动合并
•Store是Region服务器的核心
•多个StoreFile合并成一个
•单个StoreFile过大时，又触发分裂操作，1个父Region被分裂成两个子Region
五.安装和配置Hbase
解压安装包hbase-1.1.2-bin.tar.gz至路径 /usr/local：
sudo tar -zxf ~/下载/hbase-1.1.2-bin.tar.gz -C /usr/local将解压的文件名hbase-1.1.2改为hbase：
sudo mv /usr/local/hbase-1.1.2 /usr/local/hbase编辑~/.bashrc文件
vi ~/.bashrc
如果没有引入过PATH在~/.bashrc文件尾行添加如下内容：
export PATH=$PATH:/usr/local/hbase/bin
编辑完成后，再执行source命令使上述配置在当前终端立即生效，命令如下：
source ~/.bashrc
添加HBase权限
cd /usr/local
sudo chown -R hadoop ./hbase #将hbase下的所有文件的所有者改为hadoop，hadoop是当前用户的用户名。HBase安装时有三种模式：单机模式、伪分布式模式和分布式模式。部署比较复杂 ，网上教程多，我是用伪分布式部署的
四.创建Hbase
先启动hadoop
cd /usr/local/hadoop
./sbin/start-all.sh输入jps命令查看是否启动成功：
jps如果少了以下其中一个进程，说明启动失败。
2375 SecondaryNameNode
2169 DataNode
2667 NodeManager
2972 Jps
2045 NameNode
2541 ResourceManager
