一、hbase介绍
二、hbase shell命令行操作
三、hbase高级应用

一、hbase介绍

1_什么是hbase？
1、hbase是建立在hdfs之上，提供高可靠性、高性能、列存储、可伸缩、实时读写nosql的数据库系统；
2、是一个典型的key/value系统；
3、仅能通过主键（row key）和主键的range来检索数据，不支持join等复杂操作，计算和存储能力主要依靠横向扩展。

2_hbase集群结构
Hbase总结整理
Client:
包含访问Hbase的接口，并维护cache来加快对Hbase的访问，比如region的位置信息。
HMaster:
1)是hbase集群的主节点，可以配置多个，用来实现HA
2)为RegionServer分配region
3)负责RegionServer的负载均衡
4)发现失效的RegionServer并重新分配其上的region
ReginServer:
1)Regionserver维护region，处理对这些region的IO请求
2)Regionserver负责切分在运行过程中变得过大的region
**Region:**分布式存储的最小单元。
Zookeeper:
1)通过选举，保证任何时候，集群中只有一个活着的HMaster，HMaster与RegionServers 启动时会向ZooKeeper注册
2)存贮所有Region的寻址入口
3)实时监控Region server的上线和下线信息。并实时通知给HMaster
4)存储HBase的schema和table元数据

3_hbase物理存储
Hbase总结整理
1)Table中的所有行都按照row key的字典序排列。
2)Table 在行的方向上分割为多个Hregion。
3)region按大小分割的(默认10G)，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，Hregion就会等分会两个新的Hregion。当table中的行不断增多，就会有越来越多的Hregion。
4)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。但一个Hregion是不会拆分到多个regionserver上的。
5)HRegion虽然是负载均衡的最小单元，但并不是物理存储的最小单元。
事实上，HRegion由一个或者多个Store组成，每个store保存一个column family。
每个Strore又由一个memStore和0至多个StoreFile组成，memstore位于内存，storefile位于硬盘。客户端检索数据时，先在memstore找，找不到再找storefile。
Store File & HFile结构理解：
StoreFile以HFile格式保存在HDFS上。
Memstore & storefile理解：
1)写操作先写入memstore,当memstore中的数据量达到某个阈值，Hregionserver启动flashcache进程写入storefile,每次写入形成单独一个storefile。
2)当storefile的个数超过一定阈值后（默认参数hbase.hstore.blockingStoreFiles=10），多个storeFile会进行合并，当该region的所有store的storefile大小之和，即所有store的大小超过hbase.hregion.max.filesize=10G时，这个region会被拆分会把当前的region分割成两个，并由Hmaster分配给相应的region服务器，实现负载均衡。
HLog(WAL Log)理解：
1)WAL 意为Write ahead log，该机制用于数据的容错和恢复，Hlog记录数据的所有变更,一旦数据修改，就可以从log中进行恢复。
2)每个HRegionServer中都有一个HLog对象，在每次用户操作写入MemStore的同时，也会写一份数据到HLog文件中，HLog文件定期会滚动出新的，并删除已持久化到StoreFile中的数据。当HRegionServer意外终止后，HMaster会通过Zookeeper感知到，HMaster首先会处理遗留的 HLog文件，将其中不同Region的Log数据进行拆分，分别放到相应region的目录下，然后再将失效的region重新分配，领取到这些region的HRegionServer在Load Region的过程中，会发现有历史HLog需要处理，因此会Replay HLog中的数据到MemStore中，然后flush到StoreFiles，完成数据恢复。

4_hbase寻址机制：
Hbase总结整理
1、-ROOT-和.META.表
zookeeper上存放着-root-的地址，-root-记录着.meta.的region位置信息，.meta.记录着所有region的位置信息。
2、从某个表中查询一条RowKey是RK10000的数据，那么我们应该遵循以下步骤：
1)从.META.表里面查询哪个Region包含这条数据；
2) 获取管理这个Region的RegionServer地址；
3) 连接这个RegionServer, 查到这条数据。
3、系统通过以下方式找到某个row key (或者某个 row key range)所在的region：
bigtable 使用三层类似B+树的结构来保存region位置。
第一层：保存zookeeper里面的文件，它持有root region的位置。
第二层：root region是.META.表的第一个region其中保存了.META.表其它region的位置。通过root region，我们就可以访问.META.表的数据。
第三层： .META.表它是一个特殊的表，保存了hbase中所有数据表的region 位置信息。

说明：

root region永远不会被split，保证了最需要三次跳转，就能定位到任意region 。
2).META.表每行保存一个region的位置信息，row key 采用表名+表的最后一行编码而成。
为了加快访问，.META.表的全部region都保存在内存中。
client会将查询过的位置信息保存缓存起来，缓存不会主动失效，因此如果client上的缓存全部失效，则需要进行最多6次网络来回，才能定位到正确的region(其中三次用来发现缓存失效，另外三次用来获取位置信息)。

5_hbase读写过程
1、读请求过程
1)客户端通过zookeeper以及root表和meta表找到目标数据所在的regionserver
2)联系regionserver查询目标数据
3)regionserver定位到目标数据所在的region，发出查询请求
4)region先在memstore中查找，命中则返回
5)如果在memstore中找不到，则在storefile中扫描（可能会扫描到很多的storefile，会使用布隆过滤器进行过滤）
2、写请求过程
1）client向region server提交写请求
2）region server找到目标region
3）region检查数据是否与schema一致
4）如果客户端没有指定版本，则获取当前系统时间作为数据版本
5）将更新写入WAL log
6）将更新写入Memstore
7）判断Memstore的是否需要flush为StoreFile文件。

hbase使用MemStore和StoreFile存储对表的更新。
数据在更新时首先写入Log(WAL log)和内存(MemStore)中，MemStore中的数据是排序的，当MemStore累计到一定阈值时，就会创建一个新的MemStore，并且将老的MemStore添加到flush队列，由单独的线程flush到磁盘上，成为一个StoreFile。于此同时，系统会在zookeeper中记录一个redo point，表示这个时刻之前的变更已经持久化了。
当系统出现意外时，可能导致内存(MemStore)中的数据丢失，此时使用Log(WAL log)来恢复checkpoint之后的数据。

StoreFile是只读的，一旦创建后就不可以再修改。因此Hbase的更新其实是不断追加的操作。当一个Store中的StoreFile达到一定的阈值后，就会进行一次合并,将对同一个key的修改合并到一起，形成一个大的StoreFile，当StoreFile的大小达到一定阈值后，又会对 StoreFile进行split，等分为两个StoreFile。
由于对表的更新是不断追加的，compact时，需要访问Store中全部的 StoreFile和MemStore，将他们按row key进行合并，由于StoreFile和MemStore都是经过排序的，并且StoreFile带有内存中索引，合并的过程还是比较快。

6_master下线是否会影响集群使用？
由于master只维护表和region的元数据，而不参与表数据IO的过程，master下线仅导致所有元数据的修改被冻结(无法创建删除表，无法修改表的schema，无法进行region的负载均衡，无法处理region 上下线，无法进行region的合并，唯一例外的是region的split可以正常进行，因为只有region server参与)，表的数据读写还可以正常进行。因此master下线短时间内对整个hbase集群没有影响。

二、hbase shell命令行操作

1、基本操作

//进入shell
./hbase shell
//显示hbase中的所有表
list

2、建表
因为hbase是nosql，所以不会语句的时候多依靠提示。

//创建表格
create 'user', 'info', 'data' 
create 'user', {NAME => 'info', VERSIONS => '3'}，{NAME => 'data'}

Hbase总结整理 3、插入数据

//向user表中插入信息，row key为rk0001，列族info中添加name列标示符，值为zhangsan
put 'user', 'rk0001', 'info:name', 'zhangsan'
//向user表中插入信息，row key为rk0001，列族info中添加gender列标示符，值为female
put 'user', 'rk0001', 'info:gender', 'female'
//向user表中插入信息，row key为rk0001，列族info中添加age列标示符，值为20
put 'user', 'rk0001', 'info:age', 20
//向user表中插入信息，row key为rk0001，列族data中添加pic列标示符，值为picture
put 'user', 'rk0001', 'data:pic', 'picture'

Hbase总结整理 4、查询

//获取user表中row key为rk0001的所有信息
get 'user', 'rk0001'
//获取user表中row key为rk0001，info列族的所有信息
get 'user', 'rk0001', 'info'
//获取user表中row key为rk0001，info列族的name、age列标示符的信息
get 'user', 'rk0001', 'info:name', 'info:age'
//获取user表中row key为rk0001，info、data列族的信息
get 'user', 'rk0001', 'info', 'data'
get 'user', 'rk0001', {COLUMN => ['info', 'data']}
get 'user', 'rk0001', {COLUMN => ['info:name', 'data:pic']}
//获取user表中row key为rk0001，列族为info，版本号最新5个的信息
get 'user', 'rk0001', {COLUMN => 'info', VERSIONS => 2}
get 'user', 'rk0001', {COLUMN => 'info:name', VERSIONS => 5}
get 'user', 'rk0001', {COLUMN => 'info:name', VERSIONS => 5, TIMERANGE => [1392368783980, 1392380169184]}
//获取user表中row key为rk0001，cell的值为zhangsan的信息
get 'people', 'rk0001', {FILTER => "ValueFilter(=, 'binary:zhangsan')"}
//获取user表中row key为rk0001，列标示符中含有a的信息
get 'people', 'rk0001', {FILTER => "(QualifierFilter(=,'substring:a'))"}

//扫描全表
scan 'user'
//查询user表中列族为info的信息
scan 'user', {COLUMNS => 'info'}
scan 'user', {COLUMNS => 'info', RAW => true, VERSIONS => 5}
scan 'person', {COLUMNS => 'info', RAW => true, VERSIONS => 3}
//查询user表中列族为info和data的信息
scan 'user', {COLUMNS => ['info', 'data']}
scan 'user', {COLUMNS => ['info:name', 'data:pic']}
//查询user表中列族为info、列标示符为name的信息
scan 'user', {COLUMNS => 'info:name'}
//查询user表中列族为info、列标示符为name的信息,并且版本最新的5个
scan 'user', {COLUMNS => 'info:name', VERSIONS => 5}
//查询user表中列族为info和data且列标示符中含有a字符的信息
scan 'user', {COLUMNS => ['info', 'data'], FILTER => "(QualifierFilter(=,'substring:a'))"}
//查询user表中列族为info，rk范围是[rk0001, rk0003)的数据
scan 'people', {COLUMNS => 'info', STARTROW => 'rk0001', ENDROW => 'rk0003'}
//查询user表中row key以rk字符开头的
scan 'user',{FILTER=>"PrefixFilter('rk')"}
//查询user表中指定范围的数据
scan 'user', {TIMERANGE => [1392368783980, 1392380169184]}

5、删除

//删除user表row key为rk0001，列标示符为info:name的数据
delete 'people', 'rk0001', 'info:name'
//删除user表row key为rk0001，列标示符为info:name，timestamp为1392383705316的数据
delete 'user', 'rk0001', 'info:name', 1392383705316
//清空user表中的数据
truncate 'people'
//删除表
disable 'user'
drop 'user'

6、修改表结构

//首先停用user表
disable 'user'
//添加两个列族f1和f2
alter 'people', NAME => 'f1'
alter 'user', NAME => 'f2'
//删除一个列族：
alter 'user', NAME => 'f1', METHOD => 'delete' 或 alter 'user', 'delete' => 'f1'
//添加列族f1同时删除列族f2
alter 'user', {NAME => 'f1'}, {NAME => 'f2', METHOD => 'delete'}
//将user表的f1列族版本号改为5
alter 'people', NAME => 'info', VERSIONS => 5
//启用表
enable 'user'

三、hbase高级应用

1_建表高级属性

下面几个shell 命令在hbase操作中可以起到很到的作用。

1、BLOOMFILTER
使用 HColumnDescriptor.setBloomFilterType(NONE | ROW | ROWCOL) 对列族单独启用布隆。
1）Default = ROW 对行进行布隆过滤。
2）对 ROW，行键的哈希在每次插入行时将被添加到布隆
3）对 ROWCOL，行键 + 列族 + 列族修饰的哈希将在每次插入行时添加到布隆
使用方法: create ‘table’,{BLOOMFILTER =>‘ROW’}
启用布隆过滤可以节省读磁盘过程，可以有助于降低读取延迟。

2、VERSIONS，默认是1
这个参数的意思是数据保留1个版本，如果我们认为我们的数据没有这么大的必要保留这么多，随时都在更新，而老版本的数据对我们毫无价值，那将此参数设为1 能节约2/3的空间
使用方法: create ‘table’,{VERSIONS=>‘2’}

3、COMPRESSION，默认值是NONE，即不使用压缩
这个参数意思是该列族是否采用压缩，采用什么压缩算法。
使用方法: create ‘table’,{NAME=>‘info’,COMPRESSION=>‘SNAPPY’}
建议采用SNAPPY压缩算法。
如果建表之初没有压缩，后来想要加入压缩算法，可以通过alter修改schema。

disable 'table'
alter 'table',{NAME=>'info',COMPRESSION=>'snappy'} 
enable 'table'

但是需要执行major_compact ‘table’ 命令之后才会做实际的操作。

4、TTL （Time To Live）
默认是 2147483647，即:Integer.MAX_VALUE的值大概是68年
这个参数是说明该列族数据的存活时间，单位是s ，超过存过时间的数据将在表中不在显示，待下次major compact的时候再彻底删除数据。
注意的是MIN_VERSIONS=>‘0’ 这样设置之后，TTL时间戳过期后，将彻底删除该family下所有的数据，如果MIN_VERSIONS 不等于0那将保留最新的MIN_VERSIONS个版本的数据，其它的全部删除，比如MIN_VERSIONS=>‘1’ 届时将保留一个最新版本的数据，其它版本的数据将不再保存。

5、describe ‘table’ 这个命令查看了create table 的各项参数或者是默认值。

6、disable_all ‘toplist.*’
disable_all 支持正则表达式，并列出当前匹配的表的如下：
toplist_a_total_1001
toplist_a_total_1002
…
Disable the above 25 tables (y/n)?

7、drop_all 这个命令和disable_all的使用方式是一样的。

8、hbase 表预分区
默认情况下，在创建HBase表的时候会自动创建一个region分区，当导入数据的时候，所有的HBase客户端都向这一个region写数据，直到这个region足够大了才进行切分。一种可以加快批量写入速度的方法是通过预先创建一些空的regions，这样当数据写入HBase时，会按照region分区情况，在集群内做数据的负载均衡。
命令方式:
create ‘t1’, ‘f1’, {NUMREGIONS => 15, SPLITALGO => ‘HexStringSplit’}
也可以使用api的方式:
bin/hbase org.apache.hadoop.hbase.util.RegionSplitter test_table HexStringSplit -c 10 -f info
参数：
HexStringSplit 是split 方式
-c 是分10个region
-f 是family
这样就可以将表预先分为15个区，减少数据达到storefile 大小的时候自动分区的时间消耗，并且还有以一个优势，就是合理设计rowkey 能让各个region 的并发请求平均分配(趋于均匀) 使IO 效率达到最高，但是预分区需要将filesize 设置一个较大的值，hbase.hregion.max.filesize 这个值默认是10G 也就是说单个region 默认大小是10G。
但是如果MapReduce Input类型为TableInputFormat 使用hbase作为输入的时候，就要注意了，每个region一个map，如果数据小于10G 那只会启用一个map 造成集群很大的资源没有利用，这时候可以考虑适当调小该参数的值，或者采用预分配region的方式，并将检测如果达到这个值，再手动分配region。

2_hbase行键设计

1、表结构设计
列族数量的设定，可以将必须的基本信息存放在一个列族，而一些附加的额外信息可以放在另一列族。
2、行键的设计
将需要批量查询的数据尽可能连续存放，尽可能将查询条件关键词拼装到rowkey中，查询频率最高的条件尽量往前靠。
例如：
20150230-zhangsan-category…
20150230-lisi-category…

3_hbase设计原则

rowkey长度原则 | rowkey散列原则 | rowkey唯一原则
1、rowkey长度原则
rowkey是一个二进制码流，可以是任意字符串，最大长度64kb，实际应用中一般为10-100bytes，以byte[]形式保存，一般设计成定长。
建议越短越好，不要超过16个字节，原因如下：
1）数据的持久化文件HFile中是按照KeyValue存储的，如果rowkey过长，比如超过100字节，1000w行数据，光rowkey就要占用100*1000w=10亿个字节，将近1G数据，这样会极大影响HFile的存储效率；
2）MemStore将缓存部分数据到内存，如果rowkey字段过长，内存的有效利用率就会降低，系统不能缓存更多的数据，这样会降低检索效率。
2、rowkey散列原则
如果rowkey按照时间戳的方式递增，不要将时间放在二进制码的前面，建议将rowkey的高位作为散列字段，由程序随机生成，低位放时间字段，这样将提高数据均衡分布在每个RegionServer，以实现负载均衡的几率。如果没有散列字段，首字段直接是时间信息，所有的数据都会集中在一个RegionServer上，这样在数据检索的时候负载会集中在个别的RegionServer上，造成热点问题，会降低查询效率。
3、rowkey唯一原则
必须在设计上保证其唯一性，rowkey是按照字典顺序排序存储的，因此，设计rowkey的时候，要充分利用这个排序的特点，将经常读取的数据存储到一块，将最近可能会被访问的数据放到一块。

4_热点问题

HBase中的行是按照rowkey的字典顺序排序的，这种设计优化了scan操作，可以将相关的行以及会被一起读取的行存取在临近位置，便于scan。然而糟糕的rowkey设计是热点的源头。
热点发生在大量的client直接访问集群的一个或极少数个节点（访问可能是读，写或者其他操作）。大量访问会使热点region所在的单个机器超出自身承受能力，引起性能下降甚至region不可用，这也会影响同一个RegionServer上的其他region，由于主机无法服务其他region的请求。
设计良好的数据访问模式以使集群被充分，均衡的利用。为了避免写热点，设计rowkey使得不同行在同一个region，但是在更多数据情况下，数据应该被写入集群的多个region，而不是一个。下面是一些常见的避免热点的方法：
1、加盐
即在rowkey的前面增加随机数，具体就是给rowkey分配一个随机前缀以使得它和之前的rowkey的开头不同。
2、哈希
哈希会使同一行永远用一个前缀加盐。哈希也可以使负载分散到整个集群，但是读却是可以预测的。使用确定的哈希可以让客户端重构完整的rowkey，可以使用get操作准确获取某一个行数据。
3、反转
反转固定长度或者数字格式的rowkey。这样可以使得rowkey中经常改变的部分（最没有意义的部分）放在前面。这样可以有效的随机rowkey，但是牺牲了rowkey的有序性。
反转rowkey的例子以手机号为rowkey，可以将手机号反转后的字符串作为rowkey，这样的就避免了以手机号那样比较固定开头导致热点问题。
1351023------>3201531
1369301------>1039631
4、时间戳反转
一个常见的数据处理问题是快速获取数据的最近版本，使用反转的时间戳作为rowkey的一部分对这个问题十分有用，可以用 Long.Max_Value - timestamp 追加到key的末尾，而HBase中rowkey是有序的，第一条记录是最后录入的数据。
5、其他一些建议：
尽量减少行键和列族的大小在HBase中，value永远和它的key一起传输的。当具体的值在系统间传输时，它的rowkey，列名，时间戳也会一起传输。如果你的rowkey和列名很大，这个时候它们将会占用大量的存储空间。
列族尽可能越短越好，最好是一个字符。
冗长的属性名虽然可读性好，但是更短的属性名存储在HBase中会更好。

Hbase总结整理