Chapter4-厦门大学-林子雨-大数据技术原理与应用-第四章-分布式数据库HBase41

《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]厦门大学计算机科学系2015年版林子雨厦门大学计算机科学系E-mail:[e-mail]主页：（PPT版本号：2015年6月第1.0版）《大数据技术原理与应用》：编辑幻灯片母版，可以修改每页PPT的厦大校徽和底部文字《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]提纲•4.1概述•4.2HBase访问接口•4.3HBase数据模型•4.4HBase的实现原理•4.5HBase运行机制•4.6HBase编程实践欢迎访问《大数据技术原理与应用》教材官方网站：：21世纪高等教育计算机规划教材《大数据技术原理与应用——概念、存储、处理、分析与应用》（2015年6月第1版）厦门大学林子雨编著，人民邮电出版社ISBN:978-7-115-39287-9《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.1概述•4.1.1从BigTable说起•4.1.2HBase简介•4.1.3HBase与传统关系数据库的对比分析《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.1.1从BigTable说起•BigTable是一个分布式存储系统•利用谷歌提出的MapReduce分布式并行计算模型来处理海量数据•使用谷歌分布式文件系统GFS作为底层数据存储•采用Chubby提供协同服务管理•可以扩展到PB级别的数据和上千台机器，具备广泛应用性、可扩展性、高性能和高可用性等特点•谷歌的许多项目都存储在BigTable中，包括搜索、地图、财经、打印、社交网站Orkut、视频共享网站YouTube和博客网站Blogger等《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.1.2HBase简介HBase是一个高可靠、高性能、面向列、可伸缩的分布式数据库，是谷歌BigTable的开源实现，主要用来存储非结构化和半结构化的松散数据。HBase的目标是处理非常庞大的表，可以通过水平扩展的方式，利用廉价计算机集群处理由超过10亿行数据和数百万列元素组成的数据表ETL工具BI报表RDBMSPigHiveSqoopMapReduceHBaseHDFS(HadoopDistributedFileSystem)ZookeeperAvroHadoop生态系统图4-1Hadoop生态系统中HBase与其他部分的关系《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.1.2HBase简介表4-1HBase和BigTable的底层技术对应关系BigTableHBase文件存储系统GFSHDFS海量数据处理MapReduceHadoopMapReduce协同服务管理ChubbyZookeeper《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.1.3HBase与传统关系数据库的对比分析•HBase与传统的关系数据库的区别主要体现在以下几个方面：•（1）数据类型：关系数据库采用关系模型，具有丰富的数据类型和存储方式，HBase则采用了更加简单的数据模型，它把数据存储为未经解释的字符串•（2）数据操作：关系数据库中包含了丰富的操作，其中会涉及复杂的多表连接。HBase操作则不存在复杂的表与表之间的关系，只有简单的插入、查询、删除、清空等，因为HBase在设计上就避免了复杂的表和表之间的关系•（3）存储模式：关系数据库是基于行模式存储的。HBase是基于列存储的，每个列族都由几个文件保存，不同列族的文件是分离的《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.1.3HBase与传统关系数据库的对比分析•HBase与传统的关系数据库的区别主要体现在以下几个方面：•（4）数据索引：关系数据库通常可以针对不同列构建复杂的多个索引，以提高数据访问性能。HBase只有一个索引——行键，通过巧妙的设计，HBase中的所有访问方法，或者通过行键访问，或者通过行键扫描，从而使得整个系统不会慢下来•（5）数据维护：在关系数据库中，更新操作会用最新的当前值去替换记录中原来的旧值，旧值被覆盖后就不会存在。而在HBase中执行更新操作时，并不会删除数据旧的版本，而是生成一个新的版本，旧有的版本仍然保留•（6）可伸缩性：关系数据库很难实现横向扩展，纵向扩展的空间也比较有限。相反，HBase和BigTable这些分布式数据库就是为了实现灵活的水平扩展而开发的，能够轻易地通过在集群中增加或者减少硬件数量来实现性能的伸缩《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.2HBase访问接口表4-2HBase访问接口类型特点场合NativeJavaAPI最常规和高效的访问方式适合HadoopMapReduce作业并行批处理HBase表数据HBaseShellHBase的命令行工具，最简单的接口适合HBase管理使用ThriftGateway利用Thrift序列化技术，支持C++、PHP、Python等多种语言适合其他异构系统在线访问HBase表数据RESTGateway解除了语言限制支持REST风格的HttpAPI访问HBasePig使用PigLatin流式编程语言来处理HBase中的数据适合做数据统计Hive简单当需要以类似SQL语言方式来访问HBase的时候《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.3HBase数据模型•4.3.1数据模型概述•4.3.2数据模型相关概念•4.3.3数据坐标•4.3.4概念视图•4.3.5物理视图•4.3.6面向列的存储《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.3.1数据模型概述•HBase是一个稀疏、多维度、排序的映射表，这张表的索引是行键、列族、列限定符和时间戳•每个值是一个未经解释的字符串，没有数据类型•用户在表中存储数据，每一行都有一个可排序的行键和任意多的列•表在水平方向由一个或者多个列族组成，一个列族中可以包含任意多个列，同一个列族里面的数据存储在一起•列族支持动态扩展，可以很轻松地添加一个列族或列，无需预先定义列的数量以及类型，所有列均以字符串形式存储，用户需要自行进行数据类型转换•HBase中执行更新操作时，并不会删除数据旧的版本，而是生成一个新的版本，旧有的版本仍然保留《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.3.2数据模型相关概念•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（rowkey）来标识。访问表中的行只有三种方式：（1）通过单个行键访问；（2）通过一个行键的区间来访问；（3）全表扫描•列族：一个HBase表被分组成许多“列族”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《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.3.2数据模型相关概念图4-2HBase数据模型的一个实例《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.3.3数据坐标•HBase中需要根据行键、列族、列限定符和时间戳来确定一个单元格，因此，可以视为一个“四维坐标”，即[行键,列族,列限定符,时间戳]键值[“201505003”,“Info”,“email”,1174184619081]“[e-mail]”[“201505003”,“Info”,“email”,1174184620720]“[e-mail]”《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.3.4概念视图表4-4HBase数据的概念视图行键时间戳列族contents列族anchorcom.cnn.wwwt5anchor:cnnsi.com=”CNN”t4anchor:my.look.ca=CNN.comt3contents:html=html...t2contents:html=html...t1contents:html=html...《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.3.5物理视图表4-5HBase数据的物理视图列族contents行键时间戳列族contentscom.cnn.wwwt3contents:html=html...t2contents:html=html...t1contents:html=html...列族anchor行键时间戳列族anchorcom.cnn.wwwt5anchor:cnnsi.com=”CNN”t4anchor:my.look.ca=CNN.com《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.3.6面向列的存储图4-3行式数据库和列式数据库示意图《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.3.6面向列的存储图4-4行式存储结构和列式存储结构《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.4HBase的实现原理•4.4.1HBase功能组件•4.4.2表和Region•4.4.3Region的定位《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.4.1HBase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•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•主服务器Master负责管理和维护HBase表的分区信息•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《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.4.2表和Region图4-5一个HBase表被划分成多个Region图4-6一个Region会分裂成多个新的Region按照行键字典序表RegionRegionRegion...表RegionRegionRegion...表RegionRegionRegionRegion...分裂《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.4.2表和Region图4-7不同的Region可以分布在不同的Region服务器上表1RegionRegionRegionRegion表2RegionRegionRegionRegion……Region服务器《大数据技术原理与应用》厦门大学计算机科学系林子雨[e-mail]4.4.3Region的定位图4-8HBase的三层结构ZooKeeper文件-ROOT-表.META.表..................用户数据表