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HBase(2016年

《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2016年版林子雨厦门大学计算机科学系E-mail:[e-mail]主页：第四章分布式数据库HBase（PPT版本号：2016年3月10日版本）《大数据技术原理与应用》温馨提示：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应用方案•4.7HBase编程实践欢迎访问《大数据技术原理与应用》教材官方网站：本PPT是如下教材的配套讲义：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8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BigTable起初用于解决典型的互联网搜索问题•建立互联网索引1爬虫持续不断地抓取新页面，这些页面每页一行地存储到BigTable里2MapReduce计算作业运行在整张表上，生成索引，为网络搜索应用做准备•搜索互联网3用户发起网络搜索请求4网络搜索应用查询建立好的索引，从BigTable得到网页5搜索结果提交给用户网页在BigTable中的存储样例《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]4.1.1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]4.1.2HBase简介关系数据库已经流行很多年，并且Hadoop已经有了HDFS和MapReduce，为什么需要HBase?•Hadoop可以很好地解决大规模数据的离线批量处理问题，但是，受限于HadoopMapReduce编程框架的高延迟数据处理机制，使得Hadoop无法满足大规模数据实时处理应用的需求•HDFS面向批量访问模式，不是随机访问模式•传统的通用关系型数据库无法应对在数据规模剧增时导致的系统扩展性和性能问题（分库分表也不能很好解决）•传统关系数据库在数据结构变化时一般需要停机维护；空列浪费存储空间•因此，业界出现了一类面向半结构化数据存储和处理的高可扩展、低写入/查询延迟的系统，例如，键值数据库、文档数据库和列族数据库（如BigTable和HBase等）•HBase已经成功应用于互联网服务领域和传统行业的众多在线式数据分析处理系统中《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（这是和HDFS只允许追加不允许修改的特性相关的）《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]4.3.2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。•列族：一个HBase表被分组成许多“列族”（ColumnFamily）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]4.3.3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.=”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.=html...t2contents:html=html...t1contents:html=html...列族anchor行键时间戳列族anchorcom.cnn.=”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