大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cnE-mail:ziyulinxmu.edu.cn主页：主页：http:/www.cs.xmu.edu.cn/linziyu章分布式数据库章分布式数据库HBase（PPT版本号：版本号：2015年年6月第月第1.0版）版）大数据技术原理与应用大数据技术原理与应用http:/dblab.xmu.edu.cn/post/bigdata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ziyulinxmu.edu.cn提纲4.1 概述概述4.2 HBase访问接口访问接口4.3 HBase数据模型数据模型4.4 HBase的实现原理的实现原理4.5 HBase运行机制运行机制4.6 HBase编程实践编程实践欢迎访问大数据技术原理与应用教材官方网站：http:/dblab.xmu.edu.cn/post/bigdata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ziyulinxmu.edu.cn4.1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ziyulinxmu.edu.cn4.1.1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ziyulinxmu.edu.cn4.1.2HBase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ziyulinxmu.edu.cn4.1.2HBase简介表4-1 HBase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MapReduceHadoop MapReduce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ziyulinxmu.edu.cn4.1.3HBase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ziyulinxmu.edu.cn4.1.3HBase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ziyulinxmu.edu.cn4.2HBase访问接口表4-2 HBase访问接口类型特点场合Native Java API最常规和高效的访问方式适合Hadoop MapReduce作业并行批处理HBase表数据HBase ShellHBase的命令行工具，最简单的接口适合HBase管理使用Thrift Gateway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REST Gateway解除了语言限制支持REST风格的Http API访问HBasePig使用Pig Latin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ziyulinxmu.edu.cn4.3HBase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ziyulinxmu.edu.cn4.3.1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ziyulinxmu.edu.cn4.3.2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ziyulinxmu.edu.cn4.3.2数据模型相关概念图4-2 HBase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ziyulinxmu.edu.cn4.3.3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“xieqq.com”“201505003”, “Info”, “email”, 1174184620720“you163.com”大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.3.4概念视图表4-4 HBase数据的概念视图行行键时间戳戳列族列族contents列族列族anchorcom.cnn.wwwt5anchor:cnnsi.com=”CNN”t4anchor:my.look.ca=CNN.comt3contents:html=. t2contents:html=. t1contents:html=. 大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.3.5物理视图表4-5 HBase数据的物理视图列族contents行行键时间戳戳列族列族contentscom.cnn.wwwt3contents:html=.t2contents:html=.t1contents:html=.列族anchor行行键时间戳戳列族列族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ziyulinxmu.edu.cn4.3.6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ziyulinxmu.edu.cn4.3.6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ziyulinxmu.edu.cn4.4HBase的实现原理4.4.1HBase功能组件4.4.2表和Region4.4.3Region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ziyulinxmu.edu.cn4.4.1HBase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ziyulinxmu.edu.cn4.4.2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大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.4.2表和Region图4-7 不同的Region可以分布在不同的Region服务器上大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.4.3Region的定位图4-8 HBase的三层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ziyulinxmu.edu.cn4.4.3Region的定位表4-6 HBase的三层结构中各层次的名称和作用层次次名称名称作用作用第一层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位置信息大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.5HBase运行机制4.5.1HBase系统架构4.5.2Region服务器工作原理4.5.3Store工作原理4.5.4HLog工作原理大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.5.1HBase系统架构图4-9 HBase的系统架构大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.5.1HBase系统架构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大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.5.2Region服务器工作原理图4-10Region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读写数据过程2. 缓存的刷新缓存的刷新3. StoreFile的合并的合并大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.5.3Store工作原理图4-11StoreFile的合并和分裂过程大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.5.4HLog工作原理HBase系统为每个Region服务器配置了一个HLog文件，它是一种预写式日志（WriteAheadLog）Zookeeper会实时监测每个Region服务器的状态，当某个Region服务器发生故障时，Zookeeper会通知MasterMaster首先会处理该故障Region服务器上面遗留的HLog文件，这个遗留的HLog文件中包含了来自多个Region对象的日志记录系统会根据每条日志记录所属的Region对象对HLog数据进行拆分，分别放到相应Region对象的目录下，然后，再将失效的Region重新分配到可用的Region服务器中，并把与该Region对象相关的HLog日志记录也发送给相应的Region服务器Region服务器领取到分配给自己的Region对象以及与之相关的HLog日志记录以后，会重新做一遍日志记录中的各种操作，把日志记录中的数据写入到MemStore缓存中，然后，刷新到磁盘的StoreFile文件中，完成数据恢复共用日志优点：提高对表的写操作性能；缺点：恢复时需要分拆日志大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.6HBase编程实践本节主要介绍Linux中关于HBase数据库的常用Shell命令，以及数据处理常用的JavaAPI4.6.1HBase常用Shell命令4.6.2HBase常用JavaAPI及应用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ziyulinxmu.edu.cn4.6.1HBase常用Shell命令create：创建表list：列出HBase中所有的表信息大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.6.1HBase常用Shell命令put：向表、行、列指定的单元格添加数据scan：浏览表的相关信息大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.6.1HBase常用Shell命令get：通过表名、行、列、时间戳、时间范围和版本号来获得相应单元格的值大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.6.1HBase常用Shell命令enable/disable：使表有效或无效drop：删除表大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.6.2HBase常用JavaAPI及应用实例Hbase常用常用Java API（1）org.apache.hadoop.hbase.client.HBaseAdmin该类用于管理HBase数据库的表信息，包括创建或删除表、列出表项、使表有效或无效、添加或删除表的列族成员、检查HBase的运行状态等（2）org.apache.hadoop.hbase.HBaseConfiguration该类用于管理HBase的配置信息（3）org.apache.hadoop.hbase.client.HTable用于与HBase进行通信。如果多个线程对一个HTable对象进行put或者delete操作的话，则写缓冲器可能会崩溃大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.6.2HBase常用JavaAPI及应用实例（4）org.apache.hadoop.hbase.HTableDescriptorHTableDescriptor包含了HBase中表格的详细信息，例如表中的列族、该表的类型（-ROOT-，.META.）、该表是否只读、MemStore的最大空间、Region什么时候应该分裂等等（5）org.apache.hadoop.hbase.HColumnDescriptorHColumnDescriptor包含了列族的详细信息，例如列族的版本号、压缩设置等。HColumnDescriptor通常在添加列族或者创建表的时候使用。列族一旦建立就不能被修改，只能通过删除列族，然后再创建新的列族来间接的修改列族。一旦列族被删除了，该列族包含的数据也随之被删除大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn4.6.2HBase常用JavaAPI及应用实例（6）org.apache.hadoop.hbase.client.Put用来对单元格执行添加数据操作（7）org.apache.hadoop.hbase.client.Get用来获取单行的信息（8）org.apache.hadoop.hbase.client.Result用于存放Get或Scan操作后的查询结果，并以的格式存储在map结构中。该类不是线程安全的（9）Org.apache.hadoop.hbase.client.ResultScanner客户端获取值的接口大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn本章小结本章详细介绍了HBase数据库的知识。HBase数据库是BigTable的开源实现，和BigTable一样，支持大规模海量数据，分布式并发数据处理效率极高，易于扩展且支持动态伸缩，适用于廉价设备HBase可以支持NativeJavaAPI、HBaseShell、ThriftGateway、RESTGateway、Pig、Hive等多种访问接口，可以根据具体应用场合选择相应访问方式HBase实际上就是一个稀疏、多维、持久化存储的映射表，它采用行键、列键和时间戳进行索引，每个值都是未经解释的字符串。本章介绍了HBase数据在概念视图和物理视图中的差别HBase采用分区存储，一个大的表会被分拆许多个Region，这些Region会被分发到不同的服务器上实现分布式存储HBase的系统架构包括客户端、Zookeeper服务器、Master主服务器、Region服务器。客户端包含访问HBase的接口；Zookeeper服务器负责提供稳定可靠的协同服务；Master主服务器主要负责表和Region的管理工作；Region服务器负责维护分配给自己的Region，并响应用户的读写请求本章最后详细介绍了HBase运行机制和编程实践的知识大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cn主讲教师和助教单位：厦门大学计算机科学系E-mail:ziyulinxmu.edu.cn个人网页：http:/www.cs.xmu.edu.cn/linziyu数据库实验室网站：http:/dblab.xmu.edu.cn主讲教师：林子雨主讲教师：林子雨单位：厦门大学计算机科学系数据库实验室2013级硕士研究生（导师：林子雨）E-mail:caiminxing126.com助教：蔡珉星助教：蔡珉星欢迎访问大数据技术原理与应用概念、存储、处理、分析与应用教材官方网站：http:/dblab.xmu.edu.cn/post/bigdata大数据技术原理与应用厦门大学计算机科学系林子雨ziyulinxmu.edu.cnDepartment of Computer Science, Xiamen University, June, 2015激励学生学习的名言格言激励学生学习的名言格言220、每一个成功者都有一个开始。勇于开始，才能找到成功的路。221、世界会向那些有目标和远见的人让路（冯两努香港著名推销商）222、绊脚石乃是进身之阶。223、销售世界上第一号的产品不是汽车，而是自己。在你成功地把自己推销给别人之前，你必须百分之百的把自己推销给自己。224、即使爬到最高的山上，一次也只能脚踏实地地迈一步。225、积极思考造成积极人生，消极思考造成消极人生。226、人之所以有一张嘴，而有两只耳朵，原因是听的要比说的多一倍。227、别想一下造出大海，必须先由小河川开始。228、有事者，事竟成；破釜沉舟，百二秦关终归楚；苦心人，天不负；卧薪尝胆，三千越甲可吞吴。229、以诚感人者，人亦诚而应。230、积极的人在每一次忧患中都看到一个机会，而消极的人则在每个机会都看到某种忧患。231、出门走好路，出口说好话，出手做好事。232、旁观者的姓名永远爬不到比赛的计分板上。233、怠惰是贫穷的制造厂。234、莫找借口失败，只找理由成功。（不为失败找理由，要为成功找方法）235、如果我们想要更多的玫瑰花，就必须种植更多的玫瑰树。236、伟人之所以伟大，是因为他与别人共处逆境时，别人失去了信心，他却下决心实现自己的目标。237、世上没有绝望的处境，只有对处境绝望的人。238、回避现实的人，未来将更不理想。239、当你感到悲哀痛苦时，最好是去学些什么东西。学习会使你永远立于不败之地。240、伟人所达到并保持着的高处，并不是一飞就到的，而是他们在同伴们都睡着的时候，一步步艰辛地向上爬241、世界上那些最容易的事情中，拖延时间最不费力。242、坚韧是成功的一大要素，只要在门上敲得够久、够大声，终会把人唤醒的。243、人之所以能，是相信能。244、没有口水与汗水，就没有成功的泪水。245、一个有信念者所开发出的力量，大于99个只有兴趣者。246、环境不会改变，解决之道在于改变自己。247、两粒种子，一片森林。248、每一发奋努力的背后，必有加倍的赏赐。249、如果你希望成功，以恒心为良友，以经验为参谋，以小心为兄弟，以希望为哨兵。250、大多数人想要改造这个世界，但却罕有人想改造自己。