HBase 数据结构

HBase 虽然也有表、列这样的逻辑结构，但是整体上是以一种 k-v 键值对的方式来存储数据的。
纵向来看，HBase 中的每张表由 Rowkey 和若干个列族或者称为列簇组成。其中 Rowkey 是每一行数据的唯一标识，在对数据进行管理时，必须自行保证 Rowkey 的唯一性。接下来 HBase 依然会以不同的列来管理数据，但是这些列分别归属于不同的列簇。在 HBase 中，同一张表的数据，只需要保证列簇是相同的，而列簇下的列，可以是不相同的。所以由此可以扩展出非常多的列。在 HBase 中，对于同一张表，不建议定义过多的列簇，通常不要超过三个。而更多的数据，可以以列的方式来扩展。
从横向来看，HBase 中的记录，会划分为一个一个的 Region，存储在不同的 RegionServer 上。并且会在不同的 RegionServer 之前形成备份，以 Region 为单位提供了故障后自动恢复的机制。
最后，从整体来看，HBase 虽然还是以 HDFS 作为文件存储，但是他存储的数据不再是简单的文本文件，而是经过 HBase 优化压缩过的二进制文件，所以他的存储文件通常是不能够直接查看的。

RowKey

Rowkey 是用来检索记录的唯一主键，类似于 Redis 中的 key。访问 HBase 中的表数据，只能通过 Rowkey 来查找。访问 HBase 的数据只有三种方式：
1、通过 get 指令访问单个 rowkey 对应的数据。
2、通过 scan 指令，默认全表扫描。
3、通过 scan 指令，指定 rowkey 的范围，进行范围查找。
Rowkey 可以是任意字符串，最大长度是 64 KB，实际中通常用不到这么长。在 HBase 内部，Rowkey 保存为字节数组。存储时，会按照 Rowkey 的字典顺序排序存储。
在实际使用时，对 Rowkey 的设计是很重要的，往往需要将一些经常读取的重要列都包含到 Rowkey 中。并且要充分考虑到排序存储这个特性，让一些相关的数据尽量放到一起。比如我们创建一个用户表，经常会按用户 ID 来查询， 那 Rowkey 中一定要包含用户 ID 字段。而如果把用户 ID 放在 Rowkey 的开头，那数据就会按照用户 ID 排序存储，查询 Rowkey 时效率就会比较快。

列簇与列

HBase 中的列都是归属于某一个 Column Family(列簇) 的，HBase 在表定义中只有对列簇的定义，没有对列的定义。也就是说，列是可以在列簇下随意扩展的。要访问列，也必须以列簇作为前缀，使用冒号进行连接。列中的数据是没有类型的， 全部都是以字节码形式存储。同一个表中，列簇不宜定义过多。
物理上，一个列簇下的所有列都是存储在一起的。也就是说 HBase 是以列簇为单位来组织文件，对应 HDFS 中一个单独的目录。由于 HBase 对于数据的索引和存储都是在列簇级别进行区分的，所以，通常在使用时，建议一个列簇下的所有列都有大致相同的数据结构和数据大小，这样可以提高 HBase 管理数据的效率。

Versions

在 HBase 中，是以一个 {row,column,version} 这样的数据唯一确定一个存储单元，称为 cell。在 HBase 中，可能存在很多 cell 有相同的 row 和 column，但是却有不同的版本。多次使用 put 指令，指定相同的 row 和 column，就会产生同一个数据的多个版本。
默认情况下，HBase 是在数据写入时以时间戳作为默认的版本，也就是用 scan 指令查找数据时看到的 timestamp 内容。HBase 就是以这个时间戳降序排列来存储数据的，所以，HBase 去读取数据时，默认就会返回最近写入的数据。客户端也可以指定写入数据的版本，并且这个版本并不要求严格递增。
当一个数据有多个版本时，HBase 会保证只有最后一个版本的 cell 数据是可以查询的，而至于其他的版本，会由 HBase 提供版本回收机制，在某个时间进行删除。
另外，在使用 scan 查询批量数据时，Hbase 会返回一个已经排好序的结果。按照 列=>列簇=>时间戳 的顺序进行排序。也可以在scan 时，指定逆序返回。

#给basicinfo声明最多保存5个版本
alter 'user',NAME => 'basicinfo',VERSIONS=>5
#指定最少两个版本
alter 'user',NAME => 'basicinfo',MIN_VERSIONS => 2
#查询多个版本的数据。
get 'user','1001',{COLUMN => 'basicinfo:name',VERSIONS => 3}
#查询10个历史版本
scan 'user',{RAW => true, VERSIONS => 10}

Namespace

在创建表的时候，还可以指定表所属的命名空间。例如：

create_namespace 'my_ns'
create 'my_ns:my_table','fam'
alter_namespace 'my_ns',{METHOD => 'set','PROPERTY_NAME' =>'PROPERTY_VALUE'}
list_namespace
drop_namespace 'my_ns'

在 HBase 中，每个命名空间会对应 HDFS 上的 /hbase/data 目录下的一个文件夹。不同命名空间的表存储是隔离的。在 HDFS 上可以看到， HBase 默认创建了两个命名空间，一个是 hbase，这是系统的命名空间，用来存放 HBase 的一些内部表。另一个是 default，这个是默认的命名空间。不指定命名空间的表都会创建在这个命名空间下。