hbase数据库介绍

简介

hbase是bigtable的开源java版本。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。
它介于nosql和RDBMS之间，仅能通过主键(row key)和主键的range来检索数据，仅支持单行事务(可通过hive支持来实现多表join等复杂操作)。

主要用来存储结构化和半结构化的松散数据。
Hbase查询数据功能很简单，不支持join等复杂操作，不支持复杂的事务（行级的事务）
Hbase中支持的数据类型：byte[]

与hadoop一样，Hbase目标主要依靠横向扩展，通过不断增加廉价的商用服务器，来增加计算和存储能力。

HBase中的表一般有这样的特点：

  • 大：一个表可以有上十亿行，上百万列
  • 无模式: 每行都有一个可排序的主键和任意多的列,列可以根据需要动态的增加,同一张表中不同的行可以有截然不同的列
  • 面向列:面向列(族)的存储和权限控制，列(族)独立检索
  • 稀疏:对于为空(null)的列，并不占用存储空间，因此，表可以设计的非常稀疏
  • 数据多版本:每个单元的数据可以有多个版本,默认情况下版本号自动分配,是单元插入时的时间戳
  • 数据类型单一:Hbase中的数据都是字节数组byte[]

列式和行式存储

行式存储

数据以一行的形式存储在磁盘
要找一个数据, 要查询多次多个行

image.png

image.png
image.png

列式存储

以列式将数据存储在磁盘上
image.png
数据紧凑的存储在磁盘上
image.png

各种查询

  • 基于特定字段查询
  • 基于特定字段进行结果输出

在数据查询过程中, 磁盘只要转动很少的次数, 就能将数据查询并返回

列式存储解决的问题:

  • 数据库不读取无效数据: 提高了系统I/O
  • 数据压缩比: 节省磁盘空间,每个数据包内都是同类型的数据, 数据相关性大, 也能利用cache I/O
  • 只关心其中的几个列
  • 提高查询响应时间

列式存储如何高效新增?

  • 多个列族, 并发写磁盘
  • 同一个列族内顺序存储Block

列式存储如何高效更新?

  • 新增: 添加一个新版本号的数据
  • 查询: 默认查询最新版本数据

列式存储如何高效删除?

  • 删除: 添加删除标记keyType=Delete
  • 查询: keyType=Delete表示数据已经删除
  • Major_compaction: 删除物理数据

image.png

image.png

表结构逻辑视图

HBase以表的形式存储数据。表有行和列组成。列划分为若干个列族(column family)

image.png

Row Key

与nosql数据库们一样,row key是用来检索记录的主键。访问hbase table中的行，只有三种方式：

  1. 通过单个row key访问
  2. 通过row key的range
  3. 全表扫描

Row key行键 (Row key)可以是任意字符串(最大长度是 64KB，实际应用中长度一般为 10-100bytes)，在hbase内部，row key保存为字节数组。
Hbase会对表中的数据按照rowkey排序(字典顺序)

存储时，数据按照Row key的字典序(byte order)排序存储。设计key时，要充分排序存储这个特性，将经常一起读取的行存储放到一起。(位置相关性)
注意：
字典序对int排序的结果是
1,10,100,11,12,13,14,15,16,17,18,19,2,20,21,…,9,91,92,93,94,95,96,97,98,99。要保持整形的自然序，行键必须用0作左填充。

行的一次读写是原子操作 (不论一次读写多少列)
这个设计决策能够使用户很容易的理解程序在对同一个行进行并发更新操作时的行为。

列族

hbase表中的每个列，都归属与某个列族。列族是表的schema的一部分(而列不是)，必须在使用表之前定义。

列名都以列族作为前缀。例如courses:history ， courses:math 都属于 courses 这个列族。
访问控制、磁盘和内存的使用统计都是在列族层面进行的。
列族越多，在取一行数据时所要参与IO、搜寻的文件就越多，所以，如果没有必要，不要设置太多的列族

时间戳

HBase中通过row和columns确定的为一个存贮单元称为cell。
每个 cell都保存着同一份数据的多个版本。
版本通过时间戳来索引。时间戳的类型是 64位整型。
时间戳可以由hbase(在数据写入时自动 )赋值，此时时间戳是精确到毫秒的当前系统时间。
时间戳也可以由客户显式赋值。
如果应用程序要避免数据版本冲突，就必须自己生成具有唯一性的时间戳。
每个 cell中,不同版本的数据按照时间倒序排序，即最新的数据排在最前面。

为了避免数据存在过多版本造成的的管理 (包括存贮和索引)负担，hbase提供了两种数据版本回收方式：

  • 保存数据的最后n个版本
  • 保存最近一段时间内的版本（设置数据的生命周期TTL）。

用户可以针对每个列族进行设置。

Cell

由{row key, column( =<family> + <label>), version}唯一确定的单元。
cell中的数据是没有类型的，全部是字节码形式存贮。

image.png

hbase的四维数据模型

image.png