Hbase介绍
Hadoop生态系统
spark已经替代mahout
hbase简介：
非关系型数据库知识面扩展
cassandra、hbase、mongodb（文档型数据库）、redis
couchdb，文件存储数据库
Neo4j非关系型图数据库
Hbase
- Hadoop Database，是一个高可靠性、高性能、面向列（面向列的KV数据库）、可伸缩（动态扩展机器。不需要停服务）、实时读写的分布式数据库
- 利用Hadoop HDFS作为其文件存储系统,利用Hadoop MapReduce来处理HBase中的海量数据,利用Zookeeper作为其分布式协同服务
- 主要用来存储非结构化和半结构化的松散数据（列存 NoSQL 数据库）
官网简介http://hbase.apache.org/
Use Apache HBase™ when you need random, realtime read/write access to your Big Data. This project's goal is the hosting of very large tables -- billions of rows X millions of columns -- atop clusters of commodity hardware. Apache HBase is an open-source, distributed, versioned, non-relational database modeled after Google's Bigtable: A Distributed Storage System for Structured Data by Chang et al. Just as Bigtable leverages the distributed data storage provided by the Google File System, Apache HBase provides Bigtable-like capabilities on top of Hadoop and HDFS.
hbase数据模型
hbase中一行数据row key类似于主键。cf（column family列族：一堆列的集合）time stamp 时间戳：控制版本
ROW KEY
决定一行数据
按照字典顺序排序的。
Row key只能存储64k的字节数据(一般存10到100个字节)
Column Family列族 & qualifier列
HBase表中的每个列都归属于某个列族，列族必须作为表模式(schema)定义的一部分预先给出。如 create ‘test’, ‘course’；
列名以列族作为前缀，每个“列族”都可以有多个列成员(column)；如course:math, course:english, 新的列族成员（列）可以随后按需、动态加入；
权限控制、存储以及调优都是在列族层面进行的；
HBase把同一列族里面的数据存储在同一目录下，由几个文件保存。
Timestamp时间戳
在HBase每个cell存储单元对同一份数据有多个版本，根据唯一的时间戳来区分每个版本之间的差异，不同版本的数据按照时间倒序排序，最新的数据版本排在最前面。
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。
Cell单元格
由行和列的坐标交叉决定；
单元格是有版本的；
单元格的内容是未解析的字节数组；
由{row key， column( =<family> +<qualifier>)， version} 唯一确定的单元。
cell中的数据是没有类型的，全部是字节数组形式存贮。（整数1和字符串1的字节数组值不一样，所以存值要注意）
HLog(WAL log)（write ahead log预写日志wal）
HLog文件就是一个普通的Hadoop Sequence File，Sequence File 的Key是HLogKey对象，HLogKey中记录了写入数据的归属信息，除了table和region名字外，同时还包括 sequence number和timestamp，timestamp是” 写入时间”，sequence number的起始值为0，或者是最近一次存入文件系统中sequence number。
HLog SequeceFile的Value是HBase的KeyValue对象，即对应HFile中的KeyValue。
hbase中文指南
http://abloz.com/hbase/book.html
hbase架构
zookeeper：分布式协助服务，不单单做高可用。从上图可以看出，zk相当于数据中心。client和hmaster都和zk做通信
图上下面（hadoop）存储数据。上面为hbase。
Client
包含访问HBase的接口并维护cache(客户端缓存)来加快对HBase的访问
Zookeeper
保证任何时候，集群中只有一个活跃master（HA功能）
存贮所有Region的寻址入口。（只存入口信息）
实时监控Region server的上线和下线信息。并实时通知Master
存储HBase的schema和table元数据
Master
为Region server分配region（就是分配表）
负责Region server的负载均衡
发现失效的Region server并重新分配其上的region
管理用户对table的增删改操作
RegionServer
Region server维护region，处理对这些region的IO请求
Region server负责切分在运行过程中变得过大的region
Region
HBase自动把表水平划分成多个区域(region)，每个region会保存一个表里面某段连续的数据
每个表一开始只有一个region，随着数据不断插入表，region不断增大，当增大到一个阈值的时候，region就会等分会两个新的region（裂变）（按照rowkey等分）
当table中的行不断增多，就会有越来越多的region。这样一张完整的表被保存在多个Regionserver 上。
一张表对应至少一个region。
Memstore 与 storefile
一个region由多个store组成，一个store对应一个CF（列族）
store包括位于内存中的memstore和位于磁盘的storefile写操作先写入memstore，当memstore中的数据达到某个阈值，hregionserver会启动flashcache进程写入storefile，每次写入形成单独的一个storefile
当storefile文件的数量增长到一定阈值后，系统会进行合并（minor（小范围合并3到10个）、major compaction（当前region所有合并）），在合并过程中会进行版本合并和删除工作（majar），形成更大的storefile
当一个region所有storefile的大小和数量超过一定阈值后，会把当前的region分割为两个，并由hmaster分配到相应的regionserver服务器，实现负载均衡
客户端检索数据，先在memstore找，找不到再找storefile
HRegion是HBase中分布式存储和负载均衡的最小单元。最小单元就表示不同的HRegion可以分布在不同的 HRegion server上。
HRegion由一个或者多个Store组成，每个store保存一个columns family。
每个Strore又由一个memStore和0至多个StoreFile组成。如图：StoreFile以HFile格式保存在HDFS上。
