用大白话讲大数据HBase，老刘真的很用心(1)

老刘今天复习HBase知识发现很多资料都没有把概念说清楚，有很多专业名词一笔带过没有解释。比如这个框架高性能、高可用，那什么是高性能高可用？怎么实现的高性能高可用？没说！

如果面试官听了你说的，会有什么反应？我的感觉就是你说的东西都是别人的，没有自己的理解。所以老刘才会写用大白话讲大数据这个系列，就是争取把东西讲清楚，讲明白！如果觉得老刘写得不错，给老刘点个赞吧！

01 HBase知识点

第1点：HBase的定义

官网画红框中直接就说，HBase是一个分布式、可扩展的大数据存储Hadoop数据库。试想下，你是面试官，别人这样回答你，你会不会满意？老刘觉得学的东西要用自己的话讲出来，才是真正的掌握。

在老刘看来，HBase，即Hadoop database，即Hadoop数据库。它的数据通常存储在HDFS上，HDFS为HBase提供了高可靠性的底层存储的支持；利用Hadoop MapReduce来处理HBase中的海量数据，为HBase提供了高性能的计算能力；利用ZooKeeper为HBase提供了稳定的服务。

根据上述所说，就可以总结为HBase是一个建立在HDFS之上，具有高可靠、高性能、可扩展、支持海量数据存储的分布式数据库。

一般是在存储数据比较大的时候，并且对读写性能要求比较高的时候，才会用到HBase数据库。

那你们知道什么是读写性能比较高吗？那就是读的比较快、写的也比较快的时候，才是读写性能比较高！

第2点：HBase的特点

1）极易扩展

HBase底层依赖HDFS，当磁盘空间不足的时候，我们只需要动态增加DataNode节点就可以了。当然也可以通过增加服务器来对集群的存储进行扩容。

2）海量存储

可以存储大批量的数据。在存储海量数据的前提下，能在几十到百毫秒内返回数据。这点和HBase的极易扩展性非常相关。正因为HBase良好的扩展性，才为海量数据的存储提供了便利。

3）列式存储(这里一定要搞清楚列式存储和行式存储的区别)

这里的列式存储其实说的是列族存储，HBase是根据列族来存储数据的。列族下面可以有非常多的列，列族在创建表的时候就必须要指定了。

4）稀疏

稀疏主要是针对HBase列的灵活性，在列族中，你可以指定任意多的列，在列数据为空的情况下，是不会占用存储空间的。

5）数据类型单一

它所有的数据都是以字节数组进行存储。

第3点：HBase表的数据模型

先给出一张HBase的设计表，根据这张表进行介绍表的结构。

rowkey行键

1）它是表(table)的主键，table中的记录按照rowkey的字典序进行排序，这里就必须要说说什么是字典序？

有多机构的资料就是一笔带过，一点也不负责，让人非常不爽。老刘就不得不去搜搜字典序排序的相关知识。

通俗地讲，字典序排序大概就是两个作比较的内容从第一个字母开始比较，按照ASCII码表比较大小，小的放在前面，第一个相同就比较下一个，都相同且一个比较完了，则短的排在前面。

常见ASCII码的大小规则：0~9<A~Z<a~z

2）rowkey行键它可以是任意的字符串，其中它的最大长度是 64KB，实际应用中长度一般为 10-100bytes。

Column Family列族

1）HBase表中的每个列，都归属于某个列族。

2）列族是表的schema的一部分(而列不是)，即建表时至少指定一个列族。

3）比如我们创建user表，包含info、data两个列族，代码就为create 'user', 'info', 'data'。Column列列肯定是表的某一个列族下的一个列，用列族名:列名表示，比如`info`列族下的`name`列，就表示为`info:name`。

Cell单元格

如上图，我们通过指定rowkey行键、列族、列，就可以确定的一个Cell单元格。在Cell中的数据是没有任何类型的，全部都是以字节数组的形式进行存储的。

Timestamp时间戳

这个说的就是可以对表中的Cell多次赋值，每次赋值操作时的时间戳timestamp，可看成Cell值的版本号version number。也就是一个Cell可以有多个版本的值的意思。

第4点：HBase架构

从图中可以看出，这是一个非常典型的主从架构。

下面详细说下各个组件：

Client客户端

Client它是操作HBase集群的入口，利用Client，在通过RPC与HMaster进行通信，可以完成表的增、删、改操作。也可以通过RPC与RegionServer通信，完成读写表数据的操作。

一般我们可以利用HBase shell或者Java API进行编程，完成上述表的操作。

ZooKeeper集群

ZooKeeper是什么有什么用，老刘已经在ZooKeeper框架那篇文章中详细讲解了，大家可以去看看。那它在HBase集群中的作用，就非常明显了，① 它实现了HMaster的高可用，多HMaster间进行主备选举。② 保存了HBase的元数据信息meta表。③ 对HMaster和HRegionServer各个节点进行监控。

HMaster

HBase集群也是主从架构，HMaster是主角色，是集群的老大，主要负责管理表和Region。

那它管理表和Region做一些什么呢？

1）管理Client对表的增删改的一些操作；

2）管理Region的操作就会比管理Client多一点。当Region分裂后，负责新Region分配到指定的HRegionServer上；当HRegionServer宕机后，负责其上的region的迁移；以及管理HRegionServer之间的负载均衡。

那大家有没有了解负载均衡，什么是负载均衡？

举个例子，一个网站最开始建立的时候，它的访问量比较小，但当它的流量变得特别大的时候，并发量就变得特别大了，网站就会出现访问延迟的一些现象。这个时候呢，就需要用到负载均衡了。以前这个网站是一个单一服务器，现在就可以配置多个服务器集群，那样就可以把访问流量分发到集群中的不同服务器上，这样就大大减少了单一服务器上的压力，也就是负载均衡想要做的事。

HRegionServer

它是HBase集群中从角色，是集群中的小弟。它主要负责响应客户端的读写数据请求，以及负责管理一系列的Region。

Region

它是HBase集群中分布式存储的最小单元，一个Region对应一个Table表的部分数据。简单理解就是表存储在HBase中，并且都是以Region为单位进行存储。

第5点：HBase shell命令

说一些常用的基础操作命令:

创建user表，包含info、data两个列族
create 'user', 'info', 'data'

使用put命令向user表中插入信息，row key为rk0001，列族info中添加名为name的列，值为zhangsan
put 'user', 'rk0001', 'info:name', 'zhangsan'

获取user表中row key为rk0001的所有信息（即所有cell的数据）
get 'user', 'rk0001'
获取user表中row key为rk0001，info列族的所有信息
get 'user', 'rk0001', 'info'

更新数据操作 将user表的f1列族版本数改为5
alter 'user', NAME => 'info', VERSIONS => 5

删除数据以及删除表操作
删除user表row key为rk0001，列标示符为info:name的数据
delete 'user', 'rk0001', 'info:name'

清空表数据
truncate 'user'

删除表
首先需要先让该表为disable状态，使用命令：
disable 'user'
然后使用drop命令删除这个表
drop 'user'
注意：如果直接drop表，会报错：Drop the named table. Table must first be disabled

再说一下HBase的高级操作命令:

显示服务器状态
status 'node01'

显示HBase当前用户
whoami

显示当前所有的表
list

统计指定表的记录数
count 'user' 

检查表是否存在，适用于表量特别多的情况
exists 'user'

检查表是否启用或禁用
is_enabled 'user'
is_disabled 'user'

禁用一张表/启用一张表
disable 'user'
enable 'user'

删除一张表，记得在删除表之前必须先禁用
drop

上述都是HBase shell命令的内容，还有用JAVA API进行表操作的内容，但是这部分老刘就不讲解了，有需要的话，可以联系老刘，我会分享给你。

02 HBase总结

今天是HBase知识点的第一部分，老刘尽量用大白话讲这些知识点讲述出来了，如果还有疑问，可以联系公众号：努力的老刘。

最后希望今天讲的内容对大数据感兴趣的同学有帮助，也希望能够得到大家的批评和指点。觉得写得还行的，给老刘点个赞！