HBase笔记

吴超
1.1 Hbase是Hadoop中的数据库，Hadoop还需要数据库吗？我们学的Hadoop是一个分布式的存储和计算的平台
为什么要在他上面建一个数据库呢，数据库是干什么的呢，数据库是一个管理系统(DBMS),用来管理数据的，也就是
说我们的数据是存储在磁盘中的，但是我们对这一部分的数据进行高效的查询操作的时候，那么你就得用数据库来做
，为啥呢，因为我们通常见的数据库都是关系型数据库，他是支持SQL的，SQL是一个非常强大的查询语言，Hadoop
存储的是海量数据，海量数据存储起来的目的是为了应用，我们的M/R就是高应用的，但是M/R的特点是执行起来比较慢，
并且需要些大量的代码的，有点儿瓶颈（门槛儿）了，所以只有会JAVA的人和了解HadoopAPI的人才能用M/R。所以有了Hbase
Hbase是一个分布式存储系统，它的落脚点还是存储系统，就想我们的关系型数据库(RDBMS)，它的落脚点是管理系统。
Hbase是基于Hadoop之上的，HBase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
这里需要注意两点，从现在开始，我们以后学到的各种框架，它的基础都是Hadoop，那么Hadoop存储是hdfs,如果你用hadoop的
存储必然要经过hdfs，如果我们要使用hdfs，我们必然要使用FileSystem的API，如果要对数据进行操作，就要用到M/R，也就是
说以后我们学到的框架都是利用hdfs和m/r的，就想以前学java web的时候，那些springMVC strust2 等等的，必然用到的是
javaweb中的servlet、filter、listener等等，这样最最基础的技术搭建起来的。只要谈及框架，必然要利用他们。我们说的
Habase也是利用hadoop的hdfs和m/r来做这些事儿的  到七分钟正好。

.HBase(属于NoSQL)的数据模型(数据模型就是我们把数据交给Hbase，它是如何存储的呢，数据模型是最接近我们用户的，它下面还有一个体系结构，就是部署的模型。)
1.1 表(table)，是存储、管理数据的。和Mysql中的表的意思是一样的，没有本质区别。
1.2 行键(row key)，类似于MySQL中的主键。
    行键是HBase表天然自带的，而Mysql中的主键是可有可无的。其实，看Hbase表中有几条记录，就是看行健的不同，有几个行键，就有几条记录。
1.3 列族(column family)，列的集合，Mysql中没有与之对应的东西。
    HBase中列族是需要在定义表时指定的，在定义表的时候不需要定义列，列是在插入记录时动态增加的。这和关系型数据库很不一样，关系型数据库在创建表的时候需要指定列，而且要指定列的长度和类型。
    HBase表中的数据，每个列族单独一个文件。不管我们的HBase还是Mysql，表中的数据肯定都是存放在磁盘上，我们的数据是这么存放的呢，在Hbase中，他是一个列族一个文件，为什么不是一行一个文件呢，他就是按列划分的，哈哈
    按行存储，适合一行一行的查询，或者说适合于查行中的很多记录，Hbase它有个不同，它再查询的时候，它喜欢查询某一些指定的列，也就是说他对查询条件要求不高，它只要求把某些列查询出来就可以了，按行查询却不是。我们想想
    按行查询哪些地方限定的条件多，就是WHERE语句，WHERE语句那里变化是最多的，在那种语法中他就适合于按行查询，我们的Hbase是按列存储的，他就适合于查列，它对查哪些行要求不高，如果你就要求查行，那么它就不适合用Hbase来查询，
    也就是说，不适合用Hbase来构建这种表结构
1.4 时间戳(timestamp,64位整数)，列(也称作标签、修饰符)的一个属性。
    行键和列确定的单元格，可以存储多个数据，每个数据含有时间戳属性，数据具有版本特性。
    如果不指定时间戳或者版本，默认取最新的数据。
1.5 Hbase中存储的数据都是字节数组（不像关系型数据库，还区分时间类型、int类型、字符串类型，hbase不对这些做区分，它都作为字节数组存放）。
1.6 Hbase表中的数据是按照行键的顺序物理存储的（关系型数据库，是按照我们插入的先后顺序存储的）===>由于存储的数据都是字节数组，所以顺序是按照ASCII码排的。
1.7 表中的不同行可以拥有不同数量的成员。即支持“动态模式”模型。这样理解：表中的不同行，具有相同的列族，但是列族中的列是在
    插入记录的时候动态增加的，也就是说有的行对应的列多，有的行对应的列少。

逻辑数据模型和物理数据模型
每一个列一个物理模型，PPT上有==>个人觉得物理数据模型就是如何真正的在磁盘上存储，就向上面说的一个列族一个文件，所以一个逻辑数据模型可以划分成多个物理数据模型，因为在逻辑数据模型中，有很多列族。

hbase上锁：上锁的范围是，只能对行上锁，对行的写操作是原子的。 

到35分钟都是讲的数据模型，从哪开始不知道。

.HBase的物理模型
2.1 HBase是适合海量数据(如20PB)的秒级简单查询的数据库。有人会觉得，他可以存储海量数据，感觉和hdfs没什么区别，有区别的，因为他是可以进行秒级简单查询的，hdfs做不到的，它要查询必须要走Map/Reduce。
    那么我们的Hbase不也是建立在hdfs基础上，用Map/Reduce进行查询的吗，对，但是他有一套自己的物理模型。
    我们的HBase的表能存储海量数据，那么，我们想一下 ，不管我们的算法多么的优秀，多么的先进，它只要随着数据了的变大，算法总是会出现一定的问题，因为我们对数据进行计算，必须通过两点，CPU和内存，外存这个东西就是做存储的
    我们现时代，外存的容量远远大于内存，那么海量数据肯定是在外存中放的，那么我们关系型数据库中的算法在海量数据面前就无能为力了。为什么Hbase可以在海量数据面前做到秒级
    查询呢，因为Hbase他对大数据量的数据表存储有 一个办法，HBase表中的记录，按照行键进行拆分， 拆分成一个个的region。
2.2 HBase表中的记录，按照行键进行拆分， 拆分成一个个的region。
    Hbase表中的数据是按照行键的顺序物理存储的，也就是说你的这表已经排好序了，那么我们Hbase中的记录按照行键拆分，假设行健从0-，我们可以一万一万的拆，可以把一张表
    拆成10个Region，拆成Region有什么用呢，许多个region存储在region server(单独的物理机器)中的。换句话说，就是我们这一个表中的数据，被拆分成很多的region，region就放在不同的regionserver中。但是问题是，如果我们要查询的数据被分配在了很多的RegionServer中，那么我要
    查的话，岂不是要从很多台机器上分别的查，对，确实是从10台机器上分别查，但是要看如何分别的查，它是根据行键的范围，看你要查询的记录在那几个region上，然后把查询的算法同时发送到这几个region所在的regionServer中，意味着并行查询。
    这样，对表的操作转化为对多台region server的并行查询。    这又回到了我们hadoop分布式计算的路子上，这就是我们Hbase能胜任海量数据查询的原因。
    region是Hbase最大的亮点，我们的region设置成多大比较合适呢，这个值是可以设置的，从源代码中查看（46分零8秒）。在源代码中，有一个hbase-default.xml，它有一个参数
    hbase.hregion.max.filesize，默认为10G，超过这个值，就会分裂。这么理解，当我们表最初始的时候，也就是刚刚创建之后，只能有一个region，那么随着我们不断的插入记录，插的时候，我们是按行键的顺序物理存储的，那么
    region会不断的变大，当region的大小超过了设定的这个值，10G，那么他就会分裂成两个，每个region就变小了，然后被发送到不同的RegionServer中，方便并行查询

    不理解的地方：hbase-default.xml文件中的hbase.hregion.max.filesize属性，源码上描述的是HStoreFile的最大文件尺度，HStoreFile是存储列簇的，数据是按行拆分成Hregion的，所以一个Hregion应该有多个HStoreFile，而
            hbase.hregion.max.filesize属性描述的又是HStoreFile的最大文件尺度，吴超所说的意思是，当我们的HRegion超过设定值的时候会分裂，明显不对啊，举一个极端情况，当我们的每一个HStoreFile都处在马上要超过，却没有
            超过的时候，我们目的HRegion肯定是超过了这个HStoreFile的最大文件尺度，而我们的每一个HStoreFile并没有超过。所以不需要分裂。

    源码中对hbase.hregion.max.filesize属性的描述：    Maximum HStoreFile is size.If any one of a column families' HStoreFiles has grown to exceed this value,the
                            hosting HRegion is split in two.
                        翻译：    hbase.hregion.max.filesize代表的是HStoreFile的最大文件尺度。如若任何一个列族的HStoreFile增长到超过设定值，
                            这个hosting HRegion 被分裂成两个。（hosting HRegion的意思是，HRegion包含HStoreFile，所以叫做hosting，从这里
                            我们也可以看出HStore是存储列簇的。）
    博客中有对这个的详细描述，可以再仔细看一下。

.HBase的体系结构
3.1 HBase是主从式结构，HMaster（主）、HRegionServer（从），一主多从。
虽然我们的hadoop也是主从结构，但是存在单点式问题，当我们的主（NameNode、JobTracker）DOWN的时候，我们的系统就DOWN了，我们的HBase有所改进，,可以有多个HMaster，但是在同一时间，只有一个在运行生效的，其他的是后备的。在
合适的时机他就会起来，比如原来的那个HMaster dwon了。这一点和NameNode、JobTracker不一样，NameNode、JobTracker，都只允许有一个，而且他俩要是down了，服务器就down了。
3.2 看PPT。补充：当RegionServer down机的时候（失效的RegionServer），master会把该RegionServer中的Region分配到其他机器上。
        Hbase的表结构信息居然都交给Zookeeper管理，为什么不交给Mater管理呢，想一下这个问题， master作为一个主节点，存在单点问题，如果一个master DOWN了，我们通过
        Zookeeper是的一个备用的Mater运行起来，虽然有备用的，但是DOWN的那个master它上面的数据怎么办，硬盘都坏了，数据肯定就都丢了，Zookeeper就是可以保证数据在Zookeeper
        集群之间事务性一致，所以把数据存储在Zookeeper中，相当于存储在很多的服务器上，所以是非常安全的。
.3HBase中有两张特殊的表
    我们的HBase存储大数据的，HBase中的每张表，被分成多个Region，当我们的表变得很大的时候，就会被分成很多很多的Region，用户去查找的话这么查呢，如果一个表，他有10个
    region他可以很快的找到，如果有上百万个region，这么办呢，他不能一个一个的去遍历吧，太麻烦了。怎么办呢，他有个表叫.META.，存储了用户的region信息，那么我们刚才
    举例子的时候说是有成百上千个region，找很麻烦，你用这个.META.存，他就不麻烦了吗？要知道，我们的region里面存储的是行记录，行记录有什么特点呢，按照行键进行物理存储的
    ，也就是说我们通过什么就可以确定一个region呢，通过这个行键的开始和结束就可以确定一个region（PPT8,一个Region是由startkey和endkey表示的），也就是说，比如我们在.META.中记录用户表的时候，有成千上万个region，我们只需要
    确定每一个region的行健的开始和结束就可以了。 用户要是找这个数据的话，我们只需要看在哪个region范围内， 就可以确定哪个region，是不是就可以去访问RegionServer上的制定region了，
    如果存储的信息很多.META.也会很大,Hbase还有一种表叫-ROOT-,它存储的就是.META.中的region信息，他是一级一级存储的，那么要是-ROOT-中存储的数据也变得很大呢，HBase设计
    的时候就没觉得-ROOT-会大成什么样，所以不会有更多的表。
    所以用户访问的时候会首先去找Zookeeper，通过Zookeeper去找-ROOT-（ Zookeeper中记录了-ROOT-表的location），然后找.META.，然后再去找RegionServer中的region

    ppt13，里面有一个虚线上面的HBase，下面是Hadoop，HBase中的数据信息存放在Hadoop中。

视频2
.HBase伪分布安装
4.1 解压缩、重命名、设置环境变量
    环境变量：export HBASE_HOME=/usr/local/hbase
          $HBASE_HOME/bin:
          source /etc/profile
4.2 修改配置文件（把配置文件修改成适合伪分布的模式)
    4.2.1修改$HBASE_HOME/conf/hbase-env.sh，修改内容如下(共两处)：
            export JAVA_HOME=/usr/local/jdk（把这一项改为我们机器上的JDK安装的目录）
        export HBASE_MANAGES_ZK=true     这一项在文件的最后面（意思是Hbase是否要管理它自己的ZooKeeper实例，也就是说这个Zookeeper实例，是可以自己启动管理的，我们选成true，意思就是Hbase自己启动一个Zookeeper实例，让它来管理）
    4.2. 修改$HBASE_HOME/conf/hbase-site.xml，修改内容如下：
        <property>
              <name>hbase.rootdir</name>  设置Hbase根目录，上一节中已经讲过了，HBase中的数据信息（包括数据库、表等信息）是存放在Hadoop中的，但是它存放在Hadoop中的哪个目录中呢，我们需要设置一下Hbase在Hadoop中的根目录。
              <value>hdfs://hadoop0:9000/hbase</value>  这个根目录用户可以自己定义，这里设置到了hdfs文件系统的/hbase
        </property>
        <property>
              <name>hbase.cluster.distributed</name> 设置Habase是否是要安装到分布式的集群环境中，虽然我们这里是为分布的，但也是分布在集群环境中。
              <value>true</value>
        </property>
        <property>
              <name>hbase.zookeeper.quorum</name>  设置ZooKeeper节点在哪台机器上，我们前面设置了Hbase自己管理自己的ZooKeeper实例，那么ZooKeeper所在节点一定是Hbase安装的节点一定是同一个。
              <value>hadoop0</value>
        </property>
        <property>
              <name>dfs.replication</name>设置副本数
              <value></value>
        </property>
4.3 (可选)把文件regionservers的内容改为hadoop0，原来写的是localhost，不改也是可以的（这个文件的修改代表的是RegionServer所在的那个节点）
4.4 启动hbase，执行命令start-hbase.sh
    ******启动hbase之前，确保hadoop是运行正常的，并且可以写入文件*******
4.5 验证：()执行jps，发现新增加了3个java进程，分别是HMaster、HRegionServer、HQuorumPeer
          ()使用浏览器访问http://hadoop0:60010