Skip to content

Latest commit

 

History

History
264 lines (264 loc) · 11.7 KB

README.md

File metadata and controls

264 lines (264 loc) · 11.7 KB
Raw

Hbase概述

  • 官网：http://hbase.apache.org/
  • 简介：Apache HBase™是Hadoop数据库，是一个分布式，可扩展的大数据存储。当您需要对大数据进行随机，实时读/写访问时， 请使用Apache HBase™。该项目的目标是托管非常大的表 - 数十亿行X百万列 - 在商品硬件集群上。Apache HBase是一个开源的， 分布式的，版本化的非关系数据库(NoSql)，模仿Google的Bigtable： Chang等人的结构化数据分布式存储系统。 正如Bigtable利用Google文件系统提供的分布式数据存储一样，Apache HBase在Hadoop和HDFS之上提供类似Bigtable的功能。
  • 特点：
  1. 线性和模块化可扩展性
  2. 严格一致的读写操作
  3. 表的自动和可配置分片
  4. RegionServers之间的自动故障转移支持
  5. 方便的基类，用于使用Apache HBase表支持的Hadoop MapReduce作业
  6. 易于使用的Java API，用于客户端访问
  7. 阻止缓存和布隆过滤器以进行实时查询
  8. 查询谓词通过服务器端过滤器下推
  9. Thrift网关和REST-ful Web服务，支持XML，Protobuf和二进制数据编码选项
  10. 可扩展的基于jruby（JIRB）的外壳
  11. 支持通过Hadoop指标子系统将指标导出到文件或Ganglia; 或通过JMX
  • 里程碑
  1. 2006年-google发表了bigtable的白皮书
  2. 2006年-开始开发hbase
  3. 2008年-hbase开始成为apache的子项目
  4. 2010年-正式成为apache的顶级项目

架构

  1. Zookeeper：存储的数据元数据信息，Zookeepr维护HRegionServer的元数据
  2. HRegionServer：数据存储的位置
  3. HLog：欲写入日志，放到本地磁盘
  4. HRegion：可以理解为一个表
  5. Store：存储单元，较抽象，并不是数据的落脚点
  6. MenStore：内存的区域
  7. StorgeFile：本地磁盘中的一个文件
  8. HFile：真正用于存储的文件

读写流程

  • 读流程
  • 读写分离
  • 写流程

安装部署

  • 下载：http://archive.apache.org/dist/hbase/
  • 集群配置(前提)：zookeeper集群、Hadoop集群
  • 上传解压：tar -zxvf hbase-1.3.0-bin.tar.gz -C hd/
  • 修改配置文件1：vi hbase-env.sh
    查看JDK位置：echo $JAVA_HOME
    # The java implementation to use. Java 1.7+ required.
    export JAVA_HOME=/root/hd/jdk1.8.0_144
    # Tell HBase whether it should manage it's own instance of Zookeeper or not.
    export HBASE_MANAGES_ZK=false
  • 修改配置文:2：vi hbase-site.xml
<configuration>
<!--设置namenode所在位置 通过rootdir设置 也就是设置hdfs中存放的路径 -->
        <property>
                <name>hbase.rootdir</name>
                <value>hdfs://HD09-01:9000/hbase</value>
        </property>
        <!-- 是否开启集群-->
        <property>
                <name>hbase.cluster.distributed</name>
                <value>true</value>
        </property>
        <!-- 0.98版本后的新变动，之前的版本没有.port，默认端口为6000 -->
        <property>
                <name>hbase.master.port</name>
                <value>16000</value>
        </property>
        <!-- zookeeper集群位置 -->
        <property>
                <name>hbase.zookeeper.quorum</name>
                <value>HD09-01:2181,HD09-02:2181,HD09-03:2181</value>
        </property>
        <!-- hbase的元数据信息存储在zookeeper的位置 -->
        <property>
                <name>hbase.zookeeper.property.dataDir</name>
                <value>/root/hd/zookeeper/zkData</value>
        </property>
</configuration>
  • 修改配置文件3： vi regionservers(增加集群的所有主机名称)
HD09-01
HD09-02
HD09-03
  • 解决版本依赖
    1. 删除lib下的hadoop和zookeeper
    2. 把集群安装的hadoop和zookeeper放到hbase的lib中 拷贝
      E:\hadoop-2.8.5\share\hadoop\hdfs
      E:\hadoop-2.8.5\share\hadoop\common
      下面的hadoop-*.jar文件
      拷贝E:\zookeeper-3.4.12\zookeeper-3.4.12.jar
    3. 软连接到hdfs、hadoop,相当于快捷方式
      [root@HD09-01 lib]# ln -s /root/hd/hadoop-2.8.5/etc/hadoop/core-site.xml /root/hd/hbase-1.3.0/conf/
      [root@HD09-01 lib]# ln -s /root/hd/hadoop-2.8.5/etc/hadoop/hdfs-site.xml /root/hd/hbase-1.3.0/conf/
  • 拷贝到其他服务器：scp -r hbase-1.3.0/ HD09-02:$PWD
  • 集群启动(单节点启动) 7. 启动hadoop：start-dfs.sh 7. 启动zookeeper：zkServer.sh start 7. 启动master：./hbase-daemon.sh start master 7. 启动regionserver: ./hbase-daemon.sh start regionserver 7. 启动客户端：bin/hbase shell
  • web网址：http://host_ip:16010/master-status

Hbase存储结构

Hbase是按列存储，传统数据库是按照行存储，因此Hbase的查询效率会更高

Shell命令

  1. 查看服务器状态：status 'host_name'
  2. 查看当前有哪些表：list
  3. 查看帮助：help
  4. 创建表： CREATE 'user','info'
    user--表名
    info-列族名
  5. 查看表：SCAN 'user'
    rowkey--行键，唯一
    timestamp--时间戳，自动生成
    cell--单元格，数据存放的位置，自动生成
    column fanilly--列族，列族下包含多个列
    column --列
  6. 根据条件查看表：SCAN table_name,{STARTROW => rowkey,STOPROW => rowkey}
  7. 给表加数据：PUT 'table_name','rowkey','列族名:列名','value'

    注：Hbase是按照列存储的，传统数据库按行存储，因此hbase的查询效率高
  8. 覆盖数据：在hbase中，只要保证值不同，其他相同的put操作就是覆盖
  9. 查看表结构：describe '表名'
  10. 变更表结构：alter '表名',{NAME => 'info',VERSIONS => '3'}
  11. 删除：delete '表名','rowkey','列族:列'
  12. 清空表：truncate '表名'
  13. 删除表：
    1. disable '表名' (先指定表不可用才能删除)
    2. drop '表名'
  14. 统计表中行数，统计的是rowkey数量：count '表名'
  15. 查看指定列的数据：get '表名','rowkey','列族:列名'

常用API

  1. 下载已安装好集群中的配置文件(如图几个)，并放到resource中
  2. 修改本地开发环境的主机映射(以Windos为例)
    文件路径：C:\Windows\System32\drivers\etc
    加入以下映射：集群服务器的[ip host_name]
  3. 代码编写 完整代码

Hbase-MR操作

  • Hbase擅长存储数据，并不擅长计算分析数据，可以结合其他组件(mapreduce/spark)

案例1(官方案例)：对一张表的rowkey进行计数

  1. 查看使用mapreduce需要用到哪些依赖包：执行hbase mapredcp
  2. Hbase执行MR环境准备：
    1. 导入临时环境变量：
      export HBASE_HOME=/root/hd/hbase-1.30/
      export HADOOP_HOME=/root/hd/hadoop-2.8.4/
    2. 加载依赖包
      export HADOOP_CLASSPATH=`${HBASE_HOME}/bin/hbase mapredcp`
      注意：这个是临时添加，如果永久使用，需要添加到hbase-env.sh
  3. 执行官方的案例：
    cd hd/hbase-1.3.0/
    /root/hd/hadoop-2.8.4/bin/yarn jar lib/hbase-server-1.3.0.jar rowcounter user

案例2：把本地数据导入到Hbase中

  • 思路：Hbase底层存储的是hdfs，把数据线导入到hdfs，hbase对应创建一个表，利用mr导入数据到表中
  1. 数据导入到hdfs中： 2. hdfs dfs -mkdir /love_in 2. hdfs dfs -put love.tsv /love_in
  2. Hbase创建表：hbase(main):001:0> create 'love','info'
  3. /root/hd/hadoop-2.8.4/bin/yarn jar lib/hbase-server-1.3.0.jar \
    -> importtsv \
    -> -Dimporttsv.columns=HBASE_ROW_KEY,info:name,info:description \
    -> love \
    -> hdfs://HD09-01:9000/love_in/

案例3： 将hbase中love表进行指定列的筛选，然后导入到lovemr表中

  • 思路：
  1. 构建Mapper类，读取love表中的数据
  2. 构建Reducer类，将love表中的数据写入到lovemr表中
  3. 构建Diver驱动类
  4. 打包 jar包，放入集群中运行这个任务
  • 实现
  1. Mapper类：ReadLoveMapper
  2. Reducer类：WriteLoveReducer
  3. Driver类：LoveDriver
  4. 打包，上传，执行
    /root/hd/hadoop-2.8.4/bin/yarn jar HbaseTest-2.0.jar(包名) HbaseMR.LoveDriver(主类名)
  5. 测试结果：

案例4：HDFS中的数据写入到Hbase

  1. 构建Mapper类，来读取HDFS的数据:ReadLoveFromHDFSMapper
  2. 构建Reducer类：WriteLoveReducer
  3. 构建驱动类Driver：LoveDriver
  4. 打包，上传，执行
    /root/hd/hadoop-2.8.4/bin/yarn jar HbaseTest-2.0.jar(包名) HbaseMR.LoveDriver(主类名)

优化方案

  • 真正存储数据的是region需要维护一个区间段的rowKey

预分区优化

  • 手动设置预分区
    create 'user_p','info','partition',SPLITS => ['101','102','103','104']
    注意：分区会比设置的多一个，因为是开区间，会有-∞ ~ +∞
    第一个分区 (-∞ ~ 101]
    第二个分区(101 ~ 102]
    第三个分区(102 ~ 103]
    第四个分区(103 ~ 104]
    第五个分区(104 ~ +∞)

  • 生成16进制序列预分区： create 'user_p_2','info','partition',{NUMREGIONS => 15,SPLITALGO => 'HexStringSplit'}
  • 按照文件设置的规则来设置预分区
    1. 创建文件，需要在Hbase的终端目录下，例如是在/root/下执行的hbase shell，则需要放到/root/下
      splits.txt
    2. create 'user_p3','info','partition',SPLITS_FILE => 'splits.txt'

rowKey设计优化

一条数据的唯一标识是rowKey，此rowKey存储在哪个分区取决于属于哪个预分区内，设计rowKey是为了防止数据倾斜， 数据均匀分配到每个rowKey中

  • 生成随机数、hash数、散列值
  • 字符串反转，进行数据打散，尽可能随机
    例如：
    201812080011 反转 110080218102
    201812080012 反转 210080218102
  • 字符串拼接：
    例如：
    201812080011 -> 201812080011_asew
    201812080012 -> 201812080012_obad

属性优化

  • 内存优化：
    一般分配70%的内存给hbase的java堆，不建议分配非常大的堆内存，一般内存设置为 16~48GB
    设置：hadoop-env.sh
  • 基础优化
    1. 优化DataNode的最大文件打开数
      设置：hdfs-site.xml
      属性：dfs.datanode.max.transfer.threads
      默认：4096，设置大于4096
    2. 优化延迟高的数据操作时间
      设置：hdfs-site.xml
      属性：dfs.image.transfer.timeout
      默认：60000ms
      优化点：调大
    3. 数据的写入效率，压缩数据
      属性：mapreduce.map.output.commpress
      默认：jcp
      可以设置：org.apache.hadoop.io.compress.GzipCodec等
    4. 设置Hstore的文件大小
      属性：hbase.hregion.max.filesize
      默认值：10GB
      优化点：调小