HBase：大数据时代的分布式NoSQL数据库-优快云博客

HBase是什么

Apache HBase™ is the Hadoop database, a distributed, scalable, big data store.
HBase is a type of "NoSQL" database.

HBase – Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩、实时读写的分布式数据库，是 Hadoop 数据库，一个分布式、可伸缩的大数据存储，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）。HBase是依赖Hadoop的。为什么HBase能存储海量的数据？因为HBase是在分布式文件系统(HDFS)的基础之上构建的。HDFS是文件系统，HBase是数据库。可以把HBase当做是MySQL，把HDFS当做是硬盘。HBase只是一个NoSQL数据库，把数据存在HDFS上。HBase在HDFS之上提供了高并发的随机写和支持实时查询，HBase可以以低成本来存储海量的数据并且支持高并发随机写和实时查询。HBase是列式存储，Mysql是行式存储一行一行的存数据。列式存储每一列都会生成一个id，其实就是key value的存储。操作HBase的方式：shell 、JavaAPI 、Phoenix。

为什么要用HBase

先了解一下 Hadoop 存在的限制？Hadoop 可以通过 HDFS 来存储结构化、半结构甚至非结构化的数据，它是传统数据库的补充，是海量数据存储的最佳方法，它针对大文件的存储，批量访问和流式访问都做了优化，同时也通过多副本解决了容灾问题。

但是 Hadoop 的缺陷在于它只能执行批处理，并且只能以顺序方式访问数据，这意味着即使是最简单的工作，也必须搜索整个数据集，无法实现对数据的随机访问。实现数据的随机访问是传统的关系型数据库所擅长的，但它们却不能用于海量数据的存储。在这种情况下，必须有一种新的方案来解决海量数据存储和随机访问的问题，HBase 就是其中之一 (HBase，Cassandra，couchDB，Dynamo 和 MongoDB 都能存储海量数据并支持随机访问)。

Hadoop生态系统

HBase架构

Master 为Region server分配region，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（对表结构增删改，即元数据)。RegionServer 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region都有范围,startkey,endkey）；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，当增大到一个阀值的时候，region就会等分为两个新的region（裂变）。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（一个）和位于磁盘中的storefile（零至多个）,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、major、compaction），在合并过程中会进行版本合并和删除工作（major），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 。Minor：选取一些小的，相邻的storeFile合并成一个更大的storeFile。Major：指将所有的storeFile合并成一个storeFile（到一定时间执行，可能触发flush风暴）。

清理三类：被删除数据，TTL过期数据，版本号超过设定版本号的数据。