版权声明：本文为博主原创文章，转载请注明作者与出处，http://blog.csdn.net/lixingtao0520 https://blog.csdn.net/lixingtao0520/article/details/78090231
1、 HBase简介
Hbase是一个分布式的、多版本的、面向列的开源KeyValue数据库。
- 多版本：每列值或单元格的值都具有时间戳，通过不同的时间戳来区分不同版本的值，一个单元格不同版本的值按照降序排列在一起，访问时优先读取最新的值。
- 面向列：Hbase是面向列存储的，RDBMS在表定义时，列属性是固定的，不能动态扩展，而Hbase可以动态的插入列，列的数量没有限制（可以有数百万个列）。
2、HBase中重要的概念- Row Key（行键）：HBase是根据RowKey来检索数据的，不支持条件查询和Order by等查询，读取记录只能按Row key（及其range）或全表扫描。HBase存储时，根据RowKey的字典序排序。
- Column Family（列族）：在创建表时预先声明，不能修改的太频繁。Hbase中列的数量可能没有限制，但是列族的数量是有限制的，不超过几十个。
- Column（列）：Hbase中每个列属于一个列族，一般以列族名为前缀进行表示，ColumnFamily：Column Name，可以动态的新增（或删除），列的数量没有限制。
- Timestamp（时间戳）：每列值或单元格都有时间戳， Hbase中以时间戳来区分版本，每列值以时间戳进行降序排列，访问时优先读取最新的值。
- Value(值)：Hbase中的值是由Table，RowKey，Column Family，Column，Timestamp来唯一确定的，数据存储模式如下：（Table，RowKey，Column Family，Column，Timestamp)——>Value。
3、Hbase架构（1）架构初识
在分布式的生产环境中，HBase 需要运行在 HDFS 之上。HBase 上层提供了访问数据的 Java API 层，供应用访问存储在 HBase 的数据。在 HBase 的集群中主要由 Master 和 Region Server 以及 Zookeeper
组成，具体模块如下图所示：
访问Hbase数据的客户端接口。并缓存region的位置信息。
HBase Master用于协调多个Region Server，负责RegionServer之间的负载均衡，将繁忙服务器中的region移到负载较轻的服务器中。HBase允许多个Master节点共存，不过当多个Master节点共存时，只有一个Master是提供服务的，其他的Master节点处于待命的状态。当正在工作的Master节点宕机时，其他的Master则会接管HBase的集群。HBase
Master还负责建表和创建列簇。
对于一个Region Server而言，其包括了多个Region。RegionServer负责为他们服务的Region提供读写请求，并负责拆分超过配置大小的Region。Client直接与RegionServer通信，处理所有数据相关的操作。
一个Region对应一个表，Region信息中包括此Region存储的StartKey。一个Region超过了配置中Region大小的最大值，Region就需要拆分，形成两个新Region，每个Region是原始Region的一半。在拆分完成后，Master被告知拆分情况，并可以根据负载均衡，将新Region分配到其他Region Server上。
ZooKeeper为HBase集群提供协调服务，它管理着Master和RegionServer的状态，并且Zookeeper负责Region和Region Server的注册。并存储所有Region的寻址入口（含有-ROOT-表的region服务器信息）。
HDFS(Hadoop Distribute File System，hadoop分布式文件系统)，由NameNode和DataNode组成。
——NameNode负责控制和管理整个分布式文件系统的主控节点。保存分布式文件系统的目录结构，以及数据的位置信息。
——DataNode负责具体的数据存储的从节点。
访问Hbase数据时，一个基本流程如下：
客户端要查找行健时，首先联系ZooKeeper子集群，通过ZooKeeper获取含有-ROOT-表的 Region Server名，通过含有-ROOT-表的Region Server可以查询到哪个.META. Region包含此行健信息；通过查询.META.表来获取客户端查询的行健数据所在Region Server名，在客户端知道了数据的实际位置后，会缓存这次查询的Region位置信息，并直接与管理实际数据的Region
Server通信，获取行健信息。当再次查询时，由于已经缓存了Region的位置信息，就不再查询.META.表，直接定位数据位置。
-ROOT-：记录.META.表的Region信息。
.META.：记录用户表的Region信息。
（2）HBase存储与详细组件
上文中给出了HBase架构的基本组成模块，下图显示的是HBase的详细组件。
上图给出了HBase包含的详细组件，如下：
一个Region由多个Store组成，一个Store对应一个Column Family(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达到某个阈值时，将
MemStore中的数据写入StoreFile。每个Store又由一个
MemStore和多个StoreFile组成；
当一个region中所有StoreFile的大小和超过一定阈值后，Region 会进行拆分，由Master分配拆分后的Region到相应的 Region Server服务器上，实现负载均衡；
StoreFile以HFile格式保存在HDFS上。
HBase中实际的存储文件功能由HFile负责，由DATA块组成，每个DATA块都包含了一定数量的序列化的KeyValue实例，HFile中KeyValue格式如下
Key Lengh和Value Length分别表示键长度和值长度，此信息可以在查找数据时，进行跳跃，忽略键直接访问值。
存储文件中所有的KeyValue都被有序的存储，有助于把类似的键放在一起。
预写日志机制。Store在保存数据时，先将数据保存在内存中，达到某阈值时，再将数据刷写到硬盘上。但存储在内存中的数据是不稳定的，例如在服务器断电的情况下，数据就有可能丢失。而解决此问题的方法就是预写日志机制：每次更新都会先写入日志，然后再写入内存中。WAL存储了对数据的所有更改。如果服务器崩溃，它可以有效地回访日志，回复数据。
Hlog即保存了预写的日志，存储在HDFS上。同一个Region 服务器共享同一个Hlog文件。
分布式文件系统的客户端，与DataNode通信，写入或获取需要的文件信息。
4、与传统数据库区别
根据Hbase架构和存储原理，总结下与传统数据库区别。
（1）Hbase是基于列模式的映射数据库，它只能表示简单的key-value的映射关系。
- 数据类型：Hbase只有简单的字符串类型，而RDBMS类型选择比较丰富
- 数据操作：Hbase操作只有简单的CRUD等操作，表与表之间没有关系是分离的；而RDBMS有各种各样的表连接操作
- 存储模式：Hbase是基于列存储的，RDBMS是基于表结构和行模式存储的。
- 数据维护：Hbase中的更新并不是真正意义上的更新，因为它的旧值仍然存在，实际上是插入了新数据。
- 可伸缩性：Hbase能很轻易的增加或减少硬件数量。
Hbase基于列模式的分布式数据库更适合海量存储和互联网应用。
（2）表设计比较
以记录博客内容为例
1）传统数据库表设计
我们创建两张表，一张为Article Table，另外一张为Author Table。
在两张表中各插入一条数据后，如下所示
2)、HBase可以按以下方式设计
如上图所示，RDBMS中的两张表可以分别用两个列族来标示，每个列族中的列保存了对应的Value信息，插入一条数据后，如下所示
上图中，可以看出HBase中是按RowKey的字典序进行排序的；两个版本的author:nickname，则体现了HBase多版本的特点；列族中多列是根据Column Key来排序的。
以上内容为HBase架构和基本概念的学习总结，如有不正确之处，请指出，大家共同学习进步。
参考文章:
《HBase权威指南中文版》
