HBase是一個(gè)高可靠性、高性能、面向列、可伸縮的分布式存儲(chǔ)系統(tǒng)，適用于結(jié)構(gòu)化的存儲(chǔ)，底層依賴于Hadoop的HDFS，利用HBase技術(shù)可在廉價(jià)PCServer上搭建起大規(guī)模結(jié)構(gòu)化存儲(chǔ)集群。因此，HBase被廣泛使用在大數(shù)據(jù)存儲(chǔ)的解決方案中。
一、為何使用HBase
(1) HBase的優(yōu)點(diǎn)：
列可以動(dòng)態(tài)增加，并且列為空就不存儲(chǔ)數(shù)據(jù)，節(jié)省存儲(chǔ)空間
HBase自動(dòng)切分?jǐn)?shù)據(jù)，使得數(shù)據(jù)存儲(chǔ)自動(dòng)具有水平scalability
HBase可以提供高并發(fā)讀寫操作的支持
(2) HBase的缺點(diǎn)：
不能支持條件查詢，只支持按照Row key來查詢
HBase并不適合傳統(tǒng)的事物處理程序或關(guān)聯(lián)分析，不支持復(fù)雜查詢，一定程度上限制了它的使用，但是用它做數(shù)據(jù)存儲(chǔ)的優(yōu)勢(shì)也同樣非常明顯
因?yàn)镠Base存儲(chǔ)的是松散的數(shù)據(jù)，所以如果你的應(yīng)用程序中，數(shù)據(jù)表每一行的結(jié)構(gòu)是有差別的，那么可以考慮使用HBase。
因?yàn)镠Base的列可以動(dòng)態(tài)增加，并且列為空就不存儲(chǔ)數(shù)據(jù)，所以如果你需要經(jīng)常追加字段，且大部分字段是NULL值的，那可以考慮HBase。
因?yàn)镠Base可以根據(jù)Rowkey提供高效的查詢，所以如果你的數(shù)據(jù)(包括元數(shù)據(jù)、消息、二進(jìn)制數(shù)據(jù)等)都有著同一個(gè)主鍵，或者你需要通過鍵來訪問和修改數(shù)據(jù)，使用HBase是一個(gè)很好地選擇。
二、如何使用HBase
場(chǎng)景一：賣家操作日志
賣家操作日志，顧名思義是用來記錄商家操作的系統(tǒng)，從而可以保證商家可以精確查詢自己的各種操作。京東有幾十萬的商家時(shí)時(shí)刻刻的進(jìn)行著各種操作，因此賣家操作日志的特點(diǎn)是：數(shù)據(jù)量大、實(shí)時(shí)性強(qiáng)、增多查少。
▲圖一
▲圖二
做賣家操作日志初期，將所有的操作日志存放在ES中，操作日志的數(shù)據(jù)量是非常大的，但當(dāng)時(shí)所能申請(qǐng)到的ES資源有限。當(dāng)把大量的數(shù)據(jù)存儲(chǔ)到有限的ES集群中時(shí)便導(dǎo)致了性能的下降。在這種情況下，選擇了只在ES集群中存儲(chǔ)最近三個(gè)月的數(shù)據(jù)，對(duì)其提供靈活的查詢，而長期的數(shù)據(jù)存儲(chǔ)使用HBase來進(jìn)行。這樣便可以實(shí)現(xiàn)對(duì)近期操作靈活展現(xiàn)，對(duì)長期數(shù)據(jù)也有精確備份。
場(chǎng)景二：京麥消息日志的存儲(chǔ)
京麥消息日志的存儲(chǔ)是屬于京麥筋斗云系統(tǒng)(用于打造京麥消息生態(tài)系統(tǒng)閉環(huán))不可或缺的一部分，其中包含消息的全鏈路追蹤以及消息的統(tǒng)計(jì)分析。京麥消息每天都會(huì)有幾千萬的消息量，如何對(duì)消息進(jìn)行追蹤和統(tǒng)計(jì)便成為了一個(gè)至關(guān)重要的問題。
消息追蹤要求實(shí)時(shí)性、多維度精確查詢，因此選擇將最近一周的消息日志存儲(chǔ)在ES。統(tǒng)計(jì)分析要求有足夠多的數(shù)據(jù)，因此在將數(shù)據(jù)存儲(chǔ)在ES中的同時(shí)也存儲(chǔ)在HBase中一份。最終再定期將HBase中的數(shù)據(jù)導(dǎo)入到京東的數(shù)據(jù)集市中，這樣便可以很方便的對(duì)京麥消息進(jìn)行統(tǒng)計(jì)分析。
HBase的數(shù)據(jù)結(jié)構(gòu)
▲HBase數(shù)據(jù)的概念視圖
要使用HBase首先要了解HBase的數(shù)據(jù)結(jié)構(gòu)：
HBase會(huì)存儲(chǔ)系列的行記錄，行記錄有三個(gè)基本類型的定義：Row Key、Time Stamp、Column Family。
1. Row Key
與NoSQL數(shù)據(jù)庫一樣，Row Key是用來檢索記錄的主鍵。訪問HBase table中的行，只有三種方式：
通過單個(gè)Row Key訪問
通過Row Key的range全表掃描
Row Key可以是任意字符串(最大長度是64KB，實(shí)際應(yīng)用中長度一般為 10 ~ 100bytes)，在HBase內(nèi)部，Row Key保存為字節(jié)數(shù)組
在存儲(chǔ)時(shí)，數(shù)據(jù)按照Row Key的字典序(byte order)排序存儲(chǔ)。設(shè)計(jì)Key時(shí)，要充分排序存儲(chǔ)這個(gè)特性，將經(jīng)常一起讀取的行存儲(chǔ)到一起(位置相關(guān)性)。
2. Column Family
HBase表中每個(gè)列都必須屬于某個(gè)列族，列族必須作為表模式定義的一部分預(yù)先給出(有點(diǎn)像關(guān)系型數(shù)據(jù)庫中的列名，定義完一般情況下就不會(huì)再去修改)。
列名以列族作為前綴，每個(gè)列族都可以有多個(gè)列成員。新的列族成員(也就是列)可以隨后按需，動(dòng)態(tài)加入。
Hbase把同一列族里面的數(shù)據(jù)存儲(chǔ)在同一目錄下，由幾個(gè)文件保存。
3. Time Stamp
在HBase每個(gè)cell存儲(chǔ)單元對(duì)同一份數(shù)據(jù)有多個(gè)版本，根據(jù)唯一的時(shí)間戳來區(qū)分每個(gè)版本之間的差異，不同版本的數(shù)據(jù)按照時(shí)間倒序排序，最新的數(shù)據(jù)版本排在最前面。
三、簡(jiǎn)述HBase的架構(gòu)原理
1. HBase的模塊
(1) Master
HBase Master用于協(xié)調(diào)多個(gè)Region Server，偵測(cè)各個(gè)Region Server之間的狀態(tài)，并平衡Region Server之間的負(fù)載。HBase Master還有一個(gè)職責(zé)就是負(fù)責(zé)分配Region給Region Server。HBase允許多個(gè)Master 節(jié)點(diǎn)共存，但是這需要Zookeeper的幫助。不過當(dāng)多個(gè)Master節(jié)點(diǎn)共存時(shí)，只有一個(gè)Master是提供服務(wù)的，其他的Master節(jié)點(diǎn)處于待命的狀態(tài)。當(dāng)正在工作的Master節(jié)點(diǎn)宕機(jī)時(shí)，其他的Master則會(huì)接管 HBase 的集群。
(2)Region Server
對(duì)于一個(gè)Region Server而言，其包括了多個(gè)Region。Region Server的作用只是管理表格，以及實(shí)現(xiàn)讀寫操作。Client 直接連接Region Server，并通信獲取HBase中的數(shù)據(jù)。對(duì)于Region而言，則是真實(shí)存放HBase數(shù)據(jù)的地方，也就說Region是HBase可用性和分布式的基本單位。如果當(dāng)一個(gè)表格很大，并由多個(gè)CF組成時(shí)，那么表的數(shù)據(jù)將存放在多個(gè)Region之間，并且在每個(gè)Region中會(huì)關(guān)聯(lián)多個(gè)存儲(chǔ)的單元(Store)。
(3)Zookeeper
對(duì)于HBase而言，Zookeeper的作用是至關(guān)重要的。首先Zookeeper是作為HBase Master的HA解決方案。也就是說，是Zookeeper保證了至少有一個(gè)HBase Master處于運(yùn)行狀態(tài)。并且Zookeeper負(fù)責(zé)Region和Region Server的注冊(cè)。其實(shí)Zookeeper發(fā)展到目前為止，已經(jīng)成為了分布式大數(shù)據(jù)框架中容錯(cuò)性的標(biāo)準(zhǔn)框架。不光是HBase，幾乎所有的分布式大數(shù)據(jù)相關(guān)的開源框架，都依賴于Zookeeper實(shí)現(xiàn)HA。
2. HBase的原理
首先需要知道HBase的集群是通過Zookeeper來進(jìn)行機(jī)器之前的協(xié)調(diào)，也就是說HBase Master與Region Server之間的關(guān)系是依賴Zookeeper來維護(hù)。當(dāng)一個(gè)Client需要訪問HBase集群時(shí)，Client需要先和Zookeeper來通信，然后才會(huì)找到對(duì)應(yīng)的Region Server。每一個(gè) Region Server管理著很多個(gè)Region。對(duì)于HBase來說，Region是HBase并行化的基本單元。因此，數(shù)據(jù)也都存儲(chǔ)在Region中。
這里需要特別注意，每一個(gè)Region都只存儲(chǔ)一個(gè)Column Family的數(shù)據(jù)，并且是該CF中的一段(按Row 的區(qū)間分成多個(gè)Region)。Region所能存儲(chǔ)的數(shù)據(jù)大小是有上限的，當(dāng)達(dá)到該上限時(shí)(Threshold)，Region會(huì)進(jìn)行分裂，數(shù)據(jù)也會(huì)分裂到多個(gè)Region中，這樣便可以提高數(shù)據(jù)的并行化，以及提高數(shù)據(jù)的容量。
每個(gè)Region包含著多個(gè)Store對(duì)象。每個(gè)Store包含一個(gè)MemStore，和一個(gè)或多個(gè)HFile。MemStore便是數(shù)據(jù)在內(nèi)存中的實(shí)體，并且一般都是有序的。當(dāng)數(shù)據(jù)向Region寫入的時(shí)候，會(huì)先寫入MemStore。當(dāng)MemStore中的數(shù)據(jù)需要向底層文件系統(tǒng)傾倒(Dump)時(shí)(例如MemStore中的數(shù)據(jù)體積到達(dá)MemStore配置的最大值)，Store便會(huì)創(chuàng)建StoreFile，而StoreFile就是對(duì)HFile一層封裝。所以MemStore中的數(shù)據(jù)會(huì)最終寫入到HFile中，也就是磁盤IO。由于HBase底層依靠HDFS，因此HFile都存儲(chǔ)在HDFS之中。這便是整個(gè)HBase工作的原理簡(jiǎn)述。
四、使用HBase時(shí)應(yīng)注意的問題
基于HBase的系統(tǒng)設(shè)計(jì)與開發(fā)中，需要考慮的因素不同于關(guān)系型數(shù)據(jù)庫，HBase模式本身很簡(jiǎn)單，但賦予你更多調(diào)整的空間，有一些模式寫性能很好，但讀取數(shù)據(jù)時(shí)表現(xiàn)不好，或者正好相反，類似傳統(tǒng)數(shù)據(jù)庫基于范式的OR建模，在實(shí)際項(xiàng)目中考慮HBase設(shè)計(jì)模式是，需要從以下幾方面內(nèi)容著手：
這個(gè)表應(yīng)該有多少個(gè)列簇
列簇使用什么數(shù)據(jù)
每個(gè)列簇應(yīng)有多少個(gè)列
列名應(yīng)該是什么，盡管列名不必在建表時(shí)定義，但是讀寫數(shù)據(jù)時(shí)是需要的
單元應(yīng)該存放什么數(shù)據(jù)
每個(gè)單元存儲(chǔ)什么時(shí)間版本
行健結(jié)構(gòu)是什么，應(yīng)該包括什么信息
五、總結(jié)
現(xiàn)如今各種數(shù)據(jù)存儲(chǔ)方案層出不窮，本文結(jié)合兩個(gè)實(shí)戰(zhàn)場(chǎng)景就基于HBase的大數(shù)據(jù)存儲(chǔ)做了簡(jiǎn)單的分析，并對(duì)HBase的原理做了簡(jiǎn)單的闡述。如何使用好HBase，甚至于如何選擇一個(gè)最優(yōu)的數(shù)據(jù)存儲(chǔ)方案，還需要根據(jù)場(chǎng)景需要具體分析和設(shè)計(jì)。
