Skip to content

Latest commit

 

History

History
1239 lines (836 loc) · 43.3 KB

HBase笔记.md

File metadata and controls

1239 lines (836 loc) · 43.3 KB

第 1 章 HBase 简 介

HBase 定义

HBase 是一种分布式、可扩展、支持海量数据存储的 NoSQL 数据库。

Hbase的优点

①HDFS有高容错，高扩展的特点，而Hbase基于HDFS实现数据的存储，因此Hbase拥有与生俱来的超强的扩展性和吞吐量。

②HBase采用的是Key/Value的存储方式，这意味着，即便面临海量数据的增长，也几乎不会导致查询性能下降。

③HBase是一个列式数据库，相对于于传统的行式数据库而言。当你的表字段很多的时候， 可以将不同的列存在到不同的服务实例上，分散负载压力。

Hbase的缺点

①架构设计复杂，且使用HDFS作为分布式存储，因此只是存储少量数据，它也不会 很快。在大数据量时，它慢的不会很明显！

②Hbase不支持表的关联操作，因此数据分析是HBase的弱项。常见的 group by或order by只能通过编写MapReduce来实现！

③Hbase部分支持了ACID

Hbase的总结

适合场景：单表超千万，上亿，且高并发！ 　　

不适合场景：主要需求是数据分析，比如做报表。数据量规模不大，对实时性要求高！

HBase 逻辑结构

image-20200501192550266HBase 物理存储结构

image-20200501192708727

数据模型

Name Space

命名空间，类似于关系型数据库的 DatabBase 概念，每个命名空间下有多个表。HBase 有两个自带的命名空间，分别是 hbase 和 default，hbase 中存放的是 HBase 内置的表， default 表是用户默认使用的命名空间。

Region

Region由一个表的若干行组成！在Region中行的排序按照行键（rowkey）字典排序。

Region不能跨服务器，且当数据量大的时候，HBase会拆分Region。 　　

Region由RegionServer进程管理。HBase在进行负载均衡的时候，一个Region有可能会从当前RegionServer移动到其他RegionServer上。 　　

Region是基于HDFS的，它的所有数据存取操作都是调用了HDFS的客户端接口来实现的。

Row

HBase 表中的每行数据都由一个 RowKey 和多个 Column（列）组成，数据是按照 RowKey 的字典顺序存储的，并且查询数据时只能根据 RowKey 进行检索，所以 RowKey 的设计十分重要

Column

HBase 中的每个列都由 Column Family(列族)和 Column Qualifier（列限定符）进行限定，例如 info：name，info：age。建表时，只需指明列族，而列限定符无需预先定义。

Time Stamp

用于标识数据的不同版本（version），每条数据写入时，如果不指定时间戳，系统会自动为其加上该字段，其值为写入 HBase 的时间。

Cell

由{rowkey, column Family：column Qualifier, time Stamp} 唯一确定的单元。cell 中的数据是没有类型的，全部是字节码形式存贮。

HBase 基本架构

image-20200501194948155

Region Server

Region Server 为 Region 的管理者，其实现类为 HRegionServer，主要作用如下: 对于数据的操作：get, put, delete；

对于 Region 的操作：splitRegion、compactRegion。

Master

Master 是所有 Region Server 的管理者，其实现类为 HMaster，主要作用如下：

对于表的操作：create, delete, alter

对于RegionServer 的操作：分配regions 到每个RegionServer，监控每个RegionServer的状态，负载均衡和故障转移。

Zookeeper

HBase 通过 Zookeeper 来做 Master 的高可用、RegionServer 的监控、元数据的入口以及集群配置的维护等工作。

HDFS

HDFS 为 HBase 提供最终的底层数据存储服务，同时为HBase 提供高可用的支持。

StoreFile

保存实际数据的物理文件，StoreFile 以 HFile 的形式存储在 HDFS 上。每个 Store 会有一个或多个 StoreFile（HFile），数据在每个 StoreFile 中都是有序的。

MemStore

写缓存，由于 HFile 中的数据要求是有序的，所以数据是先存储在 MemStore 中，排好序后，等到达刷写时机才会刷写到HFile，每次刷写都会形成一个新的HFile。

WAL

由于数据要经 MemStore 排序后才能刷写到 HFile，但把数据保存在内存中会有很高的概率导致数据丢失，为了解决这个问题，数据会先写在一个叫做 Write-Ahead logfile 的文件中，然后再写入 MemStore 中。所以在系统出现故障的时候，数据可以通过这个日志文件重建。

Hbase写流程

image-20200501195454348

  1. Client 先访问 zookeeper，获取 hbase:meta 表位于哪个Region Server。
  2. 访问对应的 Region Server，获取 hbase:meta 表，根据读请求的 namespace:table/rowkey， 查询出目标数据位于哪个 Region Server 中的哪个 Region 中。并将该 table 的 region 信息以及 meta 表的位置信息缓存在客户端的 meta cache，方便下次访问。
  3. 与目标Region Server 进行通讯；
  4. 将数据顺序写入（追加）到 WAL；
  5. 将数据写入对应的 MemStore，数据会在 MemStore 进行排序；
  6. 向客户端发送ack；
  7. 等达到 MemStore 的刷写时机后，将数据刷写到HFile。

Flush

image-20200501195837330

MemStore刷写时机：

  1. 当某个 memstroe 的大小达到了 hbase.hregion.memstore.flush.size（默认值128M）， 其所在 region 的所有 memstore 都会刷写。

    当 memstore 的大小达到了 hbase.hregion.memstore.flush.size（默认值 128M）x hbase.hregion.memstore.block.multiplier（默认值 4） 时，会阻止继续往该 memstore 写数据。

  2. 当region server 中 memstore 的总大小达到java_heapsize x hbase.regionserver.global.memstore.size（默认值0.4）x hbase.regionserver.global.memstore.size.lower.limit（默认值0.95），region 会按照其所有 memstore 的大小顺序（由大到小）依次进行刷写。直到 region server中所有 memstore 的总大小减小到上述值以下。

    当 region server 中memstore 的总大小达到java_heapsize*hbase.regionserver.global.memstore.size（默认值0.4）时，会阻止继续往所有的memstore 写数据。

  3. 到达自动刷写的时间，也会触发 memstore flush。自动刷新的时间间隔由该属性进行配置hbase.regionserver.optionalcacheflushinterval（默认1小时）。

  4. 当 WAL 文件的数量超过 hbase.regionserver.max.logs，region 会按照时间顺序依次进行刷写，直到 WAL 文件数量减小到hbase.regionserver.max.log以下（该属性名已经废弃， 现无需手动设置，最大值为 32）。

Hbase读流程

image-20200501200956461

  1. Client 先访问 zookeeper，获取 hbase:meta 表位于哪个Region Server。

  2. 访问对应的 Region Server，获取 hbase:meta 表，根据读请求的 namespace:table/rowkey， 查询出目标数据位于哪个 Region Server 中的哪个 Region 中。并将该 table 的 region 信息以及 meta 表的位置信息缓存在客户端的 meta cache，方便下次访问。

  3. 与目标Region Server 进行通讯；

  4. 分别在Block Cache（读缓存），MemStore 和 Store File（HFile）中查询目标数据，并将查到的所有数据进行合并。此处所有数据是指同一条数据的不同版本（time stamp）或者不同的类型（Put/Delete）。

  5. 将从文件中查询到的数据块（Block，HFile 数据存储单元，默认大小为 64KB）缓存到Block Cache。

  6. 将合并后的最终结果返回给客户端。

StoreFile Compaction

image-20200501201234883

由于memstore 每次刷写都会生成一个新的HFile，且同一个字段的不同版本（timestamp）和不同类型（Put/Delete）有可能会分布在不同的HFile 中，因此查询时需要遍历所有的 HFile。

为了减少 HFile 的个数，以及清理掉过期和删除的数据，会进行 StoreFile Compaction。Compaction 分为两种，分别是 Minor Compaction 和 Major Compaction。Minor Compaction 会将临近的若干个较小的 HFile 合并成一个较大的 HFile，但不会清理过期和删除的数据。 Major Compaction 会将一个 Store 下的所有的 HFile 合并成一个大 HFile，并且会清理掉过期和删除的数据。

Region Split

image-20200501201344205

默认情况下，每个 Table 起初只有一个Region，随着数据的不断写入，Region 会自动进行拆分。刚拆分时，两个子 Region 都位于当前的 Region Server，但处于负载均衡的考虑， HMaster 有可能会将某个 Region 转移给其他的 Region Server。

Region Split 时机：

  1. 当1 个region 中的某个Store 下所有StoreFile 的总大小超过hbase.hregion.max.filesize， 该 Region 就会进行拆分（0.94 版本之前）。

  2. 当 1 个 region 中的某个 Store 下所有 StoreFile 的总大小超过 Min(R^2 * "hbase.hregion.memstore.flush.size",hbase.hregion.max.filesize")，该 Region 就会进行拆分，其中 R 为当前 Region Server 中属于该 Table 的个数（0.94 版本之后）。

第 2 章 HBase Shell

基本操作

查看当前数据库中有哪些表

list

list后可以使用*等通配符来进行表的过滤！

表的操作

创建表
格式：
　　create '表名', { NAME => '列族名1', 属性名 => 属性值}, {NAME => '列族名2', 属性名 => 属性值}, …
　　如果你只需要创建列族，而不需要定义列族属性，那么可以采用以下快捷写法：
　　create'表名','列族名1' ,'列族名2', …
create 'student','info'
插入数据到表
put '表名', '行键', '列名', '值'
put '表名', '行键', '列名', '值',时间戳
put '表名', '行键', '列名', '值', { '属性名' => '属性值'}
put '表名', '行键', '列名', '值',时间戳, { '属性名' =>'属性值'}
hbase(main):003:0> put 'student','1001','info:sex','male' 
hbase(main):004:0> put 'student','1001','info:age','18' 
hbase(main):005:0> put 'student','1002','info:name','Janna' 
hbase(main):006:0> put 'student','1002','info:sex','female' 
hbase(main):007:0> put 'student','1002','info:age','20'
扫描查看表数据
scan命令可以按照rowkey的字典顺序来遍历指定的表的数据。
scan ‘表名’：默认当前表的所有列族。
scan ‘表名’,{COLUMNS=> [‘列族:列名’],…} ： 遍历表的指定列
scan '表名', { STARTROW => '起始行键', ENDROW => '结束行键' }：指定rowkey范围。如果不指定，则会从表的开头一直显示到表的结尾。区间为左闭右开。
scan '表名', { LIMIT => 行数量}： 指定返回的行的数量
scan '表名', {VERSIONS => 版本数}：返回cell的多个版本
scan '表名', { TIMERANGE => [最小时间戳, 最大时间戳]}：指定时间戳范围
		注意：此区间是一个左闭右开的区间，因此返回的结果包含最小时间戳的记录，但是不包含最大时间戳记录
scan '表名', { RAW => true, VERSIONS => 版本数}
	显示原始单元格记录，在Hbase中，被删掉的记录在HBase被删除掉的记录并不会立即从磁盘上清除，而是先被打上墓碑标记，然后等待下次major compaction的时候再被删除掉。注意RAW参数必须和VERSIONS一起使用，但是不能和COLUMNS参数一起使用。
scan '表名', { FILTER => "过滤器"} and|or { FILTER => "过滤器"}: 使用过滤器扫描
hbase(main):008:0> scan 'student'
hbase(main):009:0> scan 'student',{STARTROW => '1001', STOPROW	=> '1001'}
hbase(main):010:0> scan 'student',{STARTROW => '1001'}
查看表结构
describe ‘student’
更新指定字段的数据
put 'student','1001','info:name','Nick'
查看"指定行"或"指定列族:列"的数据
hbase(main):014:0> get 'student','1001' 
hbase(main):015:0> get 'student','1001','info:name'
统计表数据行数
count 'student'
删除数据
删除某 rowkey 的全部数据：
hbase(main):016:0> deleteall 'student','1001'
删除某 rowkey 的某一列数据：
hbase(main):017:0> delete 'student','1002','info:sex'
清空表数据
hbase(main):018:0> truncate 'student'
清空表的操作顺序为先 disable，然后再 truncate
删除表
首先需要先让该表为 disable 状态：
hbase(main):019:0> disable 'student'
然后才能 drop 这个表：
hbase(main):020:0> drop 'student'
变更表信息
将 info 列族中的数据存放 3 个版本：
hbase(main):022:0> alter 'student',{NAME=>'info',VERSIONS=>3} 
hbase(main):022:0> get 'student','1001',{COLUMN=>'info:name',VERSIONS=>3}

第 3 章 HBase API

1. Connection
      代表和hbase集群的一个连接，包含zookeeper连接。
      重量级初始化，建议一个应用只需要创建一个Connection对象。
      线程安全，可以在多个线程共享。
      手动执行close()方法，自己维护生命周期。
      创建Admin:  Connection.getAdmin(),Admin执行DDL语句。
      创建Table: Connection.getTable(),Table执行DML语句。

      Connection的创建ConnectionFactory.createConnection();

2. Admin
      Admin执行DDL语句,执行表和库的增删改查。
      Admin属于轻量级的初始化，Admin是线程不安全的，不能共享。
      可以使用ThreadLocal保证一个线程中只创建一个当前线程使用的Admin对象。

   库操作：
         建库：  Admin.createNameSpace(NameSpaceDescriptor)
         删除：  Admin.deleteteNameSpace(String 库名)
         查看所有的库：NameSpaceDescriptor[] xxx = Admin.listNameSpace()

   表操作：
         判断表是否存在：Admin.tableExists(TableName x)
         建表:  Admin.createTable(HTableDescriptor x)
         删除: Admin.deleteTable(TableName x)

3. NameSpaceDescriptor
      库的描述。库的所有属性，都需要使用当前类来设置。

4. TableName
      代表一个表的名称。
      TableName.valueof(String 表名)
      TableName.valueof(String nsname,String 表名)

5. HTableDescriptor
      代表表的描述，表的所有属性，包括列族都要在HTableDescriptor中声明。

      new HTableDescriptor(TableName x)

      在HTableDescriptor，调用addFamily(HColumnDescriptor)

6. HColumnDescriptor
      代表列族的描述，列族的属性，可以在这个对象中声明。

7. Table
      代表一个表。可以执行DML语句。线程不安全的，不能共享。每个表应该有自己的Table。

      new Table(TableName tn);

      Put:  Table.put(Put x);
           Table.put(List<Put> x);

      get： Table.get(Get x);
            Table.get(List<Get> x);

      scan : Table.getScaner(Scan scan)

      delete : Table.delete(Delete x)



8. Put:
      代表一个rowkey的value部分。多个Cell（单元格）的集合。
      Put.add(Cell cell);
      Put.addColumn(byte [] family,byte [] quliefier ,long ts ,byte [] value)

9. Get
      代表查询一行内容的参数。  rowkey+value
      get可以设置属性

   Result result= Table.get(Get x);

10. Result
      Results是一行中多个cell的集合。

11. Scan
      Scan代表多行查询的参数集合。
      Scan需要设置查询的表名，多个列族，多个列，查询的版本号...

12 . Delete
      Delete代表删除操作的参数。

      Delete可以删除某个列中具体版本的数据。新增一条type=DELETE类型的数据，而且时间戳为当前列中最大的时间戳。

9. 工具类
         Bytes:  可以将常用的数据类型和byte[]间转换
                  Bytes.toBytes(): 转为byte[]
                  Bytes.toxxx(): 转为某个类型

         CellUtils:  操作Cell，获取cell中的属性（列族，列名，值...）
               CellUtils.clonexxx(Cell x)

获取 Configuration 对象

public static Configuration conf; 
static{
    //使用 HBaseConfiguration 的单例方法实例化
    conf = HBaseConfiguration.create(); 
    conf.set("hbase.zookeeper.quorum", "192.166.9.102");
	conf.set("hbase.zookeeper.property.clientPort", "2181");
}

判断表是否存在

public	static	boolean	isTableExist(String	tableName)	throws MasterNotRunningException,ZooKeeperConnectionException, IOException{
    //在 HBase 中管理、访问表需要先创建 HBaseAdmin 对象
    connection = ConnectionFactory.createConnection(conf);
    //HBaseAdmin 
    HBaseAdmin admin = new HBaseAdmin(conf);
	return admin.tableExists(tableName);
}

创建表

public	static	void	createTable(String	tableName,	String... columnFamily) throws MasterNotRunningException,ZooKeeperConnectionException, IOException{
    HBaseAdmin admin = new HBaseAdmin(conf);
	//判断表是否存在
    if(isTableExist(tableName)){
		System.out.println("表" + tableName + "已存在");
		//System.exit(0);
	}else{
		//创建表属性对象,表名需要转字节
		HTableDescriptor descriptor = new 	
        HTableDescriptor(TableName.valueOf(tableName));
		//创建多个列族
		for(String cf : columnFamily){ 
        	descriptor.addFamily(new HColumnDescriptor(cf));
		}
		//根据对表的配置，创建表
    	admin.createTable(descriptor); 
   	 	System.out.println("表" + tableName + "创建成功！");
}
}

删除表

public static void dropTable(String tableName) throws
MasterNotRunningException, ZooKeeperConnectionException, IOException{
	HBaseAdmin admin = new HBaseAdmin(conf); 
    if(isTableExist(tableName)){
		admin.disableTable(tableName); 
        admin.deleteTable(tableName);
		System.out.println("表" + tableName + "删除成功！");
	}else{
		System.out.println("表" + tableName + "不存在！");
	}
}

向表中插入数据

public static void addRowData(String tableName,	String rowKey,String columnFamily, String column, String value) throws IOException{
	//创建 HTable 对象
	HTable hTable = new HTable(conf, tableName);
	//向表中插入数据
	Put put = new Put(Bytes.toBytes(rowKey));
	//向 Put 对象中组装数据
	put.add(Bytes.toBytes(columnFamily), Bytes.toBytes(value));
	hTable.put(put); 
    hTable.close();
	System.out.println("插入数据成功");
}

删除多行数据

public static void deleteMultiRow(String tableName, String... rows) throws IOException{
	HTable hTable = new HTable(conf, tableName); 
    List<Delete> deleteList = new ArrayList<Delete>(); 
    for(String row : rows){
		Delete delete = new Delete(Bytes.toBytes(row)); 
        deleteList.add(delete);
	}
	hTable.delete(deleteList); 
    hTable.close();
}

获取所有数据

public static void getAllRows(String tableName) throws IOException{ 
    HTable hTable = new HTable(conf, tableName);
	//得到用于扫描 region 的对象
	Scan scan = new Scan();
	//使用 HTable 得到 resultcanner 实现类的对象
	ResultScanner resultScanner = hTable.getScanner(scan); 
    for(Result result : resultScanner){
		Cell[] cells = result.rawCells(); 
        for(Cell cell : cells){
			//得到 rowkey
			System.out.println("行键:"+ 
                               Bytes.toString(CellUtil.cloneRow(cell)));
			//得到列族
			System.out.println("	列	族	"	+ 
                               Bytes.toString(CellUtil.cloneFamily(cell)));
			System.out.println("	列	:"	+ 
                               Bytes.toString(CellUtil.cloneQualifier(cell)));
			System.out.println("	值	:"	+ 
                               Bytes.toString(CellUtil.cloneValue(cell)));
}
}
}

获取某一行数据

public static void getRow(String tableName, String rowKey) throws IOException{
	HTable table = new HTable(conf, tableName); 
    Get get = new Get(Bytes.toBytes(rowKey));
	//get.setMaxVersions();显示所有版本
	//get.setTimeStamp();显示指定时间戳的版本
    Result result = table.get(get); 
    for(Cell cell : result.rawCells()){
		System.out.println("	行	键	:"	+
			Bytes.toString(result.getRow())); 
        System.out.println("列组"+
			Bytes.toString(CellUtil.cloneFamily(cell)));
		System.out.println("	列	:"	+ 		
            Bytes.toString(CellUtil.cloneQualifier(cell)));
		System.out.println("	值	:"	+ 
            Bytes.toString(CellUtil.cloneValue(cell)));
		System.out.println("时间戳:" + cell.getTimestamp());
}
}

获取某一行指定"列族:列"的数据

public static void getRowQualifier(String tableName, String rowKey,
String family, String qualifier) throws IOException{
	HTable table = new HTable(conf, tableName); 
    Get get = new Get(Bytes.toBytes(rowKey)); 	
    get.addColumn(Bytes.toBytes(family),Bytes.toBytes(qualifier));
	Result result = table.get(get);
	for(Cell cell : result.rawCells()){
		System.out.println(" 	行	键	:"	+
                           Bytes.toString(result.getRow()));
		System.out.println("	列	族	"	+
                           Bytes.toString(CellUtil.cloneFamily(cell)));
		System.out.println("	列	:"	+ 
                           Bytes.toString(CellUtil.cloneQualifier(cell)));
		System.out.println("	值	:"	+ 
                           Bytes.toString(CellUtil.cloneValue(cell)));
}
}


1. 在运行MR时，hadoop的mapreduce模块，需要持有当前hbase版本的jar包。

2.  可以运行 hbase mapredcp 查看运行mr时，需要持有哪些jar包。
      这些jar包起始都位于hbase/lib/*

3. 编辑hadoop-env.sh, 编辑 HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$HBASE_HOME/lib/*

4. 如果MR处理的是hbase中的数据。
      从hbase中读数据：
            使用TableInputFormat，可以从hbase中读取一行的数据。
            将rowkey封装为ImmuteableBytesWriatlbe key，
            一行的Result value，封装为值。

      传入到Mapper，Mapper必须继承TableMapper。

      将数据处理完，在写入到hbase，要求Reducer必须继承TableReducer，
            使用TableOutputFormat

      设置driver时，Configuration必须能够读取hbase-site.xml和hbase-default.xml.

         调用HBaseConfiguration.create();

      设置Mapper和Reducer参数时，提供了一个工具类
         TableMapReducerUtil.initTableMapperJob();
         TableMapReducerUtil.initTableReducerJob();

在HBase中使用MR

1. 在运行MR时，hadoop的mapreduce模块，需要持有当前hbase版本的jar包。

2.  可以运行 hbase mapredcp 查看运行mr时，需要持有哪些jar包。
      这些jar包起始都位于hbase/lib/*

3. 编辑hadoop-env.sh, 编辑 HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$HBASE_HOME/lib/*

4. 如果MR处理的是hbase中的数据。
      从hbase中读数据：
            使用TableInputFormat，可以从hbase中读取一行的数据。
            将rowkey封装为ImmuteableBytesWriatlbe key，
            一行的Result value，封装为值。

      传入到Mapper，Mapper必须继承TableMapper。

      将数据处理完，在写入到hbase，要求Reducer必须继承TableReducer，
            使用TableOutputFormat

      设置driver时，Configuration必须能够读取hbase-site.xml和hbase-default.xml.

         调用HBaseConfiguration.create();

      设置Mapper和Reducer参数时，提供了一个工具类
         TableMapReducerUtil.initTableMapperJob();
         TableMapReducerUtil.initTableReducerJob();

自定义HBase-MapReduce1

目标：将fruit表中的一部分数据，通过MR迁入到fruit_mr表中。

  1. 构建ReadFruitMapper类，用于读取fruit表中的数据
public class ReadFruitMapper extends TableMapper<ImmutableBytesWritable, Put> {

    @Override
    protected void map(ImmutableBytesWritable key, Result value, Context context) 
    throws IOException, InterruptedException {
    //将fruit的name和color提取出来，相当于将每一行数据读取出来放入到Put对象中。
        Put put = new Put(key.get());
        //遍历添加column行
        for(Cell cell: value.rawCells()){
            //添加/克隆列族:info
            if("info".equals(Bytes.toString(CellUtil.cloneFamily(cell)))){
                //添加/克隆列：name
                if("name".equals(Bytes.toString(CellUtil.cloneQualifier(cell)))){
                    //将该列cell加入到put对象中
                    put.add(cell);
                    //添加/克隆列:color
                }else if ( "color".equals(
                    Bytes.toString(CellUtil.cloneQualifier(cell)))){
                    //向该列cell加入到put对象中
                    put.add(cell);
                }
            }
        }
        //将从fruit读取到的每行数据写入到context中作为map的输出
        context.write(key, put);
    }
}
  1. 构建WriteFruitMRReducer类，用于将读取到的fruit表中的数据写入到fruit_mr表中
public class WriteFruitMRReducer extends TableReducer<ImmutableBytesWritable, Put, NullWritable> {
    @Override
    protected void reduce(ImmutableBytesWritable key, Iterable<Put> values, Context context) 
    throws IOException, InterruptedException {
        //读出来的每一行数据写入到fruit_mr表中
        for(Put put: values){
            context.write(NullWritable.get(), put);
        }
    }
}
  1. 构建Fruit2FruitMRRunner extends Configured implements Tool用于组装运行Job任务
//组装Job
public int run(String[] args) throws Exception {
    //得到Configuration
    Configuration conf = this.getConf();
    //创建Job任务
    Job job = Job.getInstance(conf, this.getClass().getSimpleName());
    job.setJarByClass(Fruit2FruitMRRunner.class);

    //配置Job
    Scan scan = new Scan();
    scan.setCacheBlocks(false);
    scan.setCaching(500);

    //设置Mapper，注意导入的是mapreduce包下的，不是mapred包下的，后者是老版本
    TableMapReduceUtil.initTableMapperJob(
    "fruit", //数据源的表名
    scan, //scan扫描控制器
    ReadFruitMapper.class,//设置Mapper类
    ImmutableBytesWritable.class,//设置Mapper输出key类型
    Put.class,//设置Mapper输出value值类型
    job//设置给哪个JOB
    );
    //设置Reducer
    TableMapReduceUtil.initTableReducerJob("fruit_mr", WriteFruitMRReducer.class, job);
    //设置Reduce数量，最少1个
    job.setNumReduceTasks(1);

    boolean isSuccess = job.waitForCompletion(true);
    if(!isSuccess){
        throw new IOException("Job running with error");
    }
    return isSuccess ? 0 : 1;
}
  1. 主函数中调用运行该Job任务
public static void main( String[] args ) throws Exception{
    Configuration conf = HBaseConfiguration.create();
    int status = ToolRunner.run(conf, new Fruit2FruitMRRunner(), args);
    System.exit(status);
}
  1. 打包运行任务
$ /opt/software/hadoop-2.6.0/bin/yarn jar ~/softwares/jars/hbase-0.0.1-SNAPSHOT.jar com.z.hbase.mr1.Fruit2Fru

自定义HBase-MapReduce2

目标：实现将HDFS中的数据写入到HBase表中。

  1. 构建ReadFruitFromHDFSMapper于读取HDFS中的文件数据
package com.z.hbase.mr2;

import java.io.IOException;

import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

public class ReadFruitFromHDFSMapper extends Mapper<LongWritable, Text, ImmutableBytesWritable, Put> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //从HDFS中读取的数据
        String lineValue = value.toString();
        //读取出来的每行数据使用\t进行分割，存于String数组
        String[] values = lineValue.split("\t");

        //根据数据中值的含义取值
        String rowKey = values[0];
        String name = values[1];
        String color = values[2];

        //初始化rowKey
        ImmutableBytesWritable rowKeyWritable = new ImmutableBytesWritable(Bytes.toBytes(rowKey));

        //初始化put对象
        Put put = new Put(Bytes.toBytes(rowKey));

        //参数分别:列族、列、值  
        put.add(Bytes.toBytes("info"), Bytes.toBytes("name"),  Bytes.toBytes(name)); 
        put.add(Bytes.toBytes("info"), Bytes.toBytes("color"),  Bytes.toBytes(color)); 

        context.write(rowKeyWritable, put);
    }
}
  1. 构建WriteFruitMRFromTxtReducer类
package com.z.hbase.mr2;

import java.io.IOException;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.TableReducer;
import org.apache.hadoop.io.NullWritable;

public class WriteFruitMRFromTxtReducer extends TableReducer<ImmutableBytesWritable, Put, NullWritable> {
    @Override
    protected void reduce(ImmutableBytesWritable key, Iterable<Put> values, Context context) throws IOException, InterruptedException {
        //读出来的每一行数据写入到fruit_hdfs表中
        for(Put put: values){
            context.write(NullWritable.get(), put);
        }
    }
}
  1. 创建Txt2FruitRunner组装Job
public int run(String[] args) throws Exception {
	//得到Configuration
	Configuration conf = this.getConf();

	//创建Job任务
	Job job = Job.getInstance(conf, this.getClass().getSimpleName());
	job.setJarByClass(Txt2FruitRunner.class);
	Path inPath = new Path("hdfs://linux01:8020/input_fruit/fruit.tsv");
	FileInputFormat.addInputPath(job, inPath);

	//设置Mapper
	job.setMapperClass(ReadFruitFromHDFSMapper.class);
	job.setMapOutputKeyClass(ImmutableBytesWritable.class);
	job.setMapOutputValueClass(Put.class);

	//设置Reducer
	TableMapReduceUtil.initTableReducerJob("fruit_mr",
                                           WriteFruitMRFromTxtReducer.class, job);

	//设置Reduce数量，最少1个
	job.setNumReduceTasks(1);

	boolean isSuccess = job.waitForCompletion(true);
	if(!isSuccess){
		throw new IOException("Job running with error");
	}

	return isSuccess ? 0 : 1;
}
  1. 调用执行Job
public static void main(String[] args) throws Exception {
        Configuration conf = HBaseConfiguration.create();
        int status = ToolRunner.run(conf, new Txt2FruitRunner(), args);
        System.exit(status);
}
  1. 打包运行
$ /opt/software/hadoop-2.6.0/bin/yarn jar ~/softwares/jars/hbase-0.0.1-SNAPSHOT.jar com.z.hbase.mr2.Txt2FruitRunner

与 Hive 的集成

HBase 与 Hive 的对比

Hive
  1. 数据仓库

Hive 的本质其实就相当于将 HDFS 中已经存储的文件在 Mysql 中做了一个双射关系，以方便使用HQL 去管理查询。

  1. 用于数据分析、清洗

Hive 适用于离线的数据分析和清洗，延迟较高。

  1. 基于HDFS、MapReduce

Hive 存储的数据依旧在DataNode 上，编写的HQL 语句终将是转换为 MapReduce 代码执行。

HBase
  1. 数据库

是一种面向列族存储的非关系型数据库。

  1. 用于存储结构化和非结构化的数据

适用于单表非关系型数据的存储，不适合做关联查询，类似 JOIN 等操作。

  1. 基于HDFS

数据持久化存储的体现形式是HFile，存放于 DataNode 中，被 ResionServer 以 region 的形式进行管理。

  1. 延迟较低，接入在线业务使用

面对大量的企业数据，HBase 可以直线单表大量数据的存储，同时提供了高效的数据访问速度。

HBase 与 Hive 集成使用

案例一

目标：建立 Hive 表，关联 HBase 表，插入数据到Hive 表的同时能够影响HBase 表。

(1) 在Hive 中创建表同时关联HBase

CREATE TABLE hive_hbase_emp_table( 
empno int,
ename string, 
job string, 
mgr int,
hiredate string, 
sal  double, 
comm double, 
deptno int)
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler' WITH	SERDEPROPERTIES	("hbase.columns.mapping" = 
":key,info:ename,info:job,info:mgr,info:hiredate,info:sal,info:co mm,info:deptno")
TBLPROPERTIES ("hbase.table.name" = "hbase_emp_table");

(2) 在Hive 中创建临时中间表，用于 load 文件中的数据

CREATE TABLE emp(
empno int, 
ename string, 
job string, 
mgr int,
sal double, 
comm double, 
deptno int)
row format delimited fields terminated by '\t';

提示：不能将数据直接 load 进Hive 所关联 HBase 的那张表中

(3) 向Hive 中间表中 load 数据

hive> load data local inpath '/home/admin/softwares/data/emp.txt' into table emp;

(4) 通过 insert 命令将中间表中的数据导入到Hive 关联 Hbase 的那张表中

hive> insert into table hive_hbase_emp_table select * from emp;

(5) 查看Hive 以及关联的HBase 表中是否已经成功的同步插入了数据

hive> select * from hive_hbase_emp_table;

Hbase> scan ‘hbase_emp_table’
案例二

目标：在 HBase 中已经存储了某一张表 hbase_emp_table，然后在 Hive 中创建一个外部表来关联 HBase 中的 hbase_emp_table 这张表，使之可以借助 Hive 来分析 HBase 这张表中的数据。

(1) 在Hive 中创建外部表

CREATE EXTERNAL TABLE relevance_hbase_emp( 
empno int,
ename string, 
job string, 
mgr int,
hiredate string, 
sal  double, 
comm double, 
deptno int) 
STORED BY
'org.apache.hadoop.hive.hbase.HBaseStorageHandler' WITH SERDEPROPERTIES ("hbase.columns.mapping" =
":key,info:ename,info:job,info:mgr,info:hiredate,info:sal,info:co mm,info:deptno")
TBLPROPERTIES ("hbase.table.name" = "hbase_emp_table");

(2) 关联后就可以使用Hive 函数进行一些分析操作了

第 4 章 HBase 优 化

高可用

在 HBase 中 HMaster 负责监控 HRegionServer 的生命周期，均衡 RegionServer 的负载， 如果 HMaster 挂掉了，那么整个 HBase 集群将陷入不健康的状态，并且此时的工作状态并不会维持太久。所以 HBase 支持对HMaster 的高可用配置。

预分区

每一个 region 维护着 StartRow 与 EndRow，如果加入的数据符合某个 Region 维护的RowKey 范围，则该数据交给这个 Region 维护。那么依照这个原则，我们可以将数据所要投放的分区提前大致的规划好，以提高HBase 性能。

  1. 手动设定预分区

    hbase> create 'staff1','info','partition1',SPLITS => ['1000','2000','3000','4000']

  2. 生成 16 进制序列预分区

    create 'staff2','info','partition2',{NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}

  3. 按照文件中设置的规则预分区

    创建 splits.txt 文件内容如下：

    aaaa

    bbbb

    cccc

    dddd

    然后执行：

    create 'staff3','partition3',SPLITS_FILE => 'splits.txt'

  4. 使用java api分区

//自定义算法，产生一系列Hash散列值存储在二维数组中

byte[][] splitKeys = 某个散列值函数

//创建HBaseAdmin实例

HBaseAdmin hAdmin = new HBaseAdmin(HBaseConfiguration.create());

//创建HTableDescriptor实例

HTableDescriptor tableDesc = new HTableDescriptor(tableName);

//通过HTableDescriptor实例和散列值二维数组创建带有预分区的HBase表

hAdmin.createTable(tableDesc, splitKeys);

RowKey

一条数据的唯一标识就是 rowkey，那么这条数据存储于哪个分区，取决于 rowkey 处于哪个一个预分区的区间内 设计 rowkey 的主要目的 ，就是让数据均匀的分布于所有的 region 中，在一定程度上防止数据倾斜。

RowKey 应该遵循的特点

1.字符串类型

虽然行键在 HBase 中是以 byte[] 字节数组的形式存储的，但是建议在系统开发过程中将其数据类型设置为String类型，保证通用性； 如果在开发过程中将 RowKey 规定为其他类型，譬如Long型，那么数据的长度将可能受限于编译环境等所规定的数据长度 ，常用的行键字符串有以下几种：

纯数字字符串，譬如9559820140512；

数字+特殊分隔符，譬如95598-20140512;

数字+英文字母，譬如city20140512；

数字+英文字母+特殊分隔符，譬如city_20140512。

2.有明确的意义

RowKey 的主要作用是为了进行数据记录的唯一性标示，但是唯一性并不是其全部，具有明确意义的行键对于应用开发、数据检索等都具有特殊意义。

譬如上面的数字字符串9559820140512，其实际意义是这样：95598（电网客服电话）+20140512（日期）。 行键往往由多个值组合而成，而各个值的位置顺序将影响到数据存储和检索效率，所以在设计行键时，需要对日后的业务应用开发有比较深入的了解和前瞻性预测，才能设计出可尽量高效率检索的行键。

3.具有有序性

RowKey 是按照字典序存储，因此，设计 RowKey 时，要充分利用这个排序特点，将经常一起读取的数据存储到一块，将最近可能会被访问的数据放在一块。

举个例子：如果最近写入 HBase 表中的数据是最可能被访问的，可以考虑将时间戳作为RowKey 的一部分，由于是字典序排序，所以可以使用 Long.MAX_VALUE–timestamp作为 RowKey，这样能保证新写入的数据在读取时可以被快速命中。

4.具有定长性

行键具有有序性的基础便是定长， 譬如20140512080500、20140512083000，这两个日期时间形式的字符串是递增的，不管后面的秒数是多少，我们都将其设置为 14 位数字形式，如果我们把后面的 0 去除了，那么 201405120805 将大于 20140512083，其有序性发生了变更。 所以我们建议，行键一定要设计成定长的。

RowKey 设计原则

RowKey 长度原则

Rowkey 是一个二进制码流，Rowkey 的长度被很多开发者建议说设计在10~100个字节，不过建议是越短越好，控制在 64 个字节以内是比较好.

原因如下：

（1）数据的持久化文件 HFile 中是按照 KeyValue 存储的，如果 Rowkey 过长比如100 个字节，1亿 行数据光 Rowkey 就要占用100*10000万=100亿个字节，将近10G数据，这会极大影响 HFile 的存储效率；

（2）MemStore 将缓存部分数据到内存，如果 Rowkey 字段过长内存的有效利用率会降低，系统将无法缓存更多的数据，这会降低检索效率。因此 Rowkey 的字节长度越短越好。

（3）目前操作系统是都是 64 位系统，内存 8 字节对齐。控制在 8 个字节的次幂比较好: 比如, 16字节,32字节,64字节比较好.

RowKey 散列原则

如果 Rowkey 是按时间戳的方式递增，不要将时间放在二进制码的前面， 建议将Rowkey的高位作为散列字段，由程序循环生成，低位放时间字段，这样将提高数据均衡分布在每个Regionserver实现负载均衡的几率。 如果没有散列字段，首字段直接是时间信息将产生所有新数据都在一个 RegionServer 上堆积的热点现象，这样在做数据检索的时候负载将会集中在个别 RegionServer，降低查询效率。

RowKey 唯一原则

必须在设计上保证其唯一性。

设计案例

RowKey 的设计和业务需求是强相关的.

目标: 现在想去存储某一年的某个地区的所有用户的通话记录日志.

一年 12 个月, 我们假设创建的表做到预分 12 个区. (无穷->02, 02->03,..., 11->无穷)

rowkey唯一性: 要保证每条记录的rowkey唯一性, rowkey 应该包含这个用户的电话号码和通话时间戳

rowkey长度: 长度不能太长, 也不能太短, 假设设计为 32 个字节.

RowKey 散列: 尽量均匀分不到不同的 Region 中. 假设这样设计: 2位的月份11位的电话号码19位的时间戳 就可以保证存储的时候, 每个人的每个月的通话记录一定会进入同一个 Region 中. 查询的时候也会速度比较快.

内存优化

HBase 操作过程中需要大量的内存开销，毕竟 Table 是可以缓存在内存中的，一般会分配整个可用内存的 70%给 HBase 的 Java 堆。但是不建议分配非常大的堆内存，因为 GC 过程持续太久会导致RegionServer 处于长期不可用状态，一般 16~48G 内存就可以了，如果因为框架占用内存过高导致系统内存不足，框架一样会被系统服务拖死。

基础优化

1．允许在 HDFS 的文件中追加内容

hdfs-site.xml、hbase-site.xml

属性：dfs.support.append

解释：开启 HDFS 追加同步，可以优秀的配合 HBase 的数据同步和持久化。默认值为 true。

2．优化 DataNode 允许的最大文件打开数

hdfs-site.xml

属性：dfs.datanode.max.transfer.threads

解释：HBase 一般都会同一时间操作大量的文件，根据集群的数量和规模以及数据动作，

设置为 4096 或者更高。默认值：4096

3．优化延迟高的数据操作的等待时间

hdfs-site.xml

属性：dfs.image.transfer.timeout

解释：如果对于某一次数据操作来讲，延迟非常高，socket 需要等待更长的时间，建议把

该值设置为更大的值（默认 60000 毫秒），以确保 socket 不会被 timeout 掉。

4．优化数据的写入效率

mapred-site.xml

mapreduce.map.output.compress

mapreduce.map.output.compress.codec

解释：开启这两个数据可以大大提高文件的写入效率，减少写入时间。第一个属性值修改为

true，第二个属性值修改为：org.apache.hadoop.io.compress.GzipCodec 或者其

他压缩方式。

5．设置 RPC 监听数量

hbase-site.xml

属性：Hbase.regionserver.handler.count

解释：默认值为 30，用于指定 RPC 监听的数量，可以根据客户端的请求数进行调整，读写

请求较多时，增加此值。

6．优化 HStore 文件大小

hbase-site.xml

属性：hbase.hregion.max.filesize

解释：默认值 10737418240（10GB），如果需要运行 HBase 的 MR 任务，可以减小此值，

因为一个 region 对应一个 map 任务，如果单个 region 过大，会导致 map 任务执行时间

过长。该值的意思就是，如果 HFile 的大小达到这个数值，则这个 region 会被切分为两

个 Hfile。

7．优化 HBase 客户端缓存

hbase-site.xml

属性：hbase.client.write.buffer

解释：用于指定 Hbase 客户端缓存，增大该值可以减少 RPC 调用次数，但是会消耗更多内

存，反之则反之。一般我们需要设定一定的缓存大小，以达到减少 RPC 次数的目的。

8．指定 scan.next 扫描 HBase 所获取的行数

hbase-site.xml

属性：hbase.client.scanner.caching

解释：用于指定 scan.next 方法获取的默认行数，值越大，消耗内存越大。

9．flush、compact、split 机制

当 MemStore 达到阈值，将 Memstore 中的数据 Flush 进 Storefile；compact 机制则是把 flush

出来的小文件合并成大的 Storefile 文件。split 则是当 Region 达到阈值，会把过大的 Region

一分为二。

涉及属性：

即：128M 就是 Memstore 的默认阈值

hbase.hregion.memstore.flush.size：134217728

即：这个参数的作用是当单个 HRegion 内所有的 Memstore 大小总和超过指定值时，flush

该 HRegion 的所有 memstore。RegionServer 的 flush 是通过将请求添加一个队列，模拟生

产消费模型来异步处理的。那这里就有一个问题，当队列来不及消费，产生大量积压请求

时，可能会导致内存陡增，最坏的情况是触发 OOM。

hbase.regionserver.global.memstore.upperLimit：0.4

hbase.regionserver.global.memstore.lowerLimit：0.38

即：当 MemStore 使用内存总量达到hbase.regionserver.global.memstore.upperLimit 指定值时，

将会有多个MemStores flush 到文件中，MemStore flush 顺序是按照大小降序执行的，直到刷新到MemStore 使用内存略小于 lowerLimit

其他关于环境配置等的参考https://zhenchao125.gitbooks.io/bigdata_hbase_atguigu/content/