浅谈HBase

摘要：传统的RDBMS关系型数据库存储一定量数据时进行数据检索没有问题，可当数据量上升到非常巨大规模的数据（TB或PB）级别时，传统的RDBMS已无法支撑，这时候就需要一种新型的数据库系统更好更快的处理这些数据。我们选择了HBase

关键词：HBase；数据存储；数据库

HBase——Hadoop Database 是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群，它的技术来源于Fay Chang所撰写的Google论文“BigTable”：一个结构化数据的分布式存储系统。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库，另一个不同就是它是基于列的而不是基于行的模式。

HBase是水平扩展的、分布式的、开源有序映射数据库，它运行在Hadoop文件系统HDFS上，它不要求有预定义的模式，可以被看做弹性扩展的多维表格，通过动态添加列，在数据插入或查询之前修改列结构，以支持任意类型的数据结构。由于HBase运行在HDFS上，理论上HDFS有多少个节点就可以配置多少个HBase，因此，HBase非常适合存储海量数据

上图为HBase的架构设计，Master为HBase的主节点，用来协调客户端应用程序和RegionServer的关系，同时用来监控和记录元数据的变化和管理；RegionServer是从节点，用region的形式处理实际的表，region是HBase表的基础单元组件，它存储了分布式表，所以HBase表和HBase集群利用Master和RegionServer来协同工作；Zookeeper是一个高性能、集中化、分布式应用程序协调服务，它为HBase提供了分布式同步和组服务，在HBase中它用来选举主节点Master以便跟踪可用的在线服务器同时维护集群的元数据，一般安装多个用于提高Master的高可用。为了便于理解，可以把Master看做namenode，把RegionServer看做datanode，因为它们在HBase中的作用和namenode、datanode在HDFS中的作用相似，注意，这样的比喻仅仅为了方便初学理解，实际还是有着很大的不同。

一个HBase表由以下几部分组成

行键：是HBase表中每个记录的唯一值，无论选择什么类型数据作为行键，它在内部、磁盘或内存里都将转换为字节数组进行存储，表中的每条数据都有唯一的标识符，即rowkey，相当于关系型数据库表中的主键

列簇：一张HBase表由表的不同列集合在一起。将相同功能或类型的列分类组合在一起，这样做的好处是可以更快的分开存储在HBase磁盘上的列簇中检索出所需的列

列：属于某一个列簇，相当于关系型数据库表中的非主属性字段

HBase沒有花哨的数据类型，它的所有数据都是字节数组。它是一种字节进字节出的数据库，其特征在于，当插入一个值时，HBase隐式的通过序列化框架将数据转化成字节数组，然后存储进单元格或者给出字节数组，当获取数据的时候，它在隐式的转化成等价的数据展示出来。单元格是HBase表最小的存储单元，在内部是一个列的实际值存储，因此一个单元格的数据由行键+列簇名+列名+时间戳：实际值组成

HBase在实际存储中，是按照列进行存储的，所有每一个列簇存储在单独的一个HDFS文件上。一张HBase表的行都是按照rowkey字典序进行排列的，并且表格在行的方向上被分隔为多个region，region是HBase中分布式存储和负载均衡的最小单元，不同的region分布到不同RegionServer中，也就是说，一个RegionServer中可以包含多个来自不同HBase表的region。

Region虽然是最小的分布式存储的最小单元，但却不是存储的最小单元。Region由一个或多个store组成，每个store保存一个列簇，每个store又由一个memstore（存储在内存中，是内存中的写入缓冲区，写入的数据会预先存储在其中）和零到多个的storefile（存储在HDFS上，存储的最小单元是它里面的HFile）组成。

作者简介：

沈成龙，1996年11月，男，汉，浙江省台州人，本科，学生，研究方向：计算机科学与技术