HBase学习笔记（一）——基础入门

1、what：什么是HBase

HBase的原型是Google的BigTable论文，受到了该论文思想的启发，目前作为Hadoop的子项目来开发维护，用于支持结构化的数据存储。

HBase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。

HBase的目标是存储并处理大型的数据，更具体来说是仅需使用普通的硬件配置，就能够处理由成千上万的行和列所组成的大型数据。【非大勿用】

HBase是Google Bigtable的开源实现，但是也有很多不同之处。比如：Google Bigtable利用GFS作为其文件存储系统，HBase利用Hadoop HDFS作为其文件存储系统；Google运行MAPREDUCE来处理Bigtable中的海量数据，HBase同样利用Hadoop MapReduce来处理HBase中的海量数据；Google Bigtable利用Chubby作为协同服务，HBase利用Zookeeper作为对应。

上面的话太官方，挨个看都认识，连起来不理解。简单粗暴的总结：就是一款NoSQL数据库，面向列存储，用于存储处理海量数据。

核心在于它是一个存数据的地方，可是在此之前学习过了HDFS和Mysql，那HBase为什么还会出现呢？后边细说~

2、why：为什么会有HBase？

先说一下Mysql，我们都知道Mysql是一个关系型数据库，平时开发使用的非常频繁。一个网站或者系统最核心的表就是用户表，而当用户表的数据达到几千万甚至几亿级别的时候，对单条数据的检索将会耗费数秒甚至分钟级别。实际的清空可能更加复杂不堪。

看下边一张表：

有这么一张用户表，假如我要根据id=1查询出来这条数据对应的用户姓名，很简单，会给我们返回zhangsan。但是，当我们查的时候，想一下，查名字的时候age和email会不会被查出来？答案是肯定的，Mysql的数据存储是以行为单位的，面向行存储。那问题就出现了，我只需要找出zhangsan的名字，却需要查询一整行的数据，如果列非常多，那么查询效率可想而知了。

查询的操作速度会受到以下两个因素的制约：

• 表被并发的插入、编辑以及删除操作。
• 查询语句通常不是简单的对一个表进行操作，有可能是多个表关联后的复杂查询，甚至有可能是group by或者order by操作，此时，性能下降很明显。

如果一张表的列过多，会影响查询效率，我们称这样表为宽表。怎么优化呢，拆开来，竖直拆分：

这样的情况下，我们要查找username的时候只需要查找user_basic表，没有多余的字段，查询效率就会很快。

如果一张表的行过多，会影响查询效率，我们将这样的表称之为高表，可以采用水平拆表的方式提高效率：

这种水平拆分应用比较多的 场景就是日志表，日志信息每天产生很多，可以按月进行水平拆分，这样就实现了高表变矮。

ok，这种拆分方式貌似可以解决宽表和高表的问题，但是如果有一天公司的业务变了，比如原来没有微信，现在有了微信，需要加入用户的微信字段。这时候需要改变表的结构信息，该怎么办？最简单的想法是多加一列，像这样：

多考虑一下就知道这样做很不妥帖，比如说有些早期用户没有微信，这一列是设置默认值还是采取其他的做法就得权衡一下。如果需要扩展很多的列出来，而且不是所有的用户都有这些属性，那么拓展起来就更加复杂了。

这时候，想到了JSON格式的字符串，这是一种以字符串的形式表示的对象，而且属性字段可以动态拓展，于是有了下边这种做法，两种做法加以对比：

ok，这样存储数据它不挺好的嘛，HBase出来干嘛？？Mysql有一点，数据达到一定的阈值，无论怎么优化，它都无法达到高性能的发挥。而大数据领域的数据，动辄PB级，这种存储应用明显是不能很好的满足需求的。针对上边的问题，HBase都有很好的解决方案~~

3、How：HBase怎么实现的？

先不说为什么用，接着上边说到的几个问题：高表宽表，数据列动态扩展，把提到的几个解决办法：水平垂直切分，列扩展方法，杂糅在一起。

有这么一张表，怕它又宽又高，又会动态扩展列，那么在设计之初，就把这个表给他拆开，为了列的动态拓展，直接存储JSON格式：

这样就解决了宽表问题，高表怎么办呢？

一个表的两部分，各存一部分行：

解决了高表，宽表，动态扩展列的问题~~完美plus~

如果还要进一步提高性能怎么办？Mysql->Redis !!! 缓存啊！

查询出来的数据放入到缓存中，下一次查询直接从缓存中拿数据。插入数据怎么办呢？也可以这样理解，我把要插入的数据放进缓存中，再也不用管了，直接由数据库从缓存拿数据插入到数据库。此时程序不需要等待数据插入成功，提高了并行工作的效率。

可是这样做有了很大的风险，服务器宕机的话，缓存中的数据没来得及插入到数据库中，那不就丢数据了嘛。参考Redis的持久化策略，可以给插入数据这个操作添加一个操作日志，用于持久化插入操作，宕机重启后从日志恢复。

这样设计架构就变成了这个样子：

上边这种解决方式，实际上就是HBase实现的大致思路，详细的内容会在后边慢慢说。

简单粗暴总结：HBase就是一个面向列存储的非关系型数据库。两者的区别主要是：

HBase是的存储时基于HDFS的，HDFS有着高容错性的特点，被设计用来部署在低廉的硬件上，而且它提供高吞吐量以访问应用程序的数据，时候那些有着超大数据集的应用程序。基于Hadoop意味着HBase与生俱来的超强的扩展性和吞吐量。

HBase采用的时key/value的存储方式，这意味着，及时随着数据量的增大，也几乎不会导致查询性能的下降。HBase又是一个面向列存储的数据库，当表的字段很多时，可以把其中几个字段独立出来放在一部分机器上，而另外几个字段放到另一部分机器上，充分分散了负载的压力。如此复杂的存储结构和分布式的存储方式，带来的代价就是：即便是存储很少的数据，也不会很快。

HBase并不是足够快，而是数据量很大的时候它慢的不明显。

什么时候使用HBase呢，主要是以下两种情况：

• 单表数据量超过千万，而且并发量很大；
• 数据分析需求较弱，或者不需要那么实时灵活。

参考资料：

[1] 李海波. 大数据技术之HBase

[2] 杨曦. HBase不睡觉书