作者：韩信子@ShowMeAI

教程地址：http://www.showmeai.tech/tutorials/84

本文地址：http://www.showmeai.tech/article-detail/172

声明：版权所有，转载请联系平台与作者并注明出处

1.大数据与数据库

大家知道在计算机领域，关系数据库大量用于数据存储和维护的场景。大数据的出现后，很多公司转而选择像 Hadoop/Spark 的大数据解决方案。

Hadoop使用分布式文件系统，用于存储大数据，并使用MapReduce来处理。Hadoop擅长于存储各种格式的庞大的数据，任意的格式甚至非结构化的处理。

Hadoop非常适合批量处理任务，但它只以顺序方式访问数据。这意味着如果要查询，必须搜索整个数据集，即使是最简单的搜索工作。

当处理结果在另一个庞大的数据集，也是按顺序处理一个巨大的数据集。在这一点上，一个新的解决方案，需要访问数据中的任何点（随机访问）单元。

HBase是建立在Hadoop文件系统之上的分布式面向列的数据库。

HBase是一个数据模型，类似于谷歌的Bigtable设计，可以提供快速随机访问海量结构化数据。它利用了Hadoop的文件系统（HDFS）提供的容错能力。

它是Hadoop的生态系统，提供对数据的随机实时读/写访问，是Hadoop文件系统的一部分。我们可以直接或通过HBase的存储HDFS数据。使用HBase在HDFS读取消费/随机访问数据。 HBase在Hadoop的文件系统之上，并提供了读写访问。

2.BigTable与HBase

要提到HBase，就要顺带提到google的Bigtable。HBase是在谷歌BigTable的基础之上进行开源实现的，是一个高可靠、高性能、面向列、可伸缩的分布式数据库，可以用来存储非结构化和半结构化的稀疏数据。

BigTable和HBase存储的都是非结构化数据。

BigTable是一个用于管理结构化数据的分布式存储系统，构建在GFS、Chubby、SSTable等google技术之上。本质上说，BigTable是一个稀疏的、分布式的、持久化的、多维的、排序的键值（key-value）映射。

• HBase是一个高可靠、高性能、面向列、可伸缩的分布式数据库，是谷歌BigTable的开源实现。

• HBase主要用来存储非结构化和半结构化的松散数据，目标是处理非常庞大的表，可以通过水平扩展的方式，利用廉价计算机集群处理由超过10亿行数据和数百万列元素组成的数据表。

HBase在大数据生态环境中的位置如下图所示，它建立在Hadoop HDFS之上的分布式面向列的数据库。

如下图所示，HBase有以下特点：

• 大：一个表可以有上亿行，上百万列。
• 面向列：面向列表(簇)的存储和权限控制，列(簇)独立检索。
• 稀疏：对于为空(NULL)的列，并不占用存储空间，因此，表可以设计的非常稀疏。
• 无模式：每一行都有一个可以排序的主键和任意多的列，列可以根据需要动态增加，同一张表中不同的行可以有截然不同的列。
• 数据多版本：每个单元的数据有多个版本，默认情况下，版本号是单元格插入时的时间戳。
• 数据类型单一：HBase中的数据都是字符串，没有类型。　

类型

特点

场合

Native Java API

最常规和高效的访问方式

适合Hadoop MapReduce作业并行批处理HBase表数据

HBase Shell

HBase的命令行工具 最简单的接口

适合HBase管理使用

Thrift Gateway

利用Thrift序列化技术 支持C++、PHP、Python等

适合其他异构系统在线访问HBase表数据

REST Gateway

解除了语言限制

支持REST风格的Http API访问HBase

Pig

使用Pig Latin流式编程语言来处理HBase中的数据

适合做数据统计

Hive

简单

当需要以类似SQL语言方式来访问HBase的时候

3.HBase数据模型

组件

描述

表 Table

HBase采用表来组织数据，表由行和列组成，列划分为若干个列族

行 Row

每个HBase表都由若干行组成，每个行由行键（row key）来标识

列族 Column Family

一个HBase表被分组成许多“列族”（Column Family）的集合

列限定符Column Qualifier

列族里的数据通过列限定符（或列）来定位

单元格 Cell

通过行、列族和列限定符确定一个单元格，单元格中存储的数据都视为byte

时间戳 Times tamp

同一份数据的多个版本，时间戳用于索引数据版本

HBase中需要根据行键、列族、列限定符和时间戳来确定一个单元格。因此，可以视为一个“四维坐标”，即 [行键, 列族, 列限定符, 时间戳] 。

Table在行的方向上分割为多个Region，每个Region分散在不同的RegionServer中。

每个HRegion由多个Store构成，每个Store由一个MemStore和0或多个StoreFile组成，每个Store保存一个Columns Family。StoreFile以HFile格式存储在HDFS中。

4.HBase系统架构

HBase包含以下三个组件：

• Region Server：提供数据的读写服务，当客户端访问数据时，直接和Region Server通信。
• HBase Master：Region的分配，DDL操作(创建表，删除表)。
• ZooKeeper：是HDFS的一部分，维护一个活跃的集群状态。

HBase Tables 通过行健的范围(row key range)被水平切分成多个Region。一个Region包含了所有的在Region开始键(startKey)和结束键(endKey)之内的行。

Regions被分配到集群的节点上，成为Region Servers，提供数据的读写服务；一个Region Server可以服务1000个Region。

• 分配Region，DDL操作(创建表， 删除表)。
• 协调各个Reion Server：在启动时分配Region、在恢复或是负载均衡时重新分配Region；监控所有集群当中的Region Server实例，从ZooKeeper中监听通知。
• 提供创建、删除、更新表的接口。

• HBase使用ZooKeeper作为分布式协调服务，来维护集群中的Server状态。
• ZooKeeper维护着哪些Server是活跃或是可用的，提供Server 失败时的通知。
• Zookeeper使用一致性机制来保证公共的共享状态，注意，需要使用奇数的三台或五台机器，保证一致。

5.Hive介绍

Hive是基于Hadoop的一个数据仓库工具，用于结构化数据的查询、分析和汇总。Hive提供类SQL查询功能，它将SQL转换为MapReduce程序。

Hive不支持OLTP，Hive无法提供实时查询。

Hive的优点

• 简单容易上手：提供了类SQL查询语言HQL。
• 可扩展：一般情况下不需要重启服务Hive可以自由的扩展集群的规模。
• 提供统一的元数据管理。
• 延展性：Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。
• 容错：良好的容错性，节点出现问题SQL仍可完成执行。

Hive的缺点(局限性)

• Hive的HQL表达能力有限：迭代式算法无法表达，比如pagerank；数据挖掘方面，比如kmeans。
• Hive的效率比较低：Hive自动生成的MapReduce作业，不够智能化；Hive调优比较困难，粒度较粗；Hive可控性差。

• client 三种访问方式：CLI、JDBC/ODBC、WEBUI。
• Meta store 元数据：表名、表所属数据库、表拥有者、列、分区字段、表类型、表数据所在的目录等，默认存储在自带的derby数据库中。
• Driver：解析器、编译器、优化器、执行器。

Hive 中所有的数据都存储在 HDFS 中Hive 中包含以下数据模型：

• 表(Table)
• 外部表(External Table)
• 分区(Partition)
• 桶(Bucket)

6.SQL介绍与Hive应用场景

作用

HiveQL

查看所有数据库

SHOW DATABASES;

使用指定的数据库

USE database_name;

创建指定名称的数据库

CREATE DATABASE database_name;

删除数据库

DROP DATABASE database_name;

创建表

CREATE TABLE pokes (foo INT, bar STRING)

查看所有的表

SHOW TABLES

支持模糊查询

SHOW TABLES ‘TMP’

查看表有哪些分区

SHOW PARTITIONS TMP_TABLE

查看表结构

DESCRIBE TMP_TABLE

创建表并创建索引ds

CREATE TABLE invites (foo INT, bar STRING) PARTITIONED BY (ds STRING)

复制一个空表

CREATE TABLE empty_key_value_store LIKE key_value_store

表添加一列

ALTER TABLE pokes ADD COLUMNS (new_col INT)

更改表名

ALTER TABLE events RENAME TO 3koobecaf

作用

HiveQL

检索信息

SELECT from_columns FROM table WHERE conditions;

选择所有的数据

SELECT * FROM table;

行筛选

SELECT * FROM table WHERE rec_name = “value”;

多个限制条件

SELECT * FROM TABLE WHERE rec1 = “value1” AND rec2 = “value2”;

选择多个特定的列

SELECT column_name FROM table;

检索unique输出记录

SELECT DISTINCT column_name FROM table;

排序

SELECT col1, col2 FROM table ORDER BY col2;

逆序

SELECT col1, col2 FROM table ORDER BY col2 DESC;

统计行数

SELECT COUNT(*) FROM table;

分组统计

SELECT owner, COUNT(*) FROM table GROUP BY owner;

求某一列最大值

SELECT MAX(col_name) AS label FROM table;

从多个表中检索信息

SELECT pet.name, comment FROM pet JOIN event ON (pet.name = event.name);

Hive并不适合需要低延迟的应用，适合于大数据集的批处理作业：

• 日志分析：大部分互联网公司使用hive进行日志分析，包括百度、淘宝等。例如，统计网站一个时间段内的pv、uv，多维度数据分析等。
• 海量结构化数据离线分析。

7.参考资料

• Lars George 著，代志远 / 刘佳 / 蒋杰 译，《 HBase权威指南》，东南大学出版社，2012
• Edward Capriolo / Dean Wampler)/ Jason Rutherglen 著，曹坤 译，《Hive编程指南》，人民邮电出版社，2013
• 深入了解HBase架构： https://blog.csdn.net/Lic_LiveTime/article/details/79818695
• APACHE HIVE TM：http://hive.apache.org/
• Apache HBase Reference Guide：http://hbase.apache.org/book.html

ShowMeAI相关文章推荐

• 图解大数据 | 导论：大数据生态与应用
• 图解大数据 | 分布式平台：Hadoop与Map-reduce详解
• 图解大数据 | 实操案例：Hadoop系统搭建与环境配置
• 图解大数据 | 实操案例：应用map-reduce进行大数据统计
• 图解大数据 | 实操案例：Hive搭建与应用案例
• 图解大数据 | 海量数据库与查询：Hive与HBase详解
• 图解大数据 | 大数据分析挖掘框架：Spark初步
• 图解大数据 | Spark操作：基于RDD的大数据处理分析
• 图解大数据 | Spark操作：基于Dataframe与SQL的大数据处理分析
• 图解大数据 | 综合案例：使用spark分析美国新冠肺炎疫情数据
• 图解大数据 | 综合案例：使用Spark分析挖掘零售交易数据
• 图解大数据 | 综合案例：使用Spark分析挖掘音乐专辑数据
• 图解大数据 | 流式数据处理：Spark Streaming
• 图解大数据 | Spark机器学习(上)-工作流与特征工程
• 图解大数据 | Spark机器学习(下)-建模与超参调优
• 图解大数据 | Spark GraphFrames：基于图的数据分析挖掘

ShowMeAI系列教程推荐

• 图解Python编程：从入门到精通系列教程
• 图解数据分析：从入门到精通系列教程
• 图解AI数学基础：从入门到精通系列教程
• 图解大数据技术：从入门到精通系列教程