一、HBase 是什么？

HBase 是一个分布式的、面向列的开源数据库，该技术来源于 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” 。就像 Bigtable 利用了 Google 文件系统（File System）所提供的分布式数据存储一样，HBase 在 Hadoop 之上提供了类似于 Bigtable 的能力。HBase 是 Apache 的 Hadoop 项目的子项目。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。另一个不同的是 HBase 基于列的而不是基于行的模式。

二、HBase 的特点？

1. 大：一个表可以有上亿行，上百万列。
2. 面向列：面向列表（簇）的存储和权限控制，列（簇）独立检索。
3. 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。
4. 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。
5. 数据多版本：每个单元中的数据可以有多个版本，默认情况下，版本号自动分配，版本号就是单元格插入时的时间戳。
6. 数据类型单一：HBase 中的数据都是字符串，没有类型。
7. 支持过期：HBase 支持 TTL 过期特性。用户设置过期时间，超过 TTL 的数据会被系统自动清理。

三、Hbase 数据模型？

HBase 以表的形式存储数据。表由行和列组成。列划分为若干个列簇（column family），如下图所示。

• 表（Table）: HBase 会将数据组织进一张张的表里面，但是需要注意的是表名必须是能用在文件路径里的合法名字，因为 HBase 的表是映射成 hdfs 上面的文件。
• 行（Row）: 在表里面，每一行代表着一个数据对象，每一行都是以一个行键（Row Key）来进行唯一标识的，行键并没有什么特定的数据类型， 以二进制的字节来存储。
• 列簇（Column Family）: 在定义 HBase 表的时候需要提前设置好列簇, 表中所有的列都需要组织在列簇里面，列簇一旦确定后，就不能轻易修改，因为它会影响到 HBase 真实的物理存储结构，但是列簇中的列标识（Column Qualifier）以及其对应的值可以动态增删。表中的每一行都有相同的列簇，但是不需要每一行的列簇里都有一致的列标识（Column Qualifier）和值， 所以说是一种稀疏的表结构。
• 列标识（Column Qualifier）: 列簇中的数据通过列标识来进行映射，其实这里可以不用拘泥于“列”这个概念，也可以理解为一个键值对，Column Qualifier 就是 Key。 列标识也没有特定的数据类型，以二进制字节来存储。
• 单元（Cell）: 每一个行键，列簇和列标识共同组成一个单元，存储在单元里的数据称为单元数据，单元和单元数据也没有特定的数据类型，以二进制字节来存储。
• 时间戳（Timestamp）: 默认下每一个单元中的数据插入时都会用时间戳来进行版本标识。读取单元数据时，如果时间戳没有被指定，则默认返回最新的数据。写入新的单元数据时，如果没有设置时间戳，默认使用当前时间。每一个列簇的单元数据的版本数量都 HBase 单独维护，默认情况下 HBase 保留 3 个版本数据。

RowKey

RowKey 可以使用任意字符串（最大长度为 64KB，实际应用中长度一般为 10 ~ 100bytes），在 HBase 内部，Row Key 保存为字节数组。

在 HBase 使用过程中，设计 RowKey 是一个很重要的环节。我们在进行 RowKey 设计的时候可参照如下步骤：

1. 结合业务场景特点，选择合适的字段来做为 RowKey， 且按照查询频次来放置字段顺序。
2. 通过设计的 RowKey 能尽可能的将数据打散到整个集群中，均衡负载，避免热点问题。
3. 设计的 RowKey 应尽量简短。

与 NoSQL 一样，RowKey 是用来检索记录的主键。访问 HBase table 中的行，只有三种方式：

1. 通过单个 RowKey 访问。
2. 通过 scan 方式，设置 startRow 和 stopRow 参数进行范围匹配。
3. 全表扫描，即直接扫描整张表中的所有行记录。

物理存储模型

物理存储上 HBase 将 Table 在行的方向上分割为多个 HRegion, 每个 HRegion 分散在不同的 HRegionServer 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。

四、Hbase 体系结构？

HBase 中的组件包括 Client、Zookeeper、HMaster、HRegionServer、HRegion、Store、MemStore、StoreFile、HFile、HLog 等。

HBase 中的每张表都通过行键（RowKey）按照一定的范围被分割成多个子表（HRegion），一个 HRegion 超过一定阈值就要被分割成两个，这个过程由 HRegionServer 管理， 而 HRegion 的分配由 HMaster 管理。

HMaster

1. 为 HRegion Server 分配 HRegion。
2. 负责 HRegion Server 的负载均衡。
3. 发现失效的 HRegion Server 并重新分配其上 HRegion。
4. HDFS 上的垃圾文件回收。
5. 处理 schema 更新请求。

HMaster 仅仅维护 table 和 HRegion 的元数据信息，而 table 的元数据信息保存在 zookeeper 上，因此，HMaster 的负载很低。

HRegion Server

1. 维护 HMaster 分配给他的 HRegion，并处理对这些 HRegion 的 IO 请求（client 访问 HBase 上的数据并不需要 HMaster 参与）。
2. 负责切分正在运行过程中变得过大的 HRegion。

HRegion

table 在行的方向上分割为多个 HRegion ，HRegion 是 HBase 中分布式存储和负载均衡的最小单元，即不同的 HRegion 可以分布在不同的 HRegion Server 上，但同一个 HRegion 是不会拆分到多个 HRegion Server 上。

HRegion 按大小分割，每个表一般只有一个 HRegion ，随着数据不断的插入表，HRegion 不断增大，当 HRegion 的某个列簇达到一定的阈值时就会分成两个新的 HRegion 。

Zookeeper

1. 保证任何时候，集群中只有一个 HMaster，避免 HMaster 的单点故障。
2. 存储所有 HRegion 的寻址入口。
3. 实时监控 HRegion Server 的上线和下线信息，并实时通知 HMaster。
4. 存储 HBase 的 schema 和 table 元数据。

HBase 依赖 Zookeeper，默认情况下 HBase 管理 Zookeeper 实例（启动或关闭 Zookeeper），HMaster 与 HRegionServers 启动时会向 Zookeeper 注册，使 HMaster 可以随时感知到各个 HRegionServer 的健康状态。

Client

首先当一个请求发生时，HBase Client 使用 RPC 机制与 HMaster 和 HRegion Server 进行通信。对于管理类操作，Client 与 HMaster 进行 RPC 通信；对于数据读写操作，Client 与 HRegion Server 进行 RPC 通信。

HBase Client 使用 RPC 机制与 HMaster 和 HRegion Server 进行通信，但如何寻址呢？由于 Zookeeper 中存储了 Meta 表的地址和 HMaster 的地址，所以 HBase Client 需要先到 Zookeeper 上进行寻址。

HBase Client 访问 Zookeeper，可以根据 Meta 表获取到 HRegion Server 地址。