HBase - overfit.cn

1.hbase的介绍

hbase的基本简介：hbase依赖于hdfs，hbase是一个nosql数据库，是一个非关系型数据库，支持读写查询操作

hbase当中所有的数据都是byte[]

HBase中的表有这样的特点：

海量存储：一个表可以有上十亿行，上百万列
面向列:面向列(族)的存储和权限控制，列(族)独立检索。
易扩展：Hbase的扩展性主要体现在两个方面，一个是基于上层处理能力（RegionServer）的扩展，一个是基于存储的扩展（HDFS）。
高并发：开发情况下，hbase单个io延迟下降不多。实现高并发，低延迟
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。

2.hbase与hadoop的关系

1、HDFS

为分布式存储提供文件系统
针对存储大尺寸的文件进行优化，不需要对HDFS上的文件进行随机读写
直接使用文件
数据模型不灵活
使用文件系统和处理框架
优化一次写入，多次读取的方式

2、HBase****

提供表状的面向列的数据存储
针对表状数据的随机读写进行优化
使用key-value操作数据
提供灵活的数据模型
使用表状存储，支持MapReduce，依赖HDFS
优化了多次读，以及多次写

hbase是基于hdfs的，hbase的数据都是存储在hdfs上的，hbase是一个数据库，支持随机读写

3.Hbase数据存储架构

主节点：HMaster

用于监控regionServer的健康状态，
处理regionServer的故障转移
处理元数据变更
处理region的分配或者移除
空闲时间做数据的负载均衡

从节点：HRegionServer

负责存储HBase的实际数据
处理分配给他的region
刷新缓存数据到HDFS上
维护HLog
负责处理region的切片

一个HRegionServer=1个HLog+很多个region

一个region=很多个store模块

一个store模块=1个memoryStore+很多个storeFile

组件：

Write-Ahead logs：Hbase读写数据的时候数据会先写在一个叫做Write-Ahead logfile的文件中，然后再写入内存中。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。

HFile：这是在磁盘中保存原始数据的事迹物理文件，是实际的存储文件

Store：HFile存储在Store中，一个Store对应Hbase表中的一个列族

MemStore：内存存储，位于内存中，用来保存当前数据操作，所有当数据保存在WAL中后，RegionServer会在内存中存储键值对

Region：Hbase表的分片，HBase表会根据RowKey值被切分成不同的region存储在RegionServer中，在一高RegionServer中可以有多个不同的region

4.Hbase的集群环境搭建

注意事项：Hbase强依赖于HDFS以及zookeeper，所以安装Hbase之前一定要保证Hadoop和zookeeper正常启动

第一步：下载对应的HBase的安装包****

下载Hbase的安装包，下载地址如下：

http://archive.apache.org/dist/hbase/2.0.0/hbase-2.0.0-bin.tar.gz

第二步：HBASE集群部署

目标：实现Hbase分布式集群部署
实施- 解压安装- 上传HBASE安装包到第一台机器的/export/software目录下cd /export/software/rz- 解压安装tar -zxvf hbase-2.1.0.tar.gz -C /export/server/cd /export/server/hbase-2.1.0/修改配置- - 切换到配置文件目录下cd /export/server/hbase-2.1.0/conf/- 修改hbase-env.sh#28行export JAVA_HOME=/export/server/jdk1.8.0_65#125行export HBASE_MANAGES_ZK=false- 修改hbase-site.xmlcd /export/server/hbase-2.1.0/mkdir datasvim conf/hbase-site.xml`````` <property > <name>hbase.tmp.dir</name> <value>/export/server/hbase-2.1.0/datas</value> </property> <property > <name>hbase.rootdir</name> <value>hdfs://node1:8020/hbase</value> </property> <property > <name>hbase.cluster.distributed</name> <value>true</value> </property> <property> <name>hbase.zookeeper.quorum</name> <value>node1,node2,node3</value> </property> <property> <name>hbase.unsafe.stream.capability.enforce</name> <value>false</value> </property>- 修改regionserversvim conf/regionserversnode1node2node3- 配置环境变量vim /etc/profile#HBASE_HOMEexport HBASE_HOME=/export/servers/hbase-2.1.0export PATH=:$PATH:$HBASE_HOME/binsource /etc/profile- 复制jar包cp lib/client-facing-thirdparty/htrace-core-3.1.0-incubating.jar lib/- 分发cd /export/server/scp -r hbase-2.1.0 node2:$PWDscp -r hbase-2.1.0 node3:$PWD- 服务端启动与关闭- step1：启动HDFS- step2：启动ZK- step3：启动Hbasestart-hbase.sh- 关闭：先关闭Hbase再关闭zkstop-hbase.shstop-zk-all.shstop-dfs.sh- 测试- 访问Hbase Web UInode1:16010Apache Hbase 1.x之前是60010，1.x开始更改为16010CDH版本：一直使用60010- Web无法访问的几个问题及原因 1.如果报错404，那么则是网页访问不了这个问题首先检查hbase-site.xml中的端口是否和自己的hdfs端口一至，我的就是这个问题连接不上- <property> <name>hbase.rootdir</name> <value>hdfs://node01:9000/HBase</value></property> 其次更换版本我更换成了2.2.4版本首先：删除zookeeper的注册信息；删除hbase的数据目录报错： 2.报错500连接不上hadoop102：16010的web页面情况2：org.apache.hadoop.hbase.PleaseHoldException: Master is initializing 可能前面启动失败一次或者安装过其他版本导致，因为hbase基于zookeeper，所以在zookeeper上已经注册了之前的hbase信息，导致第二次启动失败，所以先在zookeeper中删除hbase的注册信息： # 切换到zookeeper的bin目录下cd zookeeper/bin2# 然后执行 ./zkCli.sh 命令[XXhadoop102 bin]$ ./zkCli.sh# 输入 ls / 命令行查看所有的内容[zk: localhost:2181(CONNECTED) 0] ls /[hbase, kafka, servers, spark, zookeeper]# 使用 rmr /hbase 或者 deleteall /hbase 删除zookeeper中的所有 hbase的目录[zk: localhost:2181(CONNECTED) 3] rmr /hbase# 此时，可以看到Zookeeper中已经没有HBase了[zk: localhost:2181(CONNECTED) 5] ls /[kafka, servers, spark, zookeeper]- 搭建Hbase HA- 关闭Hbase所有节点stop-hbase.sh- 创建并编辑配置文件vim conf/backup-masters``````node2- 启动Hbase集群- 测试HA- 启动两个Master，强制关闭Active Master，观察StandBy的Master是否切换为Active状态hbase-daemon.sh stop master- 【测试完成以后，删除配置，只保留单个Master模式】
小结- 实现Hbase分布式集群部署

node01

node02

node03

创建back-masters配置文件，实现HMaster的高可用

node01机器进行修改配置文件

cd /export/servers/hbase-2.0.0/conf

vim backup-masters

node02

第四步：安装包分发到其他机器****

将我们node01服务器的hbase的安装包拷贝到其他机器上面去

cd /export/servers/

scp -r hbase-2.0.0/ node02:$PWD

scp -r hbase-2.0.0/ node03:$PWD

第五步：三台机器创建软连接****

因为hbase需要读取hadoop的core-site.xml以及hdfs-site.xml当中的配置文件信息，所以我们三台机器都要执行以下命令创建软连接

ln -s /export/servers/hadoop-2.7.5/etc/hadoop/core-site.xml /export/servers/hbase-2.0.0/conf/core-site.xml

ln -s /export/servers/hadoop-2.7.5/etc/hadoop/hdfs-site.xml /export/servers/hbase-2.0.0/conf/hdfs-site.xml

第六步：三台机器添加HBASE_HOME的环境变量****

三台机器执行以下命令，添加HBASE_HOME环境变量

vim /etc/profile

export HBASE_HOME=/export/servers/hbase-2.0.0

export PATH=:$HBASE_HOME/bin:$PATH

第七步：HBase集群启动****

第一台机器执行以下命令进行启动

cd /export/servers/hbase-2.0.0

bin/start-hbase.sh

警告提示：HBase启动的时候会产生一个警告，这是因为jdk7与jdk8的问题导致的，如果linux服务器安装jdk8就会产生这样的一个警告

我们可以只是掉所有机器的hbase-env.sh当中的

“HBASE_MASTER_OPTS”和“HBASE_REGIONSERVER_OPTS”配置来解决这个问题。不过警告不影响我们正常运行，可以不用解决

另外一种启动方式：

我们也可以执行以下命令单节点进行启动

启动HMaster命令

bin/hbase-daemon.sh start master

启动HRegionServer命令

bin/hbase-daemon.sh start regionserver

第八步：页面访问****

浏览器页面访问

http://node01:16010/master-status

5.Hbase的表模型

rowkey：行键，每一条数据都是使用行键来进行唯一标识的

columnFamily：列族，列族下面可以有很多列

column：列，每一个列都必须归属于某一个列族

timestamp：时间戳，每条数据都会有时间戳的概念

versionNum：版本号，每条数据都有版本号，当数据更新时，版本号也改变

创建一张HBase表最少需要两个条件：表名+列族名

注意：rowkey是我们在插入数据的时候自己指定的，列名也是插入数据的时候动态指定的

时间戳是自动生成的，versionNum也是自己维护的

6、HBase常用shell操作

1、进入HBase客户端命令操作界面

node01服务器执行以下命令进入hbase的shell客户端

cd /export/servers/hbase-2.0.0

bin/hbase shell

2、查看帮助命令

hbase(main):001:0> help

3、查看当前数据库中有哪些表

hbase(main):002:0> list

4、创建一张表

创建user表，包含info、data两个列族

hbase(main):010:0> create 'user', 'info', 'data'

或者

hbase(main):010:0> create 'user', {NAME => 'info', VERSIONS => '3'}，{NAME => 'data'}

5、添加数据操作

向user表中插入信息，row key为rk0001，列族info中添加name列标示符，值为zhangsan

hbase(main):011:0> put 'user', 'rk0001', 'info:name', 'zhangsan'

向user表中插入信息，row key为rk0001，列族info中添加gender列标示符，值为female

hbase(main):012:0> put 'user', 'rk0001', 'info:gender', 'female

向user表中插入信息，row key为rk0001，列族info中添加age列标示符，值为20

hbase(main):013:0> put 'user', 'rk0001', 'info:age', 20

向user表中插入信息，row key为rk0001，列族data中添加pic列标示符，值为picture

hbase(main):014:0> put 'user', 'rk0001', 'data:pic', 'picture'

6、查询数据操作

1、通过rowkey进行查询

获取user表中row key为rk0001的所有信息

hbase(main):015:0> get 'user', 'rk0001'

2、查看rowkey下面的某个列族的信息

获取user表中row key为rk0001，info列族的所有信息

hbase(main):016:0> get 'user', 'rk0001', 'info'

3、查看rowkey指定列族指定字段的值

获取user表中row key为rk0001，info列族的name、age列标示符的信息

hbase(main):017:0> get 'user', 'rk0001', 'info:name', 'info:age'

4、查看rowkey指定多个列族的信息

获取user表中row key为rk0001，info、data列族的信息

hbase(main):018:0> get 'user', 'rk0001', 'info', 'data'

或者你也可以这样写

hbase(main):019:0> get 'user', 'rk0001', {COLUMN => ['info', 'data']}

或者你也可以这样写，也行

hbase(main):020:0> get 'user', 'rk0001', {COLUMN => ['info:name', 'data:pic']}

4、指定rowkey与列值查询****

获取user表中row key为rk0001，cell的值为zhangsan的信息

hbase(main):030:0> get 'user', 'rk0001', {FILTER => "ValueFilter(=, 'binary:zhangsan')"}

5、指定rowkey与列值模糊查询****

获取user表中row key为rk0001，列标示符中含有a的信息

hbase(main):031:0> get 'user', 'rk0001', {FILTER => "(QualifierFilter(=,'substring:a'))"}

继续插入一批数据

hbase(main):032:0> put 'user', 'rk0002', 'info:name', 'fanbingbing'

hbase(main):033:0> put 'user', 'rk0002', 'info:gender', 'female'

hbase(main):034:0> put 'user', 'rk0002', 'info:nationality', '中国'

hbase(main):035:0> get 'user', 'rk0002', {FILTER => "ValueFilter(=, 'binary:中国')"}

6、查询所有数据****

查询user表中的所有信息

scan 'user'

7、列族查询****

查询user表中列族为info的信息

scan 'user', {COLUMNS => 'info'}

scan 'user', {COLUMNS => 'info', RAW => true, VERSIONS => 5}

scan 'user', {COLUMNS => 'info', RAW => true, VERSIONS => 3}

8、多列族查询****

查询user表中列族为info和data的信息

scan 'user', {COLUMNS => ['info', 'data']}

scan 'user', {COLUMNS => ['info:name', 'data:pic']}

9、指定列族与某个列名查询****

查询user表中列族为info、列标示符为name的信息

scan 'user', {COLUMNS => 'info:name'}

10、指定列族与列名以及限定版本查询****

查询user表中列族为info、列标示符为name的信息,并且版本最新的5个

scan 'user', {COLUMNS => 'info:name', VERSIONS => 5}

11、指定多个列族与按照数据值模糊查询****

查询user表中列族为info和data且列标示符中含有a字符的信息

scan 'user', {COLUMNS => ['info', 'data'], FILTER => "(QualifierFilter(=,'substring:a'))"}

12、rowkey的范围值查询****

查询user表中列族为info，rk范围是[rk0001, rk0003)的数据

scan 'user', {COLUMNS => 'info', STARTROW => 'rk0001', ENDROW => 'rk0003'}

13、指定rowkey模糊查询****

查询user表中row key以rk字符开头的

scan 'user',{FILTER=>"PrefixFilter('rk')"}

14、指定数据范围值查询****

查询user表中指定范围的数据

scan 'user', {TIMERANGE => [1392368783980, 1392380169184]}

7.Hbase 总结一：

Hbase的功能和应用场景是什么？功能：能够实现实时分布式随机数据存储场景：大量的结构化数据，实时，随机，持久化存储
Hbase的基本存储结构是什么？设计：分布式大量数据实时存储分布式内存【进程】+分布式磁盘【HDFS】实现：NameSpace：类似于数据库概念，访问表的时候必须加上NS Table：就是表概念，表是分布式的，一张表可以有多个分区Region，每个分区可以存储在不同的节点上 Rowkey：类似于主键的概念，唯一标识一行，作为Hbase的唯一索引，每张表都自带一列，值由用户自定义 ColumnFamily：对列的分组，将不同的列分到不同的组中，用于加快查询效率，任何一列都必须数据某个列族 Qualifier：列标签，按照普通的列名称进行标记，不许使用列族+对应的列的名称才能唯一标记一列 VERSIONS：列族级别，可以指定某个列族下的列允许存储多个版本的值，默认只查询最新版本，根据timestamp来区分存储：KV结构：一列就是一条KV数据 K：rowkey+cf+col+ts。所有的Kiev写入底层存储都按照K进行排序 V: 值。存储类型：字节
Hbase的架构和角色是什么？ 1.Hbase:分布式主从架构主：HMaster：管理从：HRegionServer：存储：构建分布式内存 2.Zooleeper：辅助Master选举，存储管理元数据 3.HDFS：构建分布式磁盘
Hbase的常用命令是什么？ DDL：create_namespace,list_namespace.create[表名+列族]，drop，exist，desc，disable，enable DML： put 'ns:tbname','rowkey','cf:col',value delete 'ns:tbname','rowkey','cf:col' get 'ns:tbname','rowkey','cf:col' scan 'ns:tbname',Filter
Hbase的JavaAPI如何实现DDL 1.构建连接：Connection 2.构建操作：DDL：HbaseAdmin DML：Table 3.释放资源

8.JavaAPI

DML:Table

使用Hbase API实现Table的实例开发

DML的所有操作都必须构建Hbase表的对象进行操作

代码：

 public Table getHbaseTable() throws IOException {
        TableName tbname = TableName.valueOf("itcast:t1");
        Table table = conn.getTable(tbname);
        return table;
    }

DML：Put

实现Put插入或者更新数据

代码：

 @Test
    public void testPut() throws IOException {
        Table table = getHbaseTable();
        //构建Put对象，一个Put对象表示写入一个Rowkey的数据
        Put put = new Put(Bytes.toBytes("20210101_001"));
        //添加列的信息
        put.addColumn(Bytes.toBytes("basic"),Bytes.toBytes("name"),Bytes.toBytes("laoda"));
        put.addColumn(Bytes.toBytes("basic"),Bytes.toBytes("age"),Bytes.toBytes("18"));
        put.addColumn(Bytes.toBytes("other"),Bytes.toBytes("phone"),Bytes.toBytes("110"));
        //执行Put
        table.put(put);
        table.close();
    }

小结：

调用：Table.put（Put）
Put：Put操作类对象
new Put（rowkey）- .addColumn(cf,col,value)

DML：Get

实现Get读取数据

先用命令行插入数据，便于测试：

put 'itcast:t1','20210201_000','basic:name','laoda'
put 'itcast:t1','20210201_000','basic:age',18

put 'itcast:t1','20210101_001','basic:name','laoer'
put 'itcast:t1','20210101_001','basic:age',20
put 'itcast:t1','20210101_001','basic:sex','male'

put 'itcast:t1','20210228_002','basic:name','laosan'
put 'itcast:t1','20210228_002','basic:age',22
put 'itcast:t1','20210228_002','other:phone','110'

put 'itcast:t1','20210301_003','basic:name','laosi'
put 'itcast:t1','20210301_003','basic:age',20
put 'itcast:t1','20210301_003','other:phone','120'
put 'itcast:t1','20210301_003','other:addr','shanghai'

**代码： **

 @Test
    public void testGet() throws IOException {
        Table table = getHbaseTable();
        //构建Get:get tbname,rowkey,[cf:col]
        Get get = new Get(Bytes.toBytes("20210301_003"));
        //配置Get
        get.addFamily(Bytes.toBytes("basic"));//指定列族读取
//        get.addColumn()//指定列读取
        //执行：一个Result代表一个Rowkey的数据
        Result result = table.get(get);
        //打印这个rowkey每一列的结果：一个Cell对象就是一列的对象：20210301_003 column=other:phone, timestamp=1624590747738, value=120
        for(Cell cell : result.rawCells()){
            System.out.println(
                    Bytes.toString(CellUtil.cloneRow(cell)) + "\t" +
                    Bytes.toString(CellUtil.cloneFamily(cell)) + "\t" +
                    Bytes.toString(CellUtil.cloneQualifier(cell)) + "\t" +
                    Bytes.toString(CellUtil.cloneValue(cell)) + "\t" +
                    cell.getTimestamp()
            );
        }
        table.close();
    }

小结：

Get：实现Get操作对象
new Get（rowkey）- .addFamily：指定读取这个rowkey的列族- .addColumn：指定读取某一列
table.get(Get)：实现get操作
Result：一个Result代表一个Rowkey的数据- rawCells/listCells
Cell：一个Cell代表一列的数据
CellUtil：用于对Cell取值的工具类- cloneValue- cloneRow- cloneQualifier- cloneFamily

DML：Delete

实现Delete删除数据

代码：

 @Test
    public void testDel() throws IOException {
        Table table = getHbaseTable();
        //构建Delete
        Delete del = new Delete(Bytes.toBytes("20210301_003"));
        //删除列族
//        del.addFamily()
        //删除列
        del.addColumn(Bytes.toBytes("other"),Bytes.toBytes("phone"));
//        del.addColumns(Bytes.toBytes("other"),Bytes.toBytes("phone"));//删除所有版本
        //执行删除
        table.delete(del);
        table.close();
    }

小结：

Delete：删除操作对象- .addColumn：指定删除的列
table.delete(Delete)

DML：Scan

实现Scan读取数据

代码：

  @Test
    public void testScan () throws IOException {
        Table table = getHbaseTable();
        //构建Scan对象
        Scan scan = new Scan();
        //执行scan：ResultScanner用于存储多个Rowkey的数据，是Result的集合
        ResultScanner scanner = table.getScanner(scan);
        //取出每个Rowkey的数据
        for (Result result : scanner) {
            //先打印当前这个rowkey的内容
            System.out.println(Bytes.toString(result.getRow()));
            for(Cell cell : result.rawCells()){
                System.out.println(
                        Bytes.toString(CellUtil.cloneRow(cell)) + "\t" +
                                Bytes.toString(CellUtil.cloneFamily(cell)) + "\t" +
                                Bytes.toString(CellUtil.cloneQualifier(cell)) + "\t" +
                                Bytes.toString(CellUtil.cloneValue(cell)) + "\t" +
                                cell.getTimestamp()
                );
            }
            System.out.println("------------------------------------------------------------");
        }
        table.close();
    }

存储设计：Table，Region，RS的关系

问题：客户端操作的是表，数据最终存在RegionServer中，表和RegionServer的关系是什么？
分析- Table：是一个逻辑对象，物理上不存在，供用户实现逻辑操作，存储在元数据的一个概念- 数据写入表以后的物理存储：分区- 一张表会有多个分区Region，每个分区存储在不同的机器上- 默认每张表只有1个Region分区- Region：Hbase中数据负载均衡的最小单元- 类似于HDFS中Block，Kafka中Partition、用于实现Hbase中分布式- 就是分区的概念，每张表都可以划分为多个Region，实现分布式存储- 默认一张表只有一个分区- 每个Region由一台RegionServer所管理，Region存储在RegionServer- 一台RegionServer可以管理多个Region- RegionServer：是一个物理对象，Hbase中的一个进程，管理一台机器的存储- 类似于HDFS中DataNode或者Kafka中的Broker- 一个Regionserver可以管理多个Region- 一个Region只能被一个RegionServer所管理
小结 Hbase中Table与Region,RS三者的关系是什么？ 1.Table：提供用户读写的逻辑概念，并不是实际存在的 2.Region：分区的概念，一张表可以划分为多个分区，每个分区都被某一台RegionServer所管理 3.RegionServer：真正的存储数据的物理概念

存储设计：Region及数据的划分规则

回顾：划分规则

HDFS：划分分区规则：按照大小划分，文件按照每128M划分为一个Block
Redis：将0~16383划分为多个段，每个小的集群分配一个段的内容
Kafka：自己制定一个Topic有多少个分区，数据分配规则：指定分区，按照Key的hash区域，或者粘性分区，自定义分区

Hbase分区划分规则：范围划分【根据Rowkey范围】任何一个Region都会对应一个范围， - 如果只有一个Region，范围：-oo ~ +oo - 范围划分：从整个-oo ~ +oo区间上进行范围划分- 每个分区都会有一个范围：根据Rowkey属于哪个范围就写入哪个分区[startKey,stopKey)- 前闭后开区间- 默认：一张表创建时，只有一个Region- 范围：-oo ~ +oo- 自定义：创建表时，指定有多少个分区，每个分区的范围- 举个栗子：创建一张表，有2个分区Regioncreate 'itcast:t3',{SPLITS => [50]}- region0：-oo ~ 50- region1：50 ~ +oo- 数据分配的规则：**==根据Rowkey属于哪个范围就写入哪个分区==**- 举个栗子：创建一张表，有4个分区Region，20,40,60create 'itcast:t3',{SPLITS => [20,40,60]}- 前闭后开- region0：-oo ~ 20- region1：20 ~ 40- region2：40 ~ 60- region3：60 ~ +oo- 写入数据的rowkey：比较是按照ASC码比较的，不是数值比较- 例如以下划分举例- A1234：region3- c6789：region3- 00000001：region0- 2：region1- 99999999：region3- 9：region3- 比较规则：ASCII码前缀逐位比较
小结

分区划分规则：将整个-00到+00区间进行划分，划分多个分区段根据Rowkey进行划分
数据分区规则：根据rowkey的asc码逐位匹配，rowkey属于那个范围，就写入那个分区

存储设计：Region的内部结构

数据在Region的内部是如何存储的？ put tbname,rowkey,cf:col,value

tbname:决定了这张表的数据最终要读写那些分区
rowkey：决定了具体读写哪个分区
cf：决定了具体写入哪个Store

Table/RegionServer：数据指定写入哪张表，提交给对应的某台regionserver
Region：对整张表的数据划分，按照范围划分，实现分步式存储
Store：对分区的数据进行划分，按照列族划分，一个列族对应一个Store 不同列族的数据写入不同的Store中，实现了按照列族将列进行分组根据用户查询时指定的列族，可以快速的读取对应的storeMemStore：每个Store都有一个，内存存储区域数据写入memstore后直接返回
StoreFile：每个Store中可能有0个或者多个StoreFile文件逻辑上：Store 物理上：HDFS：HFILE（二进制文件）
HDFS中的存储

问题:Hbase的数据是如何在HDFS中存储的？
分析：整个Hbase在HDFS中的存储目录hbase.rootdir=hdfs://node1:8020/hbase
NameSpace：目录结构
Table：目录结构
Region：目录结构
Store/ColumnFamily：目录结构
StoreFile- 如果HDFS上没有storefile文件，可以通过flush，手动将表中的数据从内存刷写到HDFS中flush 'itcast:t3'

小结- Region的内部存储结构是什么样的?- NS:Table|RegionServer：整个Hbase数据划分- Region：划分表的数据，按照Rowkey范围划分- Store：划分分区数据，按照列族划分- MemStore：物理内存存储- StoreFile：物理磁盘存储- 逻辑：Store- 物理：HDFS[HFile]

Hbase读写流程：基本流程

实施- step1：根据表名获取这张表对应的所有Region的信息- 整个Hbase的所有Regionserver中有很多个Region：100- 先根据表名找到这张表有哪些region：5- step2：根据Rowkey判断具体写入哪个Region- 知道了这张表的所有region- 根据rowkey属于哪个region范围，来确定具体写入哪个region- step3：将put操作提交给这个Region所在的RegionServer- 获取这个Region所在的RegionServer地址- step4：RegionServer将数据写入Region，根据列族判断写入哪个Store- step5：将数据写入MemStore中
小结- 表名：决定了这条数据要写入哪些region中- Rowkey：决定了这条数据具体写入哪个Region中- 列族：决定了写入这个region哪个Store中

Hbase读写流程：meta表

实施- Hbase自带的两张系统表- hbase:namespace：存储了Hbase中所有namespace的信息- hbase:meta：存储了表的元数据- hbase:meta表结构- Rowkey：每张表每个Region的名称itcast:t3,20,1632627488682.fba4b18252cfa72e48ffe99cc63f7604表名,startKey,时间，唯一id- Hbase中每张表的每个region对应元数据表中的一个Rowkey- 列- info:regioninfoSTARTKEY => 'eeeeeeee', ENDKEY => ''- info:server/info:sncolumn=info:sn, timestamp=1624847993004, value=node1,16020,1624847978508 - 实现- 根据表名读取meta表，基于rowkey的前缀匹配，获取这张表的所有region信息
小结- meta表的功能是什么？- 存储了表的元数据- 每个Rowkey代表了一个Region的信息- Region的范围- Region的地址

Hbase读写流程：写入流程

实施- step1：获取表的元数据- ==先连接zk，从zk获取meta表所在的regionserver==- 根据查询的表名读取meta表，获取这张表的所有region的信息- meta表是一张表，数据存储在一个region，这个region存在某个regionserver上- 怎么知道meta表的regionserver在哪？- 这个地址记录在ZK中- 得到这张表的所有region的范围和地址- step2：找到对应的Region- 根据Rowkey和所有region的范围，来匹配具体写入哪个region- 获取这个region所在的regionserver的地址- step3：写入数据- 请求对应的regionserver- regionserver根据提交的region的名称和数据来操作对应的region- 根据列族来判断具体写入哪个store- ==先写WAL==：write ahead log- 为了避免内存数据丢失，所有数据写入内存之前会- 先记录这个内存操作- 然后写入==这个Store的Memstore中==- 思考：hbase的region没有选择副本机制来保证安全，如果RegionServer故障，Master发现故障，怎么保证数据可用性？- step1：Master会根据元数据将这台RegionServe中的Region恢复到别的机器上- step2：怎么实现数据恢复？- Memstore：WAL进行恢复- 怎么保证WAL安全性：WAL记录在HDFS上- StoreFile：HDFS有副本机制

Hbase读写流程：读取流程

实施

获取元数据 客户端请求Zookeeper，获取meta表所在的regionserver的地址读取meta表的数据注意：客户端会缓存meta表的数据，只有第一次会连接ZK，读取meta表的数据，缓存会定期失效，要重新缓存，避免每次请求都要先连接zk，再读取meta表
找到对应的Region 根据meta表中的元数据，找到表对应的region 根据region的范围和读取的RowKey，判断需要读取具体哪一个Region 根据region的RegionServer地址，请求对应的RegionServer
读取数据先查询memstore,如果开启了缓存，就读BlockCache，如果缓存中没有，就读storefile，从storefile读取完成之后，放入缓存中，如果没有缓存，就读StoreFile 第一次查询一定是先度memstore，然后storefile如果开启了缓存，就将这次读取到的数据放到缓存中

LSM模型：Flush

功能：将内存memstore中的数据溢写到HDFS中变成磁盘文件storefile【HFILE】
关闭集群：自动Flush
参数配置：自动触发机制 #2.x版本以后的机制#设置了一个flush的最小阈值#memstore的判断发生了改变：max("hbase.hregion.memstore.flush.size / column_family_number",hbase.hregion.percolumnfamilyflush.size.lower.bound.min)#如果memstore高于上面这个结果，就会被flush，如果低于这个值，就不flush，如果整个region所有的memstore都低于，全部flush#水位线 = max（128 / 列族个数,16）,列族一般给3个 ~ 42M#如果memstore的空间大于42,就flush，如果小于就不flush，如果都小于，全部flush举例：3个列族，3个memstore,90/30/30 90会被Flush举例：3个列族，3个memstore,30/30/30 全部flushhbase.hregion.percolumnfamilyflush.size.lower.bound.min=16M#2.x中多了一种机制：In-Memory-compact,如果开启了【不为none】，会在内存中对需要flush的数据进行合并#合并后再进行flush，将多个小文件在内存中合并后再flushhbase.hregion.compacting.memstore.type=None|basic|eager|adaptive小结
Hbase利用Flush实现将内存数据溢写到HDFS，保持内存中不断存储最新的数据
注意：工作中一般进行手动Flush- 原因：避免大量的Memstore将大量的数据同时Flush到HDFS上，占用大量的内存和磁盘的IO带宽，会影响业务- 解决：手动触发，定期执行hbase> flush 'TABLENAME'hbase> flush 'REGIONNAME'hbase> flush 'ENCODED_REGIONNAME'hbase> flush 'REGION_SERVER_NAME'- 封装一个文件，通过hbase shell filepath来定期的运行这个脚本

LSM模型：Compaction

- 实现- 功能：什么是Compaction？- 将多个单独有序StoreFile文件进行合并，合并为整体有序的大文件，加快读取速度- file1:1 2 3 4 5- file2:6 7 9- file3 :1 8 10- || 每个文件都读取，可能读取无效的数据- file：1 1 2 3 4 5 6 7 8 9 10- 版本功能- 2.0版本之前，只有StoreFile文件的合并- 磁盘中合并：minor compaction、major compaction- 2.0版本开始，内存中的数据也可以先合并后Flush- 内存中合并：In-memory compaction- 磁盘中合并：minor compaction、major compaction- In-memory compaction：2.0版本开始新增加的功能- 原理：将当前写入的数据划分segment【数据段】- 当数据不断写入MemStore，划分不同的segment，最终变成storefile文件- 如果开启了内存合并，先将第一个segment放入一个队列中，与其他的segment进行合并- 合并以后的结果再进行flush- 内存中合并的方式hbase.hregion.compacting.memstore.type=None|basic|eager|adaptivenone：不开启，不合并- basic（基础型）Basic compaction策略不清理多余的数据版本，无需对cell的内存进行考核basic适用于所有大量写模式- eager（饥渴型）eager compaction会过滤重复的数据，清理多余的版本，这会带来额外的开销eager模式主要针对数据大量过期淘汰的场景，例如：购物车、消息队列等- adaptive（适应型）adaptive compaction根据数据的重复情况来决定是否使用eager策略该策略会找出cell个数最多的一个，然后计算一个比例，如果比例超出阈值，则使用eager策略，否则使用basic策略- minor compaction：轻量级- 功能：将最早生成的几个小的StoreFile文件进行合并，成为一个大文件，不定期触发- 特点- 只实现将多个小的StoreFile合并成一个相对较大的StoreFile，占用的资源不多- 不会将标记为更新或者删除的数据进行处理- 属性hbase.hstore.compaction.min=3- major compaction：重量级合并- 功能：将整个Store中所有StoreFile进行合并为一个StoreFile文件，整体有序的一个大文件- 特点- 将所有文件进行合并，构建整体有序- 合并过程中会进行清理过期和标记为删除的数据- 资源消耗比较大- 参数配置hbase.hregion.majorcompaction=7天- 小结- Hbase通过Compaction实现将零散的有序数据合并为整体有序大文件，提高对HDFS数据的查询性能- 在工作中要避免自动触发majorcompaction，影响业务hbase.hregion.majorcompaction=0- 在不影响业务的时候，手动处理，每天在业务不繁忙的时候，调度工具实现手动进行major compactRun major compaction on passed table or pass a region row to major compact an individual region. To compact a single column family within a region specify the region name followed by the column family name. Examples: Compact all regions in a table: hbase> major_compact 't1' hbase> major_compact 'ns1:t1' Compact an entire region: hbase> major_compact 'r1' Compact a single column family within a region: hbase> major_compact 'r1', 'c1' Compact a single column family within a table: hbase> major_compact 't1', 'c1' Compact table with type "MOB" hbase> major_compact 't1', nil, 'MOB' Compact a column family using "MOB" type within a table hbase> major_compact 't1', 'c1', 'MOB'

Region分裂Split设计及规则

分析- 什么是Split分裂机制？- 为了避免一个Region存储的数据过多，提供了Region分裂机制- 实现将一个Region分裂为两个Region- 由RegionServer实现Region的分裂，得到两个新的Region- 由Master负责将两个新的Region分配到Regionserver上
实现- 参数配置 #规则：return tableRegionsCount 1 ? this.initialSize : getDesiredMaxFileSize();#判断region个数是否为1，如果为1，就按照256分，如果不为1，就按照10GB来分hbase.regionserver.region.split.policy=org.apache.hadoop.hbase.regionserver.SteppingSplitPolicy
小结- Hbase通过Split策略来保证一个Region存储的数据量不会过大，通过分裂实现分摊负载，避免热点，降低故障率- 注意：工作作中避免自动触发，影响集群读写，建议关闭hbase.regionserver.region.split.policy=org.apache.hadoop.hbase.regionserver.DisabledRegionSplitPolicy- 手动操作split 'tableName'split 'namespace:tableName'split 'regionName' # format: 'tableName,startKey,id'split 'tableName', 'splitKey'split 'regionName', 'splitKey'

热点问题：现象及原因

现象在某个时间段内，大量的读写请求全部集中在某个Region中，导致这台RegionServer的负载比较高，其他的Region和RegionServer比较空闲
原因：本质上的原因，数据分配不均衡 - 情况一：Region范围不合理- Rowkey：字母开头- Region：3个分区- region0：-oo ~ 30- region1：30 ~ 70- region2:70 ~ +oo- 所有数据都写入了region2- 情况二：如果这张表有多个分区，而且你的Rowkey写入时是连续的- 一张表有5个分区region0：-oo 20region1：20 40region2：40 60region3:60 80region4:80 +oo- 000001：region0- 000002：region0- ……- 199999：region0- 都写入了同一个region0分区- 200000：region1- 200001：region1- ……- 399999：region1- 情况三：如果这张表只有一个分区- 所有数据都存储在一个分区中，这个分区要响应所有读写请求，出现了热点- 解决：避免热点的产生- 构建多个分区，分区范围必须要Rowkey设计- 构建不连续的rowkey

分布式设计：预分区

实施- 需求：在创建表的时候，指定一张表拥有多个Region分区- 规则- 划分的目标：划分多个分区，实现分布式并行读写，将无穷区间划分为几段，将数据存储在不同分区中，实现分区的负载均衡- 划分的规则：**==Rowkey或者Rowkey的前缀来划分==**- 如果不按照这个规则划分，预分区就可能没有作用- Rowkey：00 ~ 99- region0： -oo ~ 30- ……- regionN ： 90 ~ +oo- 如果分区的设计不按照rowkey来- region0：-oo ~ b- region1: b ~ g- ……- regionN：z ~ +oo- 实现- 方式一：指定分隔段，实现预分区- 前提：先设计rowkeycreate 'ns1:t1', 'f1', SPLITS => ['10', '20', '30', '40']#将每个分割的段写在文件中，一行一个create 't1', 'f1', SPLITS_FILE => 'splits.txt'- 方式二：指定Region个数，自动进行Hash划分：==字母和数字的组合==#你的rowkey的前缀是数字和字母的组合 create 'itcast:t4', 'f1', {NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}- 方式三：Java APIHBASEAdmin admin = conn.getAdminadmin.create(表的描述器对象,byte[][] splitsKey)
小结- 实现建表时指定多个分区

Hbase表设计：Rowkey设计

设计规则

业务原则：Rowkey的设计必须贴合业务的需求，一般选择最常用的查询条件作为rowkey的前缀- 数据oid uid pid stime ……- Rowkey：stimerowkey oid uid pid stime ……20211201000000 o001 u001 p001 2021-12-01 00:00:00- 按照时间就走索引
唯一原则：Rowkey必须具有唯一性，不能重复，一个Rowkey唯一标识一条数据
组合原则：将更多的经常作为的查询条件的列放入Rowkey中，可以满足更多的条件查询可以走索引查询- Rowkey：stime- 缺点：不唯一、只有按照时间才走索引- Rowkey：stime_uid_oidrowkey oid uid pid stime ……20211201000000_u001_o001 o001 u001 p001 2021-12-01 00:00:0020211201000000_u002_o002 o001 u001 p001 2021-12-01 00:00:00……20211201000000_u00N_o00N o001 u001 p001 2021-12-01 00:00:00……20211201000001_u001_o001 o001 u001 p001 2021-12-01 00:00:00- 订单id唯一、一个用户在同一时间只能下一个订单- 索引查询：stime、s_time+uid、stime+uid+oid- 想查询订单id为001：不走- 全表扫表：对列的值进行过滤：SingleColumnValueFilter
散列原则：为了避免出现热点问题，需要将数据的rowkey生成规则构建散列的rowkey- 举个栗子：一般最常用的查询条件肯定是时间- timestamp_userid_orderid：订单表1624609420000_u001_o0011624609420001_u002_o0021624609420002_u003_o0031624609421000_u001_o004……- 预分区：数值- region0：-oo ~ 1624- region1：1624 ~ 1924- region2：1924 ~ 2100- region3：2100 -2400- region4：2400 ~ +oo- 问题：出现热点- 解决：构建散列- 方案一：更换不是连续的字段作为前缀，例如用户iddfd3423432sd- 缺点：可能与业务原则产生冲突- 方案二：反转- 一般用于时间作为前缀，查询时候必须将数据反转再查询0000249064261_u001_o0011000249064261_u002_o0022000249064261_u003_o0030010249064261_u001_o004……- region0：-oo ~ 2- region1：2 ~ 4- region2：4 ~ 6- region3：6 ~ 8- region4：8 ~ +oo- ==方案三：加盐（Salt）==，本质对数据进行编码，生成数字加字母组合的结果1624609420000_u001_o0011624609420001_u002_o0021624609420002_u003_o0031624609421000_u001_o004|df34343jed_u001_o00109u9jdjkfd_u002_o002- 缺点：查询时候，也必须对查询条件加盐以后再进行查询
长度原则：在满足业务需求情况下，rowkey越短越好，一般建议Rowkey的长度小于100字节- 原因：rowkey越长，比较性能越差，rowkey在底层的存储是冗余的- 问题：为了满足组合原则，rowkey超过了100字节怎么办？- 解决：实现编码，将一个长的rowkey，编码为8位，16位，32位

小结：

rowkey的设计要符合以下原则：

业务原则：Rowkey设计贴合实际业务需求，尽量使用最常用的查询条件作为前缀
唯一原则：每个Rowkey唯一标识是一条数据
组合原则：尽量将更多的常用条件放入rowkey中
散列原则：构建不连续的Rowkey
长度原则：在满足上面原则的情况，rowkey越短越好

Hbase表设计：其他设计

NS的设计：类似于数据库名称的设计，明确标识每个业务域，一般包含业务域名称
表明设计：类似于数据库中表明的设计包含业务名称即可
列族设计：名称没有太多意义，个数建议一般不超过3个
标签设计：按照实际业务字段名称标识即可，建议缩写，避免过长

BulkLoad的介绍

问题：有一批大数据量的数据，要写入Hbase中，如果按照传统的方案来写入Hbase，必须先写入内存，然后内存溢写到HDFS，导致Hbase的内存负载和HDFS的磁盘负载过高，影响业务
解决：
方式一：构建Put对象，先写内存
方式二：BulkLoad，直接将数据变成StoreFile文件，放入Hbase对应的HDFS目录中- 数据不经过内存，读取数据时可以直接读取到
步骤：先将要写入的数据转换为HFILE文件，然后将HFILE加载到Hbase表中
特点优点：不经过内存，降低了内存和磁盘的IO吞吐缺点：性能上相对来说要慢，所有的数据都不会在内存中被读取
小结应用场景：Hbase提供BulkLoad来实现大数据量不经过内存直接写入Hbase

BulkLoad的实现

作用：一种加载数据到Hbase中的方式
过程：先将要写入的数据转换为HFILE文件，然后将HFILE文件加载到Hbase的表中
实现：数据文件bank_record.csv,每一行以逗号分割

创建表：create“TRANSFENR_RECORD”，{NAME=>"C1"}
上传测试文件 hdfs dfs -mkdir -p /bulkload/input hdfs dfs -put bank_record.csv /bulkload/input/

开发转换程序：将CSV文件转换为HFILE文件
上传jar包到Linux上
启动YARN start-yarn.sh 启动过就不用了
转换HFILEyarn jar bulkload.jar bigdata.itcast.cn.hbase.bulkload.BulkLoadDriver /bulkload/input/ /bulkload/output

运行找不到Hbase的jar包，手动申明HADOOP的环境变量即可，只在当前窗口有效

export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:/export/server/hbase-2.1.0/lib/shaded-clients/hbase-shaded-mapreduce-2.1.0.jar:/export/server/hbase-2.1.0/lib/client-facing-thirdparty/audience-annotations-0.5.0.jar:/export/server/hbase-2.1.0/lib/client-facing-thirdparty/commons-logging-1.2.jar:/export/server/hbase-2.1.0/lib/client-facing-thirdparty/findbugs-annotations-1.3.9-1.jar:/export/server/hbase-2.1.0/lib/client-facing-thirdparty/htrace-core4-4.2.0-incubating.jar:/export/server/hbase-2.1.0/lib/client-facing-thirdparty/log4j-1.2.17.jar:/export/server/hbase-2.1.0/lib/client-facing-thirdparty/slf4j-api-1.7.25.jar

重新运行

查看结果

step2:加载到Hbase表中

  hbase org.apache.hadoop.hbase.tool.LoadIncrementalHFiles /bulkload/output TRANSFER_RECORD

查看数据

get 'TRANSFER_RECORD','ffff98c5-0ca0-490a-85f4-acd4ef873362',{FORMATTER=> 'toString'}

协处理器的介绍

功能：协处理器指的是可以自定义开发一些功能集成到Hbase中，类似于Hive的UDF，当没有这个功能是，可以使用协处理器来自定义开发，
observer类：观察者类，类似于监听机制，MvSQL中的触发器，Zookeeper中的监听实现：监听A，如果A触发了，就执行B 监听对象Region,Table ，RegionServer，Master
endpioint类：终端者类，类似于Mysql中的存储过程，Java中的方法实现：固定一个代码逻辑，可以随时根据需求调用代码逻辑
小结 Hbase通过协处理器来弥补一些用户自定义功能的实现，例如二级索引，一般通过第三方工具实现

协处理器的实现

路径

step1：开发协处理器，监听原表的put请求
step2：拦截原表put请求，获取put操作，获取rowkey以及值
step3：构建索引表的rowkey，往索引表写入数据
step4：释放原表请求，往原表写入数据

需求：当往第一张表写入数据时，自动往第二张表写入一条数据，并且将rowkey中的字段换位

put 'proc1','20191211_001','info:name','zhangsan'
proc1：rowkey：20191211_001
proc2：rowkey：001_20191211
创建两张表#rowkey：time_idcreate 'proc1','info'#rowkey：id_timecreate 'proc2','info'
将开发好的协处理器jar包上传到hdfs上hdfs dfs -mkdir -p /coprocessor/jarmv bulkload.jar cop.jarhdfs dfs -put cop.jar /coprocessor/jar/
添加协处理器到proc1中，用于监听proc1的操作disable 'proc1'alter 'proc1',METHOD => 'table_att','Coprocessor'=>'hdfs://node1:8020/coprocessor/jar/cop.jar|bigdata.itcast.cn.hbase.coprocessor.SyncCoprocessor|1001|'enable 'proc1'
测试put 'proc1','20191211_001','info:name','zhangsan'scan 'proc1'scan 'proc2'
卸载协处理器disable 'proc1'alter 'proc1',METHOD=>'table_att_unset',NAME=>'coprocessor$1'enable 'proc1'

Hbase优化：压缩机制

实施

本质：Hbase的压缩源自于Hadoop对于压缩的支持
检查Hadoop支持的压缩类型- hadoop checknative
需要将Hadoop的本地库配置到Hbase中
关闭Hbase的服务，配置Hbase的压缩本地库：lib/native/linux-amd64-64 cd /export/servers/hbase-2.1.0/ mkdir lib/native
将Hadoop的压缩本地库创建一个软连接到Hbase的lib/native目录下 ln -s /export/server/hadoop/lib/native /export/server/hbase-2.1.0/lib/native/Linux-amd64-64
启动Hbase服务 start-hbase.sh hbase shell

Hbase优化：布隆过滤:

实施：什么是布隆过滤？：是列族的一个属性，用于数据查询时对数据的过滤，类似于ORC文件中的布隆索引，BLOOMFILTER => NONE | 'ROW' | ROWCOL
NONE：不开启布隆过滤器
ROW：开启行级布隆过滤器

生成StoreFile文件时，会将这个文件中有哪些RowKey的数据记录在文件的头部
当读取StoreFile文件时，会从文件头部获取这个StoreFile中所有的rowkey，自动判断是否包含需要的rowkey、如果包含就读取这个文件，如果不包含就过滤

小结

Hbase通过布隆过滤器，在写入数据时，建立布隆索引，读取数据时，根据布隆索引加快数据的检索

9.Hbase 总结二：

1、Hbase如何使用JavaAPI实现DML

step1：构建连接对象：Connection
step2：构建操作对象：HbaseAdmin | Table
step3:调用操作对象方法实现操作：put，Scan+Filter,Delete,Get,

2、Hbase的存储结构是什么

NS：Table | RegionServer Region：表的分区，对标的数据进行划分，按照Rowkey的范围，为了实现分布式 Store：分区的数据划分，按照列族划分，为了加快查询效率 Memstore：内存区域，写缓存 StoreFile：磁盘区域，HDFS文件

3、Hbase的读写流程是什么

元数据检索 1.所有客户端必须先读取表的元数据，元数据存储在Hbase的meta表里，但是meta表在Zookeeper中，所以Hbase要先访问Zookeeper 2.对表所在的region的regionserver进行请求
写 1.先写WAL：预写日志，保证内存数据安全 2.再写内存 3.Flush机制：将内存的数据溢写到磁盘 4.Compaction机制：将多个有序小文件合并为整体有序的大文件 5.Split机制：将一个分区划分为两个分区，减轻分区负载压力
读 1.先读MemberStore 2.可选：再读BlockCache【读缓存】，列族级别配置：默认True 3.Split机制：将一个分区划分为两个分区，减轻分区负载压力

4、Hbase怎么保证数据的安全性

Region的安全性
memstore:WAL[HDFS]
StoreFile:HDFS副本机制

5、Hbase的热点问题是什么，怎么解决

现象：短时间内，大量读写请求全部集中在一个Region分区中
原因：数据存储不均衡 1.没有做预分区， 2.做了多个分区，分区划分规则与Rowkey设计不匹配 3.做了多个分区，Rowkey是连续的
解决合理设计rowkey，遵循五大原则：业务原则，组合原则，散列原则【加盐】，长度原则

6、Hbase的分区规则是什么

划分分区：将-00~+00区间划分为多个端，每个段是前闭后开区间，一定是按照rowkey进行划分的
数据分区：根据rowkey属于哪个Region的范围，就写入哪个Region

10.SQL On Hbase

11.Hive On Hbase

介绍：

问题： Hbase是安列斯存储NoSQL.不支持SQL 开发接口不方便大部分用户使用，怎么办？大数据开发：Hbase命令、Hbase Java AP Java开发【JDBC】、数据分析师【SQL】：怎么用Hbase？
分析：需要一个工具能让Hbase支持SQL，支持JDBC方式对Hbase进行处理
- 普通表数据：按行操作> id name age sex addr> > 001 zhangsan 18 male shanghai> > 002 lisi 20 female null> > 003 wangwu null male beijing ……- Hbase数据：按列操作> > rowkey cf1:id cf1:name cf1:age cf2:sex cf2:addr> zhangsan_001 001 zhangsan 18 null shanghai> lisi_002 002 lisi 20 female null> wangwu_003 003 wangwu null male beijing> ……>
可以基于Hbase数据构建结构化的数据形式
可以用SQL来实现处理
实现
将Hbase表中每一行对应的所有列构建一张完整的结构化表
如果这一行没有这一列，就补null- Hive：通过MapReduce来实现- Phoenix：通过Hbase API封装实现的
- 功能：实现Hive与Hbase集成，使用Hive SQL对Hbase的数据进行处理- Hbase：itcast:t1| 构建一个映射关系：数据存储在Hbase- Hive：itcast.t1- 用户可以通过SQL操作Hive中表 select * from itcast.t1- 原理- 本质：在Hive中对Hbase关联的Hive表执行SQL语句，底层通过Hadoop中的Input和Output对Hbase表进行处理- 特点- 优点：支持完善的SQL语句，可以实现各种复杂SQL的数据处理及计算，通过分布式计算程序实现，对大数据量的数据处理比较友好- 缺点：不支持二级索引，数据量不是特别大的情况下，性能一般- 应用- 基于大数据高性能的离线读写，并且使用SQL来开发
小结- Hive如何实现通过SQL读写Hbase数据？- 通过Hadoop中的Input类和Output类来实现- 优点：SQL支持非常全面- 缺点：不能解决查询不走索引问题，数据量小性能一般- 应用：离线架构中用于存储离线数据，离线开发，加快性能或者存储用户行为数据

配置：

修改hive-site.xml：Hive通过SQL访问Hbase，就是Hbase的客户端，就要连接zookeeper cd /export/server/hive vim conf/hive-site.xml <property> <name>hive.zookeeper.quorum</name> <value>node01,node02,node03</value></property><property> <name>hbase.zookeeper.quorum</name> <value>node01,node02,node03</value></property><property> <name>hive.server2.enable.doAs</name> <value>false</value></property>
修改hive-env.shexport HBASE_HOME=/export/servers/hbase-2.1.0

测试：

实施如果Hbase中表已经存在，只能创建外部表--创建测试数据库create database course;use course;--创建测试表create external table course.t1( key string, name string, age string, addr string, phone string ) stored by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler' with serdeproperties("hbase.columns.mapping" = ":key,basic:name,basic:age,other:addr,other:phone") tblproperties("hbase.table.name" = "itcast:t1"); 查询 select age,count(*) as cnt from t1 group by age order by cnt desc;
注意

Hive的只是关联表，并没有数据，数据存储在Hbase表中
在Hive中创建Hbase的关联表，关联成功后，使用SQL通过MapReduce处理关联表
如果Hbase中表已经存在，只能创建外部表，使用Key来表示rowkey
Hive中与Hbase关联的表，不能使用load写入数据，是能通过insert通过MR读写数据

二级索引的设计及问题

二级索引设计

问题- 构建二级索引表：index_Table：查询条件 + 原表的rowkeyrowkey:age_name_id col:x18_zhangsan_001 x18_lisi_002 x20_zhangsan_003 x109_wangwu_004 x……- 需求：按照age查询，查询所有age = 20的人的信息- 常规方案：全表扫描用列值过滤器对每一行的这一列的值进行过滤- 构建数据表：source Table rowkey:name_id id name age sex addr zhangsan_001 001 zhangsan 18 male shanghai lisi_002 002 lisi 18 female beijing zhangsan_003 003 zhangsan 20 male wangwu_004 004 wangwu 109 ……- 解决：二级索引- 思想：通过走两次索引来代替全表扫描- step1：基于存储和常用查询需求，构建原始数据表- step2：基于其他查询需求，构建索引表- step3：先查询索引表，再查询数据表- Hbase使用Rowkey作为唯一索引，只有按照rowkey的前缀查询才是走索引查询，其他查询都是全表扫描，性能比较差 rowkey:name_id id name age sex addr zhangsan_001 001 zhangsan 18 male shanghai- 走索引：name、name + id- 现在有40%的需求是按照id、age、setx、addr来查询，不走索引，性能差，怎么办？- 二级索引问题- 问题：Hbase使用Rowkey作为唯一索引，只有按照rowkey的前缀查询才是走索引查询，其他查询都是全表扫描，性能比较差 - rowkey:name_id id name age sex addr zhangsan_001 001 zhangsan 18 maleshanghai- 现在有40%的需求是按照id、age、setx、addr来查询，不走索引，性能差，怎么办？- 走索引：name、name + id- 解决：二级索引- 思想：通过走两次索引来代替全表扫描- step1：基于存储和常用查询需求，构建原始数据表- step2：基于其他查询需求，构建索引表- step3：先查询索引表，再查询数据表- - 解决：基于不同查询条件构建不同二级索引表，先根据条件查询对应索引表，再查询原表- 缺点- 必须保证索引表与原表数据一致性问题- 不同条件需要不同的索引表，每次原表发生数据变化，所有的索引表都要同步变化：管理非常麻烦- 解决方案- 方案一：手动维护- 自己手动建索引表，自己手动维护同步，自己手动实现检索过程create(source_t1)create(index_age_t1)put 't1','zhangsan_001'put 'index_age_t1','20_zhangsan_001'if (condition = age) rk = scan (index_age_t1) scan(source_t1,rk)- 缺点：代码开发麻烦，无法保证一致性- 肯定不用- 方案二：自己开发协处理器- 监听原表，只要原表数据发生变化，自动对索引表进行操作- 优点：实现索引表与原表的同步- 缺点：索引表非常多，同步需求非常多，协处理器API非常繁琐，开发协处理器成本非常高- 方案三：第三方工具- Phoenix：底层是大量已经开发好的封装好的协处理器来实现的API操作- 开发者只要写SQLcreate index - 自动创建索引表- 自动维护索引表- 自动查询索引表
小结- 什么是Hbase的二级索引？- 思想：通过走两次索引来代替全表扫描- 实现- step1：先基于查询条件构建条件索引表- step2：查询时，先根据查询条件查询索引表，得到原表的rowey- index table rowkey：查询条件 + 原表的Rowkey- step3：在根据获取的原表的rowkey查询原表- 问题：索引表非常多，索引同步非常麻烦- 解决：用第三方工具来实现：Phoenix

12.Phoenix

Phoenix的介绍

功能- 使用Phoenix自动构建二级索引并维护二级索引- 使用Phoenix实现基于SQL操作Hbase- 专门基于Hbase所设计的SQL on Hbase 工具- 原理- 上层提供了SQL接口- 底层全部通过Hbase Java API来实现，通过构建一系列的Scan和Put来实现数据的读写- 功能非常丰富- 底层封装了大量的内置的协处理器，可以实现各种复杂的处理需求，例如二级索引等- 特点- 优点- 支持SQL接口- 支持自动维护二级索引- 缺点- SQL支持的语法不友好，不是通用性SQL- Bug比较多- Hive on Hbase对比- Hive：SQL更加全面，但是不支持二级索引，底层通过分布式计算工具来实现- Phoenix：SQL相对支持不全面，但是性能比较好，直接使用HbaseAPI，支持索引实现- 应用- Phoenix适用于任何需要使用SQL或者JDBC来快速的读写Hbase的场景- 或者需要构建及维护二级索引场景

Phoenix的安装配置

下载：Phoenix Downloads | Apache Phoenix
第一台机器上传cd /export/softwares/rz
第一台机器解压tar -zxvf apache-phoenix-5.0.0-HBase-2.0-bin.tar.gz -C /export/servers/cd /export/servers/mv apache-phoenix-5.0.0-HBase-2.0-bin phoenix-5.0.0-HBase-2.0-bin
修改三台Linux文件句柄数vim /etc/security/limits.conf``````#在文件的末尾添加以下内容，*号不能去掉* soft nofile 65536* hard nofile 131072* soft nproc 2048* hard nproc 4096
将Phoenix所有jar包分发到Hbase的lib目录下#拷贝到第一台机器cd /export/servers/phoenix-5.0.0-HBase-2.0-bin/cp phoenix-* /export/servers/hbase-2.1.0/lib/#分发给第二台和第三台cd /export/servers/hbase-2.1.0/lib/scp phoenix-* node02:$PWDscp phoenix-* node03:$PWD
修改hbase-site.xml，添加一下属性cd /export/servers/hbase-2.1.0/conf/vim hbase-site.xml``````<property> <name>hbase.unsafe.stream.capability.enforce</name> <value>false</value></property><property> <name>phoenix.schema.isNamespaceMappingEnabled</name> <value>true</value></property><property> <name>hbase.regionserver.wal.codec</name> <value>org.apache.hadoop.hbase.regionserver.wal.IndexedWALEditCodec</value></property>
同步给其他两台机器scp hbase-site.xml node02:$PWDscp hbase-site.xml node03:$PWD
同步给Phoenixcp hbase-site.xml /export/servers/phoenix-5.0.0-HBase-2.0-bin/bin/
重启Hbasestop-hbase.shstart-hbase.sh
安装依赖yum -y install python-argparse
启动Phoenixcd /export/servers/phoenix-5.0.0-HBase-2.0-bin/bin/sqlline.py node01:2181
测试!tables
退出!quit

Phoenix的DDL语法：NS

实施- 创建NScreate schema if not exists student;，- 切换NSuse student;- 删除NSdrop schema if exists student;
小结- 基本与SQL语法一致- 注意：Phoenix中默认会将所有字符转换为大写，如果想要使用小写字母，必须加上双引号

Phoenix的DDL语法：Table

列举！tables
创建注意规则：建表的时候要指定字段谁是primary key 谁就是rowkey，每张表必须有主键定义字段时，要指定列族，列族的属性可以在建表语句中指定 split：指定建表构建多个分区，每个分区段划分语法示例： CREATE TABLE my_schema.my_table ( id BIGINT not null primary key, date Date ); CREATE TABLE my_table ( id INTEGER not null primary key desc, m.date DATE not null, m.db_utilization DECIMAL, i.db_utilization ) m.VERSIONS='3'; CREATE TABLE stats.prod_metrics ( host char(50) not null, created_date date not null, txn_count bigint CONSTRAINT pk PRIMARY KEY (host, created_date) ); CREATE TABLE IF NOT EXISTS "my_case_sensitive_table"( "id" char(10) not null primary key, "value" integer ) DATA_BLOCK_ENCODING='NONE',VERSIONS=5,MAX_FILESIZE=2000000 split on (?, ?, ?); CREATE TABLE IF NOT EXISTS my_schema.my_table ( org_id CHAR(15), entity_id CHAR(15), payload binary(1000), CONSTRAINT pk PRIMARY KEY (org_id, entity_id) ) TTL=86400如果Hbase中已存在会自动关联【常用】Hbase中建表并导入数据Hbase shell ORDER_INFO.txtPhoenix中建表create table if not exists ORDER_INFO(){"id" varchar primary key,"C1"."USER_ID" varchar,"C1"."OPERATION_DATE" varchar,"C1"."PAYWAY" varchar,"C1"."PAY_MONEY" varchar,"C1"."STATUS" varchar,"C1"."CATEGORY" varchar} column_encoded_bytes=0;表名与列名都必须一致，大小写严格区分
查看!desc order_info;
删除 drop table if exists order_dt1;

小结：

创建表时，必须指定主键作为Rowkey，主键列不能加列族
Phoenix 4.8版本之前只要创建同名的Hbase表，会自动关联数据
Phoenix 4.8版本以后，不推荐关联表的方式
推荐使用视图关联的方式来实现，如果要使用关联表的方式，必须加上以下参数 column_encoded_bytes=0;

Phoenix的DML语法：upsert

基于order_info订单数据实现DML插入数据

插入一条数据 upsert into order_info values('z8f3ca6f-2f5c-44fd-9755-1792de183845','4944191','2020-04-25 12:09:16','1','4070','未提交','电脑');
更新USERID为123456upsert into order_info("id","USER_ID") values('z8f3ca6f-2f5c-44fd-9755-1792de183845','123456');

Phoenix的DML语法：delete

语法及示例 DELETE FROM TEST;DELETE FROM TEST WHERE ID=123;DELETE FROM TEST NAME LIKE 'foo%';
删除USER_ID为123456的rowkey数据delete from order_info where USER_ID='123456';

总结：与MySQL是一致的

Phoenix的DQL语法：select

基于order_info订单数据实现DQL查询数据

语法及示例 SELETE * FROM TEST LIMIT 1000;SELECT * FROM TEST LIMIT 1000 OFFSET 100;SELECT full_name FROM SALES_PERSON WHERE ranking >= 5.0 UNION ALL SELECT reviewer_name FROM CUSTOMER_REVIEW WHERE score >= 8.0
查询支付方式为1的数据 selete "id",payway,pay_money,category from order_info where payway='1';
查询每种支付方式对应的用户人数，并且按照用户人数降序排序 seletepayway,count(distinct user_id) as numbfrom order_infogroup by paywayorder by numb desc;
查询数据的第60行到66行 select * from order_info limit 7 offset 59;
小结： 基本查询与MySQL也是一致的，写的时候注意数据类型以及大小写的问题即可，如果遇到SQL报错，检查语法是否支持

Phoenix的使用：预分区

创建表的时候，需要根据Rowkey来设计多个分区

Hbase命令建表 create Ns;tbname,列族，预分区
Phoenix也提供了创建表时，指定分区范围的语法 CREATE TABLE IF NOT EXISTS "my_case_sensitive_table"( "id" char(10) not null primary key, "value" integer ) DATA_BLOCK_ENCODING='NONE',VERSIONS=5,MAX_FILESIZE=2000000 split on (?, ?, ?)
创建数据表，四个分区 drop table if exists ORDER_DTL; create table if not exists ORDER_DTL( "id" varchar primary key, C1."status" varchar, C1."money" float, C1."pay_way" integer, C1."user_id" varchar, C1."operation_time" varchar, C1."category" varchar ) CONPRESSION='GZ' SPLIT ON ('3','5','7');

Phoenix的使用：加盐salt

Rowkey设计的时候为了避免连续，构建Rowkey的散列，如果rowkey设计是连续的，怎么解决？

正常表：tb1:3个分区：

   r1：-oo ~ 3

   r2: 3 ~ 6

   r3: 6 ~ +oo

   rowkey：数值开头

盐表：

    t2:3个分区

    每个分区的前缀是16进制的值

    rowkey：数值开头，但是Phoenix会自动为每个rowkey前面加上一个16进制的值

在Phoenix创建一张盐表，写入的数据会自动进行编码写入不同的分区中 create Table table (a_key varchar primary key,a_col varchar)salt_buckets=20;//20个分区
创建一张盐表，指定分区个数为10 drop table if exists ORDER_DTL;create table if not exists ORDER_DTL( "id" varchar primary key; C1."status" varchar, C1."money" float, C1."pay_way" integer, C1."user_id" varchar, C1."operation_time" varchar, C1."category" varchar)CONPRESSION="GZ",SALT_BUCKETS=10;
写入数据 UPSERT INTO "ORDER_DTL" VALUES('02602f66-adc7-40d4-8485-76b5632b5b53','已提交',4070,1,'4944191','2020-04-25 12:09:16','手机;');UPSERT INTO "ORDER_DTL" VALUES('0968a418-f2bc-49b4-b9a9-2157cf214cfd','已完成',4350,1,'1625615','2020-04-25 12:09:37','家用电器;;电脑;');UPSERT INTO "ORDER_DTL" VALUES('0e01edba-5e55-425e-837a-7efb91c56630','已提交',6370,3,'3919700','2020-04-25 12:09:39','男装;男鞋;');UPSERT INTO "ORDER_DTL" VALUES('0f46d542-34cb-4ef4-b7fe-6dcfa5f14751','已付款',9380,1,'2993700','2020-04-25 12:09:46','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('1fb7c50f-9e26-4aa8-a140-a03d0de78729','已完成',6400,2,'5037058','2020-04-25 12:10:13','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('23275016-996b-420c-8edc-3e3b41de1aee','已付款',280,1,'3018827','2020-04-25 12:09:53','男鞋;汽车;');UPSERT INTO "ORDER_DTL" VALUES('2375a7cf-c206-4ac0-8de4-863e7ffae27b','已完成',5600,1,'6489579','2020-04-25 12:08:55','食品;家用电器;');UPSERT INTO "ORDER_DTL" VALUES('269fe10c-740b-4fdb-ad25-7939094073de','已提交',8340,2,'2948003','2020-04-25 12:09:26','男装;男鞋;');UPSERT INTO "ORDER_DTL" VALUES('2849fa34-6513-44d6-8f66-97bccb3a31a1','已提交',7060,2,'2092774','2020-04-25 12:09:38','酒店;旅游;');UPSERT INTO "ORDER_DTL" VALUES('28b7e793-6d14-455b-91b3-0bd8b23b610c','已提交',640,3,'7152356','2020-04-25 12:09:49','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('2909b28a-5085-4f1d-b01e-a34fbaf6ce37','已提交',9390,3,'8237476','2020-04-25 12:10:08','男鞋;汽车;');UPSERT INTO "ORDER_DTL" VALUES('2a01dfe5-f5dc-4140-b31b-a6ee27a6e51e','已提交',7490,2,'7813118','2020-04-25 12:09:05','机票;文娱;');UPSERT INTO "ORDER_DTL" VALUES('2b86ab90-3180-4940-b624-c936a1e7568d','已付款',5360,2,'5301038','2020-04-25 12:08:50','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('2e19fbe8-7970-4d62-8e8f-d364afc2dd41','已付款',6490,0,'3141181','2020-04-25 12:09:22','食品;家用电器;');UPSERT INTO "ORDER_DTL" VALUES('2fc28d36-dca0-49e8-bad0-42d0602bdb40','已付款',3820,1,'9054826','2020-04-25 12:10:04','家用电器;;电脑;');UPSERT INTO "ORDER_DTL" VALUES('31477850-8b15-4f1b-9ec3-939f7dc47241','已提交',4650,2,'5837271','2020-04-25 12:08:52','机票;文娱;');UPSERT INTO "ORDER_DTL" VALUES('39319322-2d80-41e7-a862-8b8858e63316','已提交',5000,1,'5686435','2020-04-25 12:08:51','家用电器;;电脑;');UPSERT INTO "ORDER_DTL" VALUES('3d2254bd-c25a-404f-8e42-2faa4929a629','已完成',5000,1,'1274270','2020-04-25 12:08:43','男装;男鞋;');UPSERT INTO "ORDER_DTL" VALUES('42f7fe21-55a3-416f-9535-baa222cc0098','已完成',3600,2,'2661641','2020-04-25 12:09:58','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('44231dbb-9e58-4f1a-8c83-be1aa814be83','已提交',3950,1,'3855371','2020-04-25 12:08:39','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('526e33d2-a095-4e19-b759-0017b13666ca','已完成',3280,0,'5553283','2020-04-25 12:09:01','食品;家用电器;');UPSERT INTO "ORDER_DTL" VALUES('5a6932f4-b4a4-4a1a-b082-2475d13f9240','已提交',50,2,'1764961','2020-04-25 12:10:07','家用电器;;电脑;');UPSERT INTO "ORDER_DTL" VALUES('5fc0093c-59a3-417b-a9ff-104b9789b530','已提交',6310,2,'1292805','2020-04-25 12:09:36','男装;男鞋;');UPSERT INTO "ORDER_DTL" VALUES('605c6dd8-123b-4088-a047-e9f377fcd866','已完成',8980,2,'6202324','2020-04-25 12:09:54','机票;文娱;');UPSERT INTO "ORDER_DTL" VALUES('613cfd50-55c7-44d2-bb67-995f72c488ea','已完成',6830,3,'6977236','2020-04-25 12:10:06','酒店;旅游;');UPSERT INTO "ORDER_DTL" VALUES('62246ac1-3dcb-4f2c-8943-800c9216c29f','已提交',8610,1,'5264116','2020-04-25 12:09:14','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('625c7fef-de87-428a-b581-a63c71059b14','已提交',5970,0,'8051757','2020-04-25 12:09:07','男鞋;汽车;');UPSERT INTO "ORDER_DTL" VALUES('6d43c490-58ab-4e23-b399-dda862e06481','已提交',4570,0,'5514248','2020-04-25 12:09:34','酒店;旅游;');UPSERT INTO "ORDER_DTL" VALUES('70fa0ae0-6c02-4cfa-91a9-6ad929fe6b1b','已付款',4100,1,'8598963','2020-04-25 12:09:08','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('7170ce71-1fc0-4b6e-a339-67f525536dcd','已完成',9740,1,'4816392','2020-04-25 12:09:51','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('71961b06-290b-457d-bbe0-86acb013b0e3','已完成',6550,3,'2393699','2020-04-25 12:08:49','男鞋;汽车;');UPSERT INTO "ORDER_DTL" VALUES('72dc148e-ce64-432d-b99f-61c389cb82cd','已提交',4090,1,'2536942','2020-04-25 12:10:12','机票;文娱;');UPSERT INTO "ORDER_DTL" VALUES('7c0c1668-b783-413f-afc4-678a5a6d1033','已完成',3850,3,'6803936','2020-04-25 12:09:20','酒店;旅游;');UPSERT INTO "ORDER_DTL" VALUES('7fa02f7a-10df-4247-9935-94c8b7d4dbc0','已提交',1060,0,'6119810','2020-04-25 12:09:21','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('820c5e83-f2e0-42d4-b5f0-83802c75addc','已付款',9270,2,'5818454','2020-04-25 12:10:09','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('83ed55ec-a439-44e0-8fe0-acb7703fb691','已完成',8380,2,'6804703','2020-04-25 12:09:52','男鞋;汽车;');UPSERT INTO "ORDER_DTL" VALUES('85287268-f139-4d59-8087-23fa6454de9d','已取消',9750,1,'4382852','2020-04-25 12:10:00','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('8d32669e-327a-4802-89f4-2e91303aee59','已提交',9390,1,'4182962','2020-04-25 12:09:57','机票;文娱;');UPSERT INTO "ORDER_DTL" VALUES('8dadc2e4-63f1-490f-9182-793be64fed76','已付款',9350,1,'5937549','2020-04-25 12:09:02','酒店;旅游;');UPSERT INTO "ORDER_DTL" VALUES('94ad8ee0-8898-442c-8cb1-083a4b609616','已提交',4370,0,'4666456','2020-04-25 12:09:13','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('994cbb44-f0ee-45ff-a4f4-76c87bc2b972','已付款',3190,3,'3200759','2020-04-25 12:09:25','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('9ff3032c-8679-4247-9e6f-4caf2dc93aff','已提交',850,0,'8835231','2020-04-25 12:09:40','男鞋;汽车;');UPSERT INTO "ORDER_DTL" VALUES('9ff4032c-1223-4247-9e6f-123456dfdsds','已付款',850,0,'8835231','2020-04-25 12:09:45','食品;家用电器;');UPSERT INTO "ORDER_DTL" VALUES('a467ba42-f91e-48a0-865e-1703aaa45e0e','已提交',8040,0,'8206022','2020-04-25 12:09:50','家用电器;;电脑;');UPSERT INTO "ORDER_DTL" VALUES('a5302f47-96d9-41b4-a14c-c7a508f59282','已付款',8570,2,'5319315','2020-04-25 12:08:44','机票;文娱;');UPSERT INTO "ORDER_DTL" VALUES('a5b57bec-6235-45f4-bd7e-6deb5cd1e008','已提交',5700,3,'6486444','2020-04-25 12:09:27','酒店;旅游;');UPSERT INTO "ORDER_DTL" VALUES('ae5c3363-cf8f-48a9-9676-701a7b0a7ca5','已付款',7460,1,'2379296','2020-04-25 12:09:23','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('b1fb2399-7cf2-4af5-960a-a4d77f4803b8','已提交',2690,3,'6686018','2020-04-25 12:09:55','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('b21c7dbd-dabd-4610-94b9-d7039866a8eb','已提交',6310,2,'1552851','2020-04-25 12:09:15','男鞋;汽车;');UPSERT INTO "ORDER_DTL" VALUES('b4bfd4b7-51f5-480e-9e23-8b1579e36248','已提交',4000,1,'3260372','2020-04-25 12:09:35','机票;文娱;');UPSERT INTO "ORDER_DTL" VALUES('b63983cc-2b59-4992-84c6-9810526d0282','已提交',7370,3,'3107867','2020-04-25 12:08:45','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('bf60b752-1ccc-43bf-9bc3-b2aeccacc0ed','已提交',720,2,'5034117','2020-04-25 12:09:03','机票;文娱;');UPSERT INTO "ORDER_DTL" VALUES('c808addc-8b8b-4d89-99b1-db2ed52e61b4','已提交',3630,1,'6435854','2020-04-25 12:09:10','酒店;旅游;');UPSERT INTO "ORDER_DTL" VALUES('cc9dbd20-cf9f-4097-ae8b-4e73db1e4ba1','已付款',5000,0,'2007322','2020-04-25 12:08:38','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('ccceaf57-a5ab-44df-834a-e7b32c63efc1','已提交',2660,2,'7928516','2020-04-25 12:09:42','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('d7be5c39-e07c-40e8-bf09-4922fbc6335c','已付款',8750,2,'1250995','2020-04-25 12:09:09','食品;家用电器;');UPSERT INTO "ORDER_DTL" VALUES('dfe16df7-4a46-4b6f-9c6d-083ec215218e','已完成',410,0,'1923817','2020-04-25 12:09:56','家用电器;;电脑;');UPSERT INTO "ORDER_DTL" VALUES('e1241ad4-c9c1-4c17-93b9-ef2c26e7f2b2','已付款',6760,0,'2457464','2020-04-25 12:08:54','数码;女装;');UPSERT INTO "ORDER_DTL" VALUES('e180a9f2-9f80-4b6d-99c8-452d6c037fc7','已完成',8120,2,'7645270','2020-04-25 12:09:32','男鞋;汽车;');UPSERT INTO "ORDER_DTL" VALUES('e4418843-9ac0-47a7-bfd8-d61c4d296933','已付款',8170,2,'7695668','2020-04-25 12:09:11','家用电器;;电脑;');UPSERT INTO "ORDER_DTL" VALUES('e8b3bb37-1019-4492-93c7-305177271a71','已完成',2560,2,'4405460','2020-04-25 12:10:05','男装;男鞋;');UPSERT INTO "ORDER_DTL" VALUES('eb1a1a22-953a-42f1-b594-f5dfc8fb6262','已完成',2370,2,'8233485','2020-04-25 12:09:24','机票;文娱;');UPSERT INTO "ORDER_DTL" VALUES('ecfd18f5-45f2-4dcd-9c47-f2ad9b216bd0','已付款',8070,3,'6387107','2020-04-25 12:09:04','酒店;旅游;');UPSERT INTO "ORDER_DTL" VALUES('f1226752-7be3-4702-a496-3ddba56f66ec','已付款',4410,3,'1981968','2020-04-25 12:10:10','维修;手机;');UPSERT INTO "ORDER_DTL" VALUES('f642b16b-eade-4169-9eeb-4d5f294ec594','已提交',4010,1,'6463215','2020-04-25 12:09:29','男鞋;汽车;');UPSERT INTO "ORDER_DTL" VALUES('f8f3ca6f-2f5c-44fd-9755-1792de183845','已付款',5950,3,'4060214','2020-04-25 12:09:12','机票;文娱;');
Phoneix中查看 select "id" from ORDER_DTL;
Hbase中查看 scan'ORDER_DTL';
小结： 由Phoenix来实现自动对Rowkey编码，解决Rowkey的热点问题，不需要自己设计散列的Rowkey，注意：一旦使用了盐表，对于盐表数据的操作只能通过Phoenix来实现，盐表不能自己指定分区段，由Phoenix自己根据自己的规则来实现

Phoenix的使用：视图

直接关联Hbase中的表，会导致误删除，对数据的权限会有影响，容易出现问题，如何避免？
答：Phoenix中建议使用视图的方式来关联Hbase中已有的表，通过构建关联视图，可以解决大部分数据查询的数据，不影响数据，视图：可以理解为只读的表

删除Phoenix中的ORDER_INFO drop table if exists ORDER_INFO;会发现，Hbase中的表也会被删除
重新加载 hbase shell ORDER_INFO.txt
创建视图，关联Hbase中已经存在的表 create view if not exists ORDER_INFO("id" varchar primary key,"C1"."USER_ID" varchar,"C1"."OPERATION_DATE" varchar,"C1"."PAYWAY" varchar,"C1"."PAY_MONEY" varchar,"C1"."STATUS" varchar,"C1"."CATEGORY" varchar) ;
应用场景：视图：Hbase中已经有这张表，写操作都是操作Hbase，Phoenix只提供读操作建表：建表：对这张表既要读也要使用Phoenix来写

Phoenix的使用：JDBC

工作中实际使用SQL，会基于程序中使用JDBC的方式来提交SQL语句，在Phoenix中如何实现？

Phoenix支持使用JDBC的方式来提交SQL语句 public class HbasePhoenixJDBCTest { public static void main(String[] args) throws SQLException { Connection connection = null; PreparedStatement ps = null; try { Class.forName(PhoenixDriver.class.getName()); connection = DriverManager.getConnection("jdbc:phoenix:node1.itcast.cn:2181"); ps = connection.prepareStatement( "select user_id,payway,category from order_info"); ResultSet rs = ps.executeQuery(); while(rs.next()) { System.out.println( rs.getString("USER_ID")+"\t"+ rs.getString("PAYWAY")+"\t"+ rs.getString("CATEGORY")); } }catch (Exception e){ e.printStackTrace(); }finally { if(ps != null) ps.close(); if(connection != null) connection.close(); } } }

二级索引：全局索引设计

功能：当为某一列创建全局索引时，Phoenix自动创建一张索引表，将创建索引这一列加上原表rowkey作为新的rowkey

- 原始数据表rowkey：id name age- 需求：根据name进行数据查询- 不走索引- 创建全局索引create index index01 on tbname(name);- 自动构建索引表rowkey：name_id col：占位值- 查询- 先查询索引表：通过rowkey获取名称对应的id- 再查询数据表：通过id查询对应的数据- 特点：默认只能对构建索引的字段做索引查询，如果查询中包含了不是索引的字段或者条件不是索引字段，不走索引- 应用：写少读多- 当原表的数据发生更新操作提交时，会被拦截- 先更新所有索引表，然后再更新原表
小结- 了解二级索引中全局索引的设计思想

二级索引：覆盖索引设计

功能：在构建全局索引时，将经常作为查询条件或者结果的列放入索引表中，直接通过索引来返回数据结果
创建全局索引 create index index01 on tbname(name);
自动构建索引 rowkey：name_id col：占位值
如果需求发生改变，查询name和age，上面的全局索引会失效
创建全局+覆盖索引 create index index01 on tbname （name）include（age）；
自动构建索引表 rowkey:name_id col：age
查询 select name from table; select name from table where age = 20 select name , age from table
特点：基于全局索引构建，将常用的查询结果放入索引表中，直接从索引表返回结果，不用再查询原表
应用：适合查询条件比较固定，数据量比较小的场景（不建议将大部分列都放入覆盖索引）

小结

覆盖索引是基于全局索引实现的- 全局索引：用查询条件作为索引表rowkey，先查询索引表，再查询原表
覆盖索引：用查询条件作为索引表rowkey，将经常查询的列直接放入索引表，查询直接从索引表返回
目的是将常用的查询结果放入索引表中，直接从索引表返回数据

二级索引：本地索引设计

功能：将索引数据与对应的原始数据放在同一台机器，避免跨网络传输，提高写的性能

与全局和覆盖的区别是什么？- 全局和覆盖都是单独构建一张索引表
本地索引构建索引数据时，将索引数据直接存储在原表中，这条数据和这条数据的索引存储同一个region中- 满足：提高读的性能，也能降低对写的影响- 本地索引不会创建索引表- 怎么保证数据和索引能写入同一个region呢？- 数据：rowkey：id:001 name=zhangsan- 索引：rowkey：zhangsan_001- 为了保证索引和原始数据能写入同一个region，将这条数据对应的region的startkey作为索引rowkey前缀
本地索引的设计方式是：原表数据所在region的start key+“\x00”+第一个二级索引字段+"\x00"+第二个二级索引字段…+"\x00"+原表rowkey
本地索引的创建举例： create local index LOCAL_IDX_ORDER_DTL on ORDER_DTL("id", "status", "money", "pay_way", "user_id") ;
region划分- region0: -oo 30- region1:30 60- region2:60 +oo
写入一条Rowkey：456 lisi 到原表的region中- region1
目的：将这条rowkey的索引存在同一台机器的region中- 30_索引字段 _ 原表的Rowkey- 30_lisi_456
特点：即使查询数据中包含了非索引字段，也会走本地索引本地索引会修改原始数据表 如果构建了本地索引，不能通过Hbase的API来读写数据的，必须通过Phoenix来实现读写本地索引对盐表不生效的
应用：写的操作比较多，提高了构建索引对写的性能影响，

标签： hbase 数据库大数据

本文转载自: https://blog.csdn.net/m0_73745224/article/details/135220838
版权归原作者 月初， 所有，如有侵权，请联系我们删除。