一、Hbase介绍：
（HBase的默认端口号：60010）
一个分布式、可扩展的支持海量数据存储的NoSQL数据库，基于HDFS分布式文件系统，利用zookeeper作为协同服务去构建的。他的数据是存储在HDFS之上。主要用来存储非结构化和半结构化的松散数据。（所以启动的时候先启动HDFS和zookeeper）
一个列簇包含有多个列（一个H表中尽量少的设计列簇，而列可以随意多）。
真正往HDFS上存储的就是store的内容。
Region就是表的切片，一个表被分成多个Region。
特点：
1.低成本；
2.高并发的随机写；
3.支持实时查询；
4.存储海量数据；（上亿行，上百万列）
5.数据的“结构”非常灵活；
6.面向列（簇）的存储和权限控制，独立检索（仅能通过主键(row key)和主键的range来检索数据）
7.表设计稀疏：值为空的列不占空间
学习HBase最好不要用RDBMS类型来理解，Hbase是面向列（实际上是列簇），而传统的关系型数据库是面向行存储的。
二、Hbase入门：
首先来理解几个概念：
1.Row Key：行键
用来检索记录的主键。
访问Hbase table中的行，只有三种形式：
A、通过单个row key访问
B、通过row key 的range
C、全表扫描
行键 (Row key)可以是任意字符串(最大长度是 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。
存储时，数据按照Row key的字典序(byte order)排序存储。设计key时，要充分排序存储这个特性，将经常一起读取的行存储放到一起。(位置相关性)
注意：
字典序对int排序的结果是1,10,100,11,12,13,14,15,16,17,18,19,2,20,21,…,9,91,92,93,94,95,96,97,98,99。要保持整形的自然序，行键必须用0作左填充。
2、Columns Family：列簇
Hbase表中的每个列，都属于某个列簇，一个列簇可包含多个列。列名都以列簇为前缀。例如：student : name , student : age 这两个列，都属于student这个列簇。
3、Time Stamp：时间戳
Hbase中通过rowkey和columns确定的为一个存储单元称为cell。每个cell都保存着同一份数据的多个版本。版本通过时间戳来索引。时间戳的类型是64位整型。时间戳可以由
Hbase(在数据写入时自动)赋值，此时时间戳是精确到毫秒的当前系统时间。时间戳也可以由客户显示赋值。如果应用程序要避免数据版本冲突，就必须自己生成具有唯一性的时间戳。
每个cell中，不同版本的数据按照时间倒序排序，即最新的数据排在最前面。
为了避免数据存在过多版本造成的管理(包括存储和索引)负担，Hbase提供了两种数据版本回收方式。一是保存数据的最后n个版本，而是保存最近一段时间内的版本(比如最近7天)。用户可以针对每个列簇进行设置。
4、Cell：单元
由{row key，columnFamily，version} 唯一确定的单元。cell中的数据是没有类型的，全部是字节码形式存储。（hbase底层就是字节数组）。
三、Hbase架构
系统架构图：
Hbase中的角色：
1. 一个或者多个（高可用）主节点：Hmaster
Hmaster可以有多个，通过zookeeper的Master Election机制，活跃状态的只有一个。
主要负责Table和Region的管理工作：
-
- 管理用户对表的增删改查操作（注意是对表！！！DDL！！！不是对表数据DML！！！）
- 管理HRegionServer的负载均衡，调整Region分布
- Region Split后，负责新Region的分布
- 在HRegionServer停机后，负责失效HRegionServer上Region迁移
2. Hbase依赖项：zookeeper
Zookeeper Quorum 存储-ROOT-表地址、Hmaster地址。
客户端首先联系ZooKeeper子集群（quorum）（一个由ZooKeeper节点组成的单独集群）查找行健。上述过程是通过ZooKeeper获取含有-ROOT-的region服务器名（主机名）来完成的。通过含有-ROOT-的region服务器可以查询到含有.META.表中对应的region服务器名，其中包含请求的行健信息。这两处的主要内容都被缓存下来了，并且都只查询一次。最终，通过查询.META服务器来获取客户端查询的行健数据所在region的服务器名。一旦知道了数据的实际位置，即region的位置，HBase会缓存这次查询的信息，同时直接联系管理实际数据的HRegionServer。所以，之后客户端可以通过缓存信息很好地定位所需的数据位置，而不用再次查找.META.表。
以上也正是Hbase虽然基于HDFS但任然高效的原因所在。
3.多个从节点：HregionServer
Hbase中核心部分，主要负责响应客户端的I/O请求，向HDFS系统进行读写。负责管理Region对象。它是对表的数据进行增删改查DML，注意区分开他和Hmaster的分工。
4.Hregion：
Hbase表中行的方向上分隔为多个Hregion。不同的Hregion可以分布在不同的HregionServer上，但同一个Hregion只能放在一个HregionServer上。
Hregion按照大小进行分隔，一个表初始只有一个region，随着数据不断增加，region也在不断扩大，当达到某一个阈值（默认128M，有些地方说256M，有待考察。。。） 时就会随分成2个region。Split
每一个Region由以下两部分确定：
1.表名+startRowKey+创建时间
2.由目录表(-ROOT-和.META.)记录该region的endRowKey。
那么我们如何定位Hregion？====>三层结构：
-
- 通过zookeeper里的文件/hbase/rs得到-ROOT-表的位置。-ROOT-表只有一个region。
- 通过-ROOT-表查找.META.表的第一个表中相应的region的位置。.META.表中的每一个region在-ROOT-表中都是一行记录。
- 通过.META.表找到所要的用户表region的位置。用户表中的每个region在.META表中都是一行记录。
以上三层结构就像一个分布式的B+树，-ROOT-永远只有一个region，他是根。
Table和Hregion的关系：
table默认最初只有一个region，随着记录数的不断增加而变大，起初的region会逐渐分裂成多个region，一个region由【startKey, endKey】表示，不同的region会被master分配给相应的regionserver管理。region是hbase分布式存储和负载均衡的最小单元，不同的region分到不同的regionServer。region虽然是分布式存储的最小单元，但并不是存储的最小单元。region是由一个或者多个store组成的，每个store就是一个column family。每个store又由memStore和1至多个store file 组成(memstore到一个阀值会刷新，写入到storefile，有hlog来保证数据的安全性，一个regionServer有且只有一个hlog)。
5.Hstore：
HBase存储的核心。由MemStore和StoreFile组成。存储的其实就是我们的列簇。
6.Hlog：
在分布式系统环境中，无法避免系统出错或者宕机，一旦HRegionServer意外退出，MemStore中的内存数据就会丢失，引入HLog就是防止这种情况。
总结下：
HMaster管理的是对库、表的操作（DDL），HRegionServer管理的是对表里数据的操作（DML）；
HMaster还负责管理Hregion具体往那个HRegionServer上分布（负载均衡）；
HregionServer管理着Hregion和Hlog；
Hregion其实就是表中的多行数据（整行），他包含Store和MemStore；
Store中其实存储的就是列簇；
Hlog里记录的是你的数据的操作，因为一切操作在内存上完成，假如内存崩掉，数据
就会丢失，这时Hlog记录了你的操作，他会进行落盘。
下篇讨论Hbase的读写流程。