网站建设尺寸,wordpress 3d标签,rails网站开发,惠州网络问政平台一 HBase简介与环境部署 1.1 HBase简介在Hadoop生态中的地位 1.1.1 什么是HBase HBase是一个分布式的、面向列的开源数据库HBase是Google BigTable的开源实现HBase不同于一般的关系数据库, 适合非结构化数据存储 1.1.2 BigTable BigTable是Google设计的分布式数据存储…一 HBase简介与环境部署 1.1 HBase简介在Hadoop生态中的地位 1.1.1 什么是HBase HBase是一个分布式的、面向列的开源数据库HBase是Google BigTable的开源实现HBase不同于一般的关系数据库, 适合非结构化数据存储 1.1.2 BigTable BigTable是Google设计的分布式数据存储系统用来处理海量的数据的一种非关系型的数据库。 适合大规模海量数据PB级数据分布式、并发数据处理效率极高易于扩展支持动态伸缩适用于廉价设备不适用于传统关系型数据的存储 1.1.3 面向列的数据库 关系型数据库 IDUserNamePassword 1 Tom 123456 2 Mike 123456 列式数据库 RowKeyColumn Family rk_id cf:col11 cf:col22 rk_username cf:name1Tom cf:name2Mike rk_pwd cf:pwd1123456 cf:pwd2123456 1.1.4 什么是非结构化数据存储 结构化数据 适合用二维表来展示的数据 非结构化数据 非结构化数据是数据结构不规则或不完整没有预定义的数据模型不方便用数据库二维逻辑表来表现办公文档、文本、图片、XML, HTML、各类报表、图像和音频/视频信息等 1.1.5 HBase在Hadoop生态中的地位 HBase是Apache基金会顶级项目 HBase基于HDFS进行数据存储 HBase可以存储超大数据并适合用来进行大数据的实时查询 1.1.6 HBase与HDFS HBase建立在Hadoop文件系统上, 利用了HDFS的容错能力HBase提供对数据的随机实时读/写访问功能HBase内部使用哈希表, 并存储索引, 可以快速查找HDFS中数据 1.1.7 HBase使用场景 瞬间写入量很大大量数据需要长期保存, 且数量会持续增长HBase不适合有join, 多级索引, 表关系复杂的数据模型 1.2 HBase数据存储模型与关系型数据库的区别 1.2.1 ACID定义 指数据库事务正确执行的四个基本要素的缩写 原子性 A 整个事务中的所有操作要么全部完成要么全部不完成不可能停滞在中间某个环节。事务在执行过程中发生错误会被回滚Rollback到事务开始前的状态就像这个事务从来没有执行过一样。 一致性 C 一个事务可以封装状态改变除非它是一个只读的。事务必须始终保持系统处于一致的状态不管在任何给定的时间并发事务有多少。 隔离性 I 隔离状态执行事务使它们好像是系统在给定时间内执行的唯一操作。如果有两个事务运行在相同的时间内执行相同的功能事务的隔离性将确保每一事务在系统中认为只有该事务在使用系统。这种属性有时称为串行化为了防止事务操作间的混淆必须串行化或序列化请求使得在同一时间仅有一个请求用于同一数据。 持久性 D 在事务完成以后该事务对数据库所作的更改便持久的保存在数据库之中并不会被回滚。 HBase HBase 支持特定场景下的 ACID即对行级别的 操作保证完全的 ACID 1.2.2 CAP定理 分布式系统的最大难点就是各个节点的状态如何同步。CAP 定理是这方面的基本定理也是理解分布式系统的起点。 一致性(所有节点在同一时间具有相同的数据) 可用性(保证每个请求不管成功或失败都有响应,但不保证获取的数据的正确性) 分区容错性(系统中任意信息的丢失或失败不会影响系统的运行,系统如果不能在某个时限内达成数据一致性,就必须在上面两个操作之间做出选择) hbase是CAP中的CP系统,即hbase是强一致性的 1.2.3 Hbase表结构 NameSpace: 关系型数据库的数据库(database) 表(table)用于存储管理数据具有稀疏的、面向列的特点。HBase中的每一张表就是所谓的大表(Bigtable)可以有上亿行上百万列。对于为值为空的列并不占用存储空间因此表可以设计的非常稀疏。 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(Column): HBase的列由 Column family 和 Column qualifier 组成, 由冒号: 进行行间隔, 如 family: qualifier 行键(RowKey)类似于MySQL中的主键HBase根据行键来快速检索数据一个行键对应一条记录。与MySQL主键不同的是HBase的行键是天然固有的每一行数据都存在行键。 列族(ColumnFamily)是列的集合。列族在表定义时需要指定而列在插入数据时动态指定。列中的数据都是以二进制形式存在没有数据类型。在物理存储结构上每个表中的每个列族单独以一个文件存储。一个表可以有多个列簇。 列修饰符(Column Qualifier) : 列族中的数据通过列标识来进行映射, 可以理解为一个键值对(key-value), 列修饰符(Column Qualifier) 就是key 对应关系型数据库的列 时间戳(TimeStamp)是列的一个属性是一个64位整数。由行键和列确定的单元格可以存储多个数据每个数据含有时间戳属性数据具有版本特性。可根据版本(VERSIONS)或时间戳来指定查询历史版本数据如果都不指定则默认返回最新版本的数据。 区域(Region)HBase自动把表水平划分成的多个区域划分的区域随着数据的增大而增多。 1.2.4 HBase 与 传统关系数据库的区别 HBase关系型数据库 数据库大小 PB级别 GB TB 数据类型 Bytes 丰富的数据类型 事务支持 ACID只支持单个Row级别 全面的ACID支持, 对Row和表 索引 只支持Row-key 支持 吞吐量 百万写入/秒 数千写入/秒 关系型数据库中数据示例 IDFILE NAMEFILE PATHFILE TYPEFILE SIZECREATOR 1 file1.txt /home txt 1024 tom 2 file2.txt /home/pics jpg 5032 jerry 同样数据保存到列式数据库中 RowKeyFILE INFOSAVE INFO 1 name:file1.txt type:txt size:1024path:/home/pics creator:Jerry 2 name:file2.jpg type:jpg size:5032 path:/home creator:Tom 行数据库列数据库存储方式比较 1.2.5 HBase 的安装 下载安装包 http://archive.cloudera.com/cdh5/cdh/5/hbase-1.2.0-cdh5.7.0.tar.gz 配置伪分布式环境 环境变量配置 export HBASE_HOME/usr/local/development/hbase-1.2.4 export PATH$HBASE_HOME/bin:$PATH配置hbase-env.sh export JAVA_HOME/usr/local/development/jdk1.7.0_15 export HBASE_MANAGES_ZKfalse --如果你是使用hbase自带的zk就是true如果使用自己的zk就是false配置hbase-site.xml propertynamehbase.rootdir/name　　--hbase持久保存的目录valuehdfs://hadoop001:8020/opt/hbase/value /property propertynamehbase.cluster.distributed/name --是否是分布式valuetrue/value /property property namehbase.zookeeper.property.clientPort/name --指定要连接zk的端口value2181/value /property property namehbase.zookeeper.property.dataDir/name value/home/hadoop/app/hbase/zkData/value /property 启动hbase启动的hbase的时候要保证hadoop集群已经启动 /hbase/bin/start-hbase.sh输入hbase shell进入shell命令行 1.3 HBase 基础架构 1.3.1 Client ①与zookeeper通信, 找到数据入口地址②使用HBase RPC机制与HMaster和HRegionServer进行通信③Client与HMaster进行通信进行管理类操作④Client与HRegionServer进行数据读写类操作。 1.3.2 Zookeeper ①保证任何时候集群中只有一个running master避免单点问题②存贮所有Region的寻址入口包括-ROOT-表地址、HMaster地址③实时监控Region Server的状态将Region server的上线和下线信息实时通知给Master④存储Hbase的schema包括有哪些table每个table有哪些column family。 1.3.3 HMaster 可以启动多个HMaster通过Zookeeper的Master Election机制保证总有一个Master运行。 角色功能 ①为Region server分配region②负责region server的负载均衡③发现失效的region serve并重新分配其上的region④HDFS上的垃圾文件回收⑤处理用户对表的增删改查操作。 1.3.4 HRegionServer HBase中最核心的模块主要负责响应用户I/O请求向HDFS文件系统中读写数据。 作用 ①维护Master分配给它的region处理对这些region的IO请求②负责切分在运行过程中变得过大的region。此外HRegionServer管理一系列HRegion对象每个HRegion对应Table中一个RegionHRegion由多个HStore组成每个HStore对应Table中一个Column Family的存储Column Family就是一个集中的存储单元故将具有相同IO特性的Column放在一个Column Family会更高效。 1.3.5 HStore HBase存储的核心由MemStore和StoreFile组成。 用户写入数据的流程为client访问ZK, ZK返回RegionServer地址- client访问RegionServer写入数据 - 数据存入MemStore一直到MemStore满 - Flush成StoreFile 1.3.6 HRegion 一个表最开始存储的时候是一个region。一个Region中会有个多个store每个store用来存储一个列簇。如果只有一个column family就只有一个store。region会随着插入的数据越来越多会进行拆分。默认大小是10G一个。 1.3.7 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。 1.3.8 HBase模块协作 HBase启动 HMaster启动, 注册到Zookeeper, 等待RegionServer汇报RegionServer注册到Zookeeper, 并向HMaster汇报对各个RegionServer(包括失效的)的数据进行整理, 分配Region和meta信息 RegionServer失效 HMaster将失效RegionServer上的Region分配到其他节点HMaster更新hbase: meta 表以保证数据正常访问 HMaster失效 处于Backup状态的其他HMaster节点推选出一个转为Active状态数据能正常读写, 但是不能创建删除表, 也不能更改表结构 二 HBase实战 2.1 HBase Shell命令实战 HBase DDL 和 DML 命令 名称命令表达式 创建表 create 表名, 列族名1,列族名2,列族名n 添加记录 put 表名,行名,列名:,值 查看记录 get 表名,行名 查看表中的记录总数 count 表名 删除记录 delete 表名, 行名,列名 删除一张表 第一步 disable 表名 第二步 drop 表名 查看所有记录 scan 表名称 查看指定表指定列所有数据 scan 表名 ,{COLUMNS列族名:列名} 更新记录 重写覆盖 连接集群 hbase shell创建表 create user,base_info删除表 disable user drop user创建名称空间 create_namespace test展示现有名称空间 list_namespace创建表的时候添加namespace create test:user,base_info显示某个名称空间下有哪些表 list_namespace_tables test插入数据 put user,rowkey_10,base_info:username,Tom put user,rowkey_10,base_info:birthday,2014-07-10 put user,rowkey_10,base_info:sex,1 put user,rowkey_10,base_info:address,Tokyoput user,rowkey_16,base_info:username,Mike put user,rowkey_16,base_info:birthday,2014-07-10 put user,rowkey_16,base_info:sex,1 put user,rowkey_16,base_info:address,beijingput user,rowkey_22,base_info:username,Jerry put user,rowkey_22,base_info:birthday,2014-07-10 put user,rowkey_22,base_info:sex,1 put user,rowkey_22,base_info:address,Newyorkput user,rowkey_24,base_info:username,Nico put user,rowkey_24,base_info:birthday,2014-07-10 put user,rowkey_24,base_info:sex,1 put user,rowkey_24,base_info:address,shanghaiput user,rowkey_25,base_info:username,Rose put user,rowkey_25,base_info:birthday,2014-07-10 put user,rowkey_25,base_info:sex,1 put user,rowkey_25,base_info:address,Soul查询表中的所有数据 scan user查询某个rowkey的数据 get user,rowkey_16查询某个列簇的数据 get user,rowkey_16,base_info get user,rowkey_16,base_info:username get user, rowkey_16, {COLUMN [base_info:username,base_info:sex]}删除表中的数据 delete user, rowkey_16, base_info:username清空数据 truncate user操作列簇 alter user, NAME f2 alter user, delete f2命令表 可以通过HbaseUi界面查看表的信息 端口60010打不开的情况是因为hbase 1.0 以后的版本需要自己手动配置在文件 hbase-site property namehbase.master.info.port/name value60010/value /property 2.2 HBase表设计 设计HBase表时需要注意的特点 HBase中表的索引是通过rowkey实现的在表中是通过Row key的字典顺序来对数据进行排序的, 表中Region的划分通过起始Rowkey和结束Rowkey来决定的所有存储在HBase中的数据都是二进制字节, 没有数据类型原子性只在行内保证, HBase表中没有多行事务列族(Column Family)在表创建之前就要定义好列族中的列标识(Column Qualifier)可以在表创建后动态插入数据的时候添加不同的column family保存在不同的文件中。 如何设计HBase表 Row key的结构该如何设置, Row key中又该包含什么样的信息表中应该有多少的列族列族中应该存储什么样的数据每个列族中存储多少列数据列的名字分别是什么cell中应该存储什么样的信息每个cell中存储多少个版本信息 DDI 目的是为了克服HBase架构上的缺陷(join繁琐 只有row key索引等) Denormalization (反规范化, 解决join麻烦的问题)Duplication (数据冗余)Intelligent keys(通过row key设计实现 索引 排序对读写优化) 2.3 HBase表设计案例: 社交应用互粉信息表 设计表保存应用中用户互粉的信息 读场景: 某用户都关注了哪些用户用户A有没有关注用户B谁关注了用户A 写场景 用户关注了某个用户用户取消关注了某个用户 设计1: colunm qulifier(列名) 1: 2: 设计2 添加了一个 count 记录当前的最后一个记录的列名 设计3 列名 user_id 最终设计(DDI) 解决谁关注了用户A问题 ① 设计一张新表, 里面保存某个用户和他的粉丝② 在同一张表中同时记录粉丝列表的和用户关注的列表, 并通过Rowkey来区分 01_userid: 用户关注列表02_userid: 粉丝列表 上两种设计方案的问题(事务) 案例总结 Rowkey是HBase表结构设计中很重要的环节, 直接影响到HBase的效率和性能HBase的表结构比传统关系型数据库更灵活, 能存储任何二进制数据,无需考虑数据类型利用列标识(Column Qualifier)来存储数据衡量设计好坏的简单标准 是否会全表查询 三 SQL on HBase 3.1 Hive on HBase HBase 用于在线业务服务, 不适合做统计分析 Hive 适合数据分析 统计 CDH5之前需要配置 CDH5之后不需要配置 Hive 表与HBase表之间需要建立映射关系 CREATE TABLE hbase_table_1(key int, value string) STORED BY org.apache.hadoop.hive.hbase.HBaseStorageHandler WITH SERDEPROPERTIES (hbase.columns.mapping:key,cf1:val) TBLPROPERTIES(hbase.table.namexyz);不支持load data导入数据, 要用insert 方式创建新表加载数据 load data local inpath /home/1.txt overwrite into table a; insert overwrite tabale hbase_a select * from a;hive on HBase实战 创建student表通过hive中创建在hbase中也会同时创建 CREATE TABLE student (no string, classno string, stuno string, score int ) STORED BY org.apache.hadoop.hive.hbase.HBaseStorageHandler WITH SERDEPROPERTIES (hbase.columns.mapping :key,stuinfo:classno,stuinfo:stuno,stuinfo:score) TBLPROPERTIES (hbase.table.namestudent);从之前的student2表中insert数据 insert overwrite table student select reverse(classno) as key,classno,stuno,score from student1;hive on HBase使用场景 数据导入不适合数据分析 四 Python Hbase 开发实战 4.1HappyBase操作Hbase 什么是HappyBase HappyBase is a developer-friendly Python library to interact with Apache HBase. HappyBase is designed for use in standard HBase setups, and offers application developers a Pythonic API to interact with HBase. Below the surface, HappyBase uses the Python Thrift library to connect to HBase using its Thrift gateway, which is included in the standard HBase 0.9x releases. HappyBase 是FaceBook员工开发的操作HBase的python库, 其基于Python Thrift, 但使用方式比Thrift简单, 已被广泛应用 启动hbase thrift server : hbase-daemon.sh start thrift 安装happy base pip install happybase 使用happy base时可能出现的问题(windows系统) happybase1.0在win下不支持绝对路径解决方案将488行的url_scheme ”改为url_scheme in (‘代码盘符’, ”) 如何使用HappyBase 建立连接 import happybase connection happybase.Connection(somehost)当连接建立时, 会自动创建一个与 HBase Thrift server的socket链接. 可以通过参数禁止自动链接, 然后再需要连接是调用 Connection.open(): connection happybase.Connection(somehost, autoconnectFalse) # before first use: connection.open()Connection 这个类提供了一个与HBase交互的入口, 比如获取HBase中所有的表: Connection.tables(): print(connection.tables())操作表 Table类提供了大量API, 这些API用于检索和操作HBase中的数据。 在上面的示例中我们已经使用Connection.tables方法查询HBase中的表。 如果还没有任何表可使用Connection.create_table创建一个新表 connection.create_table(users,{cf1: dict()})创建表之后可以传入表名获取到Table类的实例: table connection.table(mytable)查询操作 # api table.scan() #全表查询 table.row(row_keys[0]) # 查询一行 table.rows(row_keys) # 查询多行 #封装函数 def show_rows(table, row_keysNone):if row_keys:print(show value of row named %s % row_keys)if len(row_keys) 1:print(table.row(row_keys[0]))else:print(table.rows(row_keys))else:print(show all row values of table named %s % table.name)for key, value in table.scan():print(key, value)插入数据 #api table.put(row_key, {cf:cq:value}) def put_row(table, column_family, row_key, value):print(insert one row to hbase)#put user,rowkey_10,base_info:username,Tom#{cf:cq:’数据‘}table.put(row_key, {%s:name % column_family:name_%s % value})def put_rows(table, column_family, row_lines30):print(insert rows to hbase now)for i in range(row_lines):put_row(table, column_family, row_%s % i, i)删除数据 #api table.delete(row_key, cf_list)#函数封装 def delete_row(table, row_key, column_familyNone, keysNone):if keys:print(delete keys:%s from row_key:%s % (keys, row_key))key_list [%s:%s % (column_family, key) for key in keys]table.delete(row_key, key_list)else:print(delete row(column_family:) from hbase)table.delete(row_key)删除表 #api conn.delete_table(table_name, True) #函数封装 def delete_table(table_name):pretty_print(delete table %s now. % table_name)conn.delete_table(table_name, True)完整代码 import happybase hostname ‘192.168.199.188’ table_name ‘users’ column_family ‘cf’ row_key ‘row_1’ conn happybase.Connection(hostname) def show_tables(): print(‘show all tables now’) tables conn.tables() for t in tables: print t def create_table(table_name, column_family): print(‘create table %s’ % table_name) conn.create_table(table_name, {column_family:dict()}) def show_rows(table, row_keysNone): if row_keys: print(‘show value of row named %s’ % row_keys) if len(row_keys) 1: print table.row(row_keys[0]) else: print table.rows(row_keys) else: print(‘show all row values of table named %s’ % table.name) for key, value in table.scan(): print key, value def put_row(table, column_family, row_key, value): print(‘insert one row to hbase’) table.put(row_key, {‘%s:name’ % column_family:‘name_%s’ % value}) def put_rows(table, column_family, row_lines30): print(‘insert rows to hbase now’) for i in range(row_lines): put_row(table, column_family, ‘row_%s’ % i, i) def delete_row(table, row_key, column_familyNone, keysNone): if keys: print(‘delete keys:%s from row_key:%s’ % (keys, row_key)) key_list [‘%s:%s’ % (column_family, key) for key in keys] table.delete(row_key, key_list) else: print(‘delete row(column_family:) from hbase’) table.delete(row_key) def delete_table(table_name): pretty_print(‘delete table %s now.’ % table_name) conn.delete_table(table_name, True) def pool(): pretty_print(‘test pool connection now.’) pool happybase.ConnectionPool(size3, hosthostname) with pool.connection() as connection: print connection.tables() def main(): # show_tables() # create_table(table_name, column_family) # show_tables() table conn.table(table_name) show_rows(table) put_rows(table, column_family) show_rows(table) # # # 更新操作 # put_row(table, column_family, row_key, xiaoh.me) # show_rows(table, [row_key]) # # # 删除数据 # delete_row(table, row_key) # show_rows(table, [row_key]) # # delete_row(table, row_key, column_family, [name]) # show_rows(table, [row_key]) # # counter(table, row_key, column_family) # # delete_table(table_name)if name “main”: main() ### 4.2 HappyBase案例- 用户行为分析案例 通过HBase记录用户行为- 建表sqlcreate user_profile,action- 表说明- user_X 作为rowkey- 对某件物品(用kwXXXXX关键词表示)做了什么操作作为cq,比如- s search - c click- a add to shopping cart- o order- p pay- 录入数据sql put user_profile, user1, action:s,kw1 put user_profile, user1, action:s,kw188 put user_profile, user1, action:s,kw123put user_profile, user1, action:s,kw2 put user_profile, user1, action:c,kw288 put user_profile, user1, action:s,kw222put user_profile, user1, action:o,kw1python代码 class HBaseManager:config {BATCH_SIZE:1000}def __init__(self, hostlocalhost,port9090, namespacedefault, table_name): Connect to HBase server.This will use the host, namespace, table name, and batch size as defined inthe global variables above.self.conn happybase.Connection(host host,portport,table_prefix namespace,table_prefix_separator:)self.conn.open()self.table self.conn.table(table_name)self.batch self.table.batch(batch_size self.config[BATCH_SIZE])def append_row(self,rowkey,family,col,content):self.table.put(rowkey, { %s:%s % (family,col) : content } )def close(self):self.conn.close()def filter_rows(self,filterNone):if filter:rs self.table.scan(filterfilter)return rselse :rs self.table.scan()return rsfrom hbasemanager import HBaseManager hbase HBaseManager(host192.168.10.202,namespacedefault,table_nameuser_profile)# hbase.append_row(rk0001,cf,name,zhang) hbase.append_row(user1, action,s, kw1) hbase.append_row(user1, action,s, kw188) hbase.append_row(user1, action,s, kw123)hbase.append_row(user2, action,s, kw2) hbase.append_row(user2, action,c, kw288) hbase.append_row(user2, action,s, kw222)hbase.append_row(user1,action,o, kw1)# --哪个用户通过点击广告(c)值包含88 # scan user_profile, FILTERColumnPrefixFilter(c) AND ValueFilter(,substring:88) filter ColumnPrefixFilter(c) AND ValueFilter(,substring:88) # for user,action in hbase.filter_rows(filter): # print user,actionfor user,action in hbase.filter_rows():print (user,action)HBase使用场景 HBase适合做什么, 不适合做什么 适合场景(大型互联网公司都用HBase) 表数据量大(至少亿级别以上) 写入量大(每天千万级别以上)append型业务(比如日志,聊天记录等)读取量相对少(读取:写入1/10)读取场景简单、不经常变化、无排序要求无跨行跨表事务要求 不适合场景 HBase仅支持行级事务(银行业务基本不用HBase)类似DW等全量读取(hive), 不太适合