尚学堂大数据笔记：Hbase的数据模型

HBase是一种分布式的开源数据库，通常以表的形式对数据进行存储。HBase属于Hadoop集群，在Hadoop之上的作用也类似于Bigtable。作为Hadoop的一个子项目，HBase与一般的关系型数据库也有所不同，适用于进行结构化存储，为大数据处理以及MapReduce的运行提供支撑。HBase表由行和列族组成。列划分为若干个列族(row family)。

关于HBase有几个关键概念：

1、行键(RowKey)

行键是字节数组, 任何字符串都可以作为行键；表中的行根据行键进行排序，数据按照 Row key 的字节序(byte order)排序 存储；所有对表的访问都要通过行键（单个 RowKey 访问，或 RowKey 范围访问，或全表扫描)。

2、列族（ColumnFamily）

列族CF必须在表定义时给出，每个CF 可以有一个或多个列成员(ColumnQualifier)，列成员不需要在表定义时给出，新的列族成员可以随后按需、动态加入。

数据按 CF 分开存储，HBase 所谓的列式存储就是根据 CF分开存储（每个 CF 对应一个Store），这种设计非常适合于数据分析的情形。

3、单元格（Cell）

Cell由行键，列族:限定符，时间戳唯一决定；Cell中的数据是没有类型的，全部以字节码形式存储。

4、时间戳（TimeStamp）

每个Cell可能有多个版本，它们之间用时间戳区分。

5、区域(Region）

HBase 自动把表水平（按 Row）划分成多个区域(region)，每个 region 会保存一个表里面某段连续的数据；每个表一开始只有一个 region，随着数据不断插入表，region 不断增大，当增大到一个阀值的时候，region就会等分会两个新的region；当table 中的行不断增多，就会有越来越多的 region。这样一张完整的表被保存在多个 Region 上。

虽然Region是分布式存储的最小单元，但并非存储的最小单元。这一点各位要特别注意。尚学堂陈老师指出Region由 一个或者多个 Store组成，每个 store 保存一个 columns family；每个 Strore 又由一个 memStore 和 0 至多个 StoreFile 组成，StoreFile 包含HFile；memStore 存储在内存中，StoreFile 存储在 HDFS 上。

综上所述，关于HBase的数据模型可以从以上5点来加以理解。笔者建议，在初学HBase的过程中，多看官方的文档是非常重要的，而对数据模型的理解可以从实际应用中加深认识。