图解大数据|图解大数据 | 海量数据库查询-Hive与HBase详解图解大数据|海量数据库查询

文章图片

作者：韩信子@ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/84
本文地址：http://www.showmeai.tech/article-detail/172
声明：版权所有，转载请联系平台与作者并注明出处
1.大数据与数据库 1）从Hadoop到数据库大家知道在计算机领域，关系数据库大量用于数据存储和维护的场景。大数据的出现后，很多公司转而选择像 Hadoop/Spark 的大数据解决方案。
Hadoop使用分布式文件系统，用于存储大数据，并使用MapReduce来处理。Hadoop擅长于存储各种格式的庞大的数据，任意的格式甚至非结构化的处理。
2） Hadoop的限制 Hadoop非常适合批量处理任务，但它只以顺序方式访问数据。这意味着如果要查询，必须搜索整个数据集，即使是最简单的搜索工作。
当处理结果在另一个庞大的数据集，也是按顺序处理一个巨大的数据集。在这一点上，一个新的解决方案，需要访问数据中的任何点（随机访问）单元。
3） HBase与大数据数据库、 HBase是建立在Hadoop文件系统之上的分布式面向列的数据库。
HBase是一个数据模型，类似于谷歌的Bigtable设计，可以提供快速随机访问海量结构化数据。它利用了Hadoop的文件系统（HDFS）提供的容错能力。
它是Hadoop的生态系统，提供对数据的随机实时读/写访问，是Hadoop文件系统的一部分。我们可以直接或通过HBase的存储HDFS数据。使用HBase在HDFS读取消费/随机访问数据。 HBase在Hadoop的文件系统之上，并提供了读写访问。
2.BigTable与HBase 要提到HBase，就要顺带提到google的Bigtable。HBase是在谷歌BigTable的基础之上进行开源实现的，是一个高可靠、高性能、面向列、可伸缩的分布式数据库，可以用来存储非结构化和半结构化的稀疏数据。
1）结构化数据和非结构化数据 BigTable和HBase存储的都是非结构化数据。

文章图片

2） BigTable简介 BigTable是一个用于管理结构化数据的分布式存储系统，构建在GFS、Chubby、SSTable等google技术之上。本质上说，BigTable是一个稀疏的、分布式的、持久化的、多维的、排序的键值（key-value）映射。

文章图片

3） HBase简介

HBase是一个高可靠、高性能、面向列、可伸缩的分布式数据库，是谷歌BigTable的开源实现。
HBase主要用来存储非结构化和半结构化的松散数据，目标是处理非常庞大的表，可以通过水平扩展的方式，利用廉价计算机集群处理由超过10亿行数据和数百万列元素组成的数据表。

文章图片

4） HBase在大数据生态环境中的位置 HBase在大数据生态环境中的位置如下图所示，它建立在Hadoop HDFS之上的分布式面向列的数据库。

文章图片

5） HBase的特点如下图所示，HBase有以下特点：

文章图片

大：一个表可以有上亿行，上百万列。
面向列：面向列表(簇)的存储和权限控制，列(簇)独立检索。
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。
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。
数据多版本：每个单元的数据有多个版本，默认情况下，版本号是单元格插入时的时间戳。
数据类型单一：HBase中的数据都是字符串，没有类型。

6） HBase的访问接口

类型	特点	场合
Native Java API	最常规和高效的访问方式	适合Hadoop MapReduce作业并行批处理HBase表数据
HBase Shell	HBase的命令行工具最简单的接口	适合HBase管理使用
Thrift Gateway	利用Thrift序列化技术支持C++、PHP、Python等	适合其他异构系统在线访问HBase表数据
REST Gateway	解除了语言限制	支持REST风格的Http API访问HBase
Pig	使用Pig Latin流式编程语言来处理HBase中的数据	适合做数据统计
Hive	简单	当需要以类似SQL语言方式来访问HBase的时候

3.HBase数据模型 1）逻辑存储模型

组件	描述
表 Table	HBase采用表来组织数据，表由行和列组成，列划分为若干个列族
行 Row	每个HBase表都由若干行组成，每个行由行键（row key）来标识
列族 Column Family	一个HBase表被分组成许多“列族”（Column Family）的集合
列限定符Column Qualifier	列族里的数据通过列限定符（或列）来定位
单元格 Cell	通过行、列族和列限定符确定一个单元格，单元格中存储的数据都视为byte
时间戳 Times tamp	同一份数据的多个版本，时间戳用于索引数据版本

HBase中需要根据行键、列族、列限定符和时间戳来确定一个单元格。因此，可以视为一个“四维坐标”，即 [行键, 列族, 列限定符, 时间戳] 。

文章图片

2）物理存储模型 Table在行的方向上分割为多个Region，每个Region分散在不同的RegionServer中。

文章图片

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。StoreFile以HFile格式存储在HDFS中。

文章图片

4.HBase系统架构 1） HBase架构组件 HBase包含以下三个组件：

Region Server：提供数据的读写服务，当客户端访问数据时，直接和Region Server通信。
HBase Master：Region的分配，DDL操作(创建表，删除表)。
ZooKeeper：是HDFS的一部分，维护一个活跃的集群状态。

文章图片

2） Region组件 HBase Tables 通过行健的范围(row key range)被水平切分成多个Region。一个Region包含了所有的在Region开始键(startKey)和结束键(endKey)之内的行。
Regions被分配到集群的节点上，成为Region Servers，提供数据的读写服务；一个Region Server可以服务1000个Region。

文章图片

3） HMaster组件

文章图片

分配Region，DDL操作(创建表，删除表)。
协调各个Reion Server：在启动时分配Region、在恢复或是负载均衡时重新分配Region；监控所有集群当中的Region Server实例，从ZooKeeper中监听通知。
提供创建、删除、更新表的接口。

4） ZooKeeper组件

文章图片

HBase使用ZooKeeper作为分布式协调服务，来维护集群中的Server状态。
ZooKeeper维护着哪些Server是活跃或是可用的，提供Server 失败时的通知。
Zookeeper使用一致性机制来保证公共的共享状态，注意，需要使用奇数的三台或五台机器，保证一致。

5.Hive介绍 1） Hive简介 Hive是基于Hadoop的一个数据仓库工具，用于结构化数据的查询、分析和汇总。Hive提供类SQL查询功能，它将SQL转换为MapReduce程序。
Hive不支持OLTP，Hive无法提供实时查询。
2） Hive在大数据生态环境中的位置

文章图片

3） Hive特点 Hive的优点

简单容易上手：提供了类SQL查询语言HQL。
可扩展：一般情况下不需要重启服务Hive可以自由的扩展集群的规模。
提供统一的元数据管理。
延展性：Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。
容错：良好的容错性，节点出现问题SQL仍可完成执行。

文章图片

Hive的缺点(局限性)

Hive的HQL表达能力有限：迭代式算法无法表达，比如pagerank；数据挖掘方面，比如kmeans。
Hive的效率比较低：Hive自动生成的MapReduce作业，不够智能化；Hive调优比较困难，粒度较粗；Hive可控性差。

4） Hive与传统数据库对比

文章图片

5） Hive的体系架构

文章图片

client 三种访问方式：CLI、JDBC/ODBC、WEBUI。
Meta store 元数据：表名、表所属数据库、表拥有者、列、分区字段、表类型、表数据所在的目录等，默认存储在自带的derby数据库中。
Driver：解析器、编译器、优化器、执行器。

6） Hive中的数据模型

文章图片

Hive 中所有的数据都存储在 HDFS 中Hive 中包含以下数据模型：

表(Table)
外部表(External Table)
分区(Partition)
桶(Bucket)

6.SQL介绍与Hive应用场景 1）数据库操作和表操作

作用	HiveQL
查看所有数据库	SHOW DATABASES;
使用指定的数据库	USE database_name;
创建指定名称的数据库	CREATE DATABASE database_name;
删除数据库	DROP DATABASE database_name;
创建表	CREATE TABLE pokes (foo INT, bar STRING)
查看所有的表	SHOW TABLES
支持模糊查询	SHOW TABLES ‘TMP’
查看表有哪些分区	SHOW PARTITIONS TMP_TABLE
查看表结构	DESCRIBE TMP_TABLE
创建表并创建索引ds	CREATE TABLE invites (foo INT, bar STRING) PARTITIONED BY (ds STRING)
复制一个空表	CREATE TABLE empty_key_value_store LIKE key_value_store
表添加一列	ALTER TABLE pokes ADD COLUMNS (new_col INT)
更改表名	ALTER TABLE events RENAME TO 3koobecaf

2）查询语句

作用	HiveQL
检索信息	SELECT from_columns FROM table WHERE conditions;
选择所有的数据	SELECT * FROM table;
行筛选	SELECT * FROM table WHERE rec_name = “value”;
多个限制条件	SELECT * FROM TABLE WHERE rec1 = “value1” AND rec2 = “value2”;
选择多个特定的列	SELECT column_name FROM table;
检索unique输出记录	SELECT DISTINCT column_name FROM table;
排序	SELECT col1, col2 FROM table ORDER BY col2;
逆序	SELECT col1, col2 FROM table ORDER BY col2 DESC;
统计行数	SELECT COUNT(*) FROM table;
分组统计	SELECT owner, COUNT(*) FROM table GROUP BY owner;
求某一列最大值	SELECT MAX(col_name) AS label FROM table;
从多个表中检索信息	SELECT pet.name, comment FROM pet JOIN event ON (pet.name = event.name);