【大数据学习 | HBASE】hbase的读数据流程与hbase读取数据
1. hbase的读数据流程
在解析读取流程之前我们还需要知道两个功能性的组件和HFIle的格式信息
HFILE
存储在hdfs中的hbase文件，这个文件中会存在hbase中的数据以kv类型显示，同时还会存在hbase的元数据信息，包括整个hfile文件的索引大小，描述，k和v的均匀长度，文件中包含的开始的key和结束的key，以及中位数key，等信息便于检索，以及布隆过滤器等信息，这个数据在我们hbase进行查询读取的时候按照64KB为一个大小进行读取内容数据，其中读取的元数据会全部加载，但是kv类型的真正存储数据会按照64KB为最小单位读取进来。
# flush表的数据，清空memstore
flush <table>
# 查看命令为
hbase hfile -m -b -p -f <hfile的文件路径>
-m 打印元数据信息
-b 打印块信息
-p 打印数据内容
-f 后面接文件例子：hfile的文件路径：
查看某一列的数据信息：
布隆过滤器：
一个使用hash表作为计算规则的过滤器，也就是在写入数据到hbase的时候要先将数据写出到memstore中，在memstore写满了以后就会将数据以storeFile形式写出到磁盘上，这个时候也会生成一份对应数据的hash表文件，以metablock的形式存储到起来，它的功能非常实用，比如我们在查询数据的时候就可以首先将这个数据进行hash处理，然后和hash表进行比对，如果不存在可以直接避免扫描这个storeFile文件。在巨大的数据面前可以进行高效的数据。
一句话：查询数据的时候将对其进行哈希处理，然后与哈希地图进行比对，如果哈希表取到的值为空，说明storeFile没有该要查询的数据，如果哈希表找到的值不为空，也不一定存在要查询的数据。
blockCache
对应表数据的regionserver级别的缓存组件，主要使用规则就是在查询数据的时候也会将查询结果缓存到regionserver对应的blockCache组件中，下次查询的时候可以直接使用上次查询的结果，blockCache中存储的数据内存包含索引文件，布隆过滤器的值和数据的key，其他的value数据，会以64Kb为大小进行存储，如果数据过期了先清理value的数据，而索引等数据和元数据信息不会清理出去。
blockCache是regionserver级别的缓存组件，我的hbase集群只有两个工作节点，即存在两个regionserver，每个regionserver都存在一个blockCache，所以我desc info表会出现两条记录。
所以hbase的读写数据流程为:
读取数据流程
- 首先读取zookeeper中的元数据meta表的信息
- 其次根据meta表的信息找寻相应的region获取元数据信息
- 然后将meta表的元数据信息放入到自己的客户端缓存中
- 根据meta表的信息找寻student表对应的region所在的regionserver
- 然后根据查询的内容先去memstore文件中找寻数据
- 如果没有再去blockcache缓存中找寻数据，但是并不是直接将数据返回，而是通过key和索引文件去storeFile中查询比对，不然会出现数据过期问题
- 都没有再从storeFile和hfile中找寻数据，这个过程会使用到布隆过滤器
- 然后在将数据存储到blockcache中然后在返回给客户端
2. hbase读取数据
在hainiu命名空间创建student表：
hbase:007:0> put 'hainiu:student','001','cf1:name','1'
Took 0.0828 seconds
hbase:008:0> put 'hainiu:student','002','cf1:name','2'
Took 0.0173 seconds
hbase:009:0> put 'hainiu:student','001','cf1:age','10'
Took 0.0267 seconds
hbase:010:0> put 'hainiu:student','002','cf1:age','20'
Took 2.0660 seconds
hbase:011:0> scan 'hainiu:student'
ROW COLUMN+CELL
001 column=cf1:age, timestamp=2024-11-11T19:15:07.044, value=10
001 column=cf1:name, timestamp=2024-11-11T19:14:40.544, value=1
002 column=cf1:age, timestamp=2024-11-11T19:15:18.621, value=20
002 column=cf1:name, timestamp=2024-11-11T19:14:54.939, value=2
2 row(s)
Took 0.1542 seconds
hbase:012:0> put 'hainiu:student','001','cf2:adress','beijin'
Took 0.0695 seconds
hbase:013:0> put 'hainiu:student','002','cf2:adress','beijin'
Took 0.0147 seconds
hbase:014:0> scan 'hainiu:student'
ROW COLUMN+CELL
001 column=cf1:age, timestamp=2024-11-11T19:15:07.044, value=10
001 column=cf1:name, timestamp=2024-11-11T19:14:40.544, value=1
001 column=cf2:adress, timestamp=2024-11-11T19:15:52.033, value=beijin
002 column=cf1:age, timestamp=2024-11-11T19:15:18.621, value=20
002 column=cf1:name, timestamp=2024-11-11T19:14:54.939, value=2
002 column=cf2:adress, timestamp=2024-11-11T19:16:03.664, value=beijin
2 row(s)
Took 0.0241 seconds # get 获取一个内容按照rowkey查询数据
get 'hainiu:student','001'
# get 获取对应列族的数据
get 'hainiu:student','001','cf1'
# get 获取对应列的信息
get 'hainiu:student','001','cf1:name'hbase:017:0> get 'hainiu:student','001'
COLUMN CELL
cf1:age timestamp=2024-11-11T19:15:07.044, value=10
cf1:name timestamp=2024-11-11T19:14:40.544, value=1
cf2:adress timestamp=2024-11-11T19:15:52.033, value=beijin
1 row(s)
hbase:019:0> get 'hainiu:student','001','cf1'
COLUMN CELL
cf1:age timestamp=2024-11-11T19:15:07.044, value=10
cf1:name timestamp=2024-11-11T19:14:40.544, value=1
1 row(s)
Took 0.0321 seconds
hbase:020:0> get 'hainiu:student','001','cf1:name'
COLUMN CELL
cf1:name timestamp=2024-11-11T19:14:40.544, value=1
1 row(s)
Took 0.0231 seconds # scan扫描表的数据
scan table
# 扫描limit
scan 'hainiu:student', {LIMIT => 2}
# 扫描指定的列族
scan 'hainiu:student',{COLUMNS=>'cf1'}
# 扫描指定的列
scan 'hainiu:student',{COLUMNS=>'cf1:age'}hbase:022:0> scan 'hainiu:student',{COLUMN=>'cf1'}
ROW COLUMN+CELL
001 column=cf1:age, timestamp=2024-11-11T19:15:07.044, value=10
001 column=cf1:name, timestamp=2024-11-11T19:14:40.544, value=1
002 column=cf1:age, timestamp=2024-11-11T19:15:18.621, value=20
002 column=cf1:name, timestamp=2024-11-11T19:14:54.939, value=2
2 row(s)
Took 0.0588 seconds
hbase:023:0> scan 'hainiu:student',{COLUMN=>'cf1:age'}
ROW COLUMN+CELL
001 column=cf1:age, timestamp=2024-11-11T19:15:07.044, value=10
002 column=cf1:age, timestamp=2024-11-11T19:15:18.621, value=20
2 row(s)
# 过滤器查询
scan 'hainiu:student', FILTER=>"ValueFilter(=,'binary:20')"
# 指定列等值查询
scan 'hainiu:student',{COLUMNS=>'cf1:age',FILTER=>"ValueFilter(!=,'binary:20')"}
# 范围查询
scan 'hainiu:student', { STARTROW => '001', STOPROW => '003'}
# 分页查询
scan 'hainiu:student', {COLUMNS => 'cf1', LIMIT => 2, STARTROW => '001'}
# 范围查询指定相应的列信息
scan 'hainiu:student', { STARTROW => '001', STOPROW => '002', COLUMN => 'cf1:name'}
在范围查询中，从rowKey的[STARTROW, STOPROW)为范围查询，左闭右开区间，包含STARTROW，但不包含STOPROW。
行数查询
# 查询表的行数
# 语法：count <table>, {INTERVAL => intervalNum, CACHE => cacheNum}
# INTERVAL设置多少行显示一次及对应的rowkey，默认1000；
# CACHE每次去取的缓存区大小，默认是10，调整该参数可提高查询速度
count 'hainiu:student'
# 直接查询完毕返回值
count 'hainiu:student', {INTERVAL => 2,CACHE=>50}
# 间隔两秒返回一次结果值每间隔50秒，一次性取50行ky。
大表统计
# 大表统计的时候不能使用hbase自带的count命令，这样hbase压力太大
# 我们可以通过外置的mr进行计算统计大小
hbase org.apache.hadoop.hbase.mapreduce.RowCounter 'tablename' 多版本查询
#修改设置版本，查询时，加上版本就可以查出来版本
alter 'hainiu:student',{ NAME =>'cf1', VERSIONS => 2 }
put 'hainiu:student','id10', 'cf1:name','name10a'
put 'hainiu:student','id10', 'cf1:name','name10aa'
put 'hainiu:student','id10', 'cf1:name','name10aaa'
#此时，可以查询出2个版本的数据
get 'hainiu:student', 'id10', { COLUMN =>'cf1:name', VERSIONS => 2}