HBase 的行、列模型

在 HBase 中，数据存储在由行列构成的二维表中。在关系数据库（RDBMS）中，我们也有表的行，列概念。把hbase和Mysql之类的关系型数据库中的概念等价起来，是不对的，不利于理解Hbase的数据模型。

所以，这里的行和列千万不要理解为关系型数据库中的行、列概念。在学习Hbase之前，如果你没有学习过Mysql之类的关系型数据库，那么恭喜你，直接学习Hbase会更容易理解。

HBase 数据模型术语

Hbase中有很多Mysql中没有的概念，我们一起来学习一下吧。

我们先来看看一个图：

Hbase数据模型架构

结合这张图中出现的概念，我们进一步做一些解释。

表

HBase 表由多行组成。

行

HBase 中的一行由一个行键和一个或多个列组成。

在行存储时，顺序按照字母进行排序。因此，行键的设计非常重要。其目标是以相关行彼此靠近的方式存储数据。

常见的行键模式是网站域名。如果您的行键是域名，则应该反向存储它们（org.apache.www，org.apache.mail，org.apache.jira）。这样，所有 Apache 域名都在表中彼此靠近，而不是基于子域名的第一个字母展开。

这是一个比较好的技巧，一定要记住哦。在关系型数据库中，设计主键的时候，肯和这个相反，希望主键尽可能不一样，从而加速查询速度，但是在hbase中，不存在这个问题。

列

HBase 中的列由 列族和 列限定符组成，它们由:（冒号）字符分隔。

如：

content:pdf

content是列族，pdf是列限定符。

列族

出于性能原因，列族通常在物理上拥有一簇列及其值。每个列族都有一组存储属性，例如是否应将其值缓存在内存中，如何压缩其数据或对其行键进行编码等。表中的每一行都具有相同的列族，但是列族中存放的信息可能为空。

列限定符

列限定符被添加到列族中，以提供给定数据段的索引。给定列族content，列限定符可能是content:html，另一个可能是content:pdf。虽然列族在创建表时是固定的，但列限定符是可变的，并且行之间可能有很大差异。

单元格

单元格是行，列族和列限定符的组合，它包含一个值和一个时间戳，时间戳表示值的版本。

单元格可以指定一个特定的数据。

时间戳

时间戳与每个值一起写入，它是该值给定版本的标识符。默认情况下，时间戳表示写入数据时 RegionServer 上的时间。当您将数据放入单元格时，可以指定不同的时间戳值。

Hbase逻辑视图

我们来看看Hbase的的逻辑结构：

以下示例是一个Hbase的逻辑结构。我们有一个名为webtable的表，包含两行（com.cnn.www和com.example.www）和三个列族，名为contents，anchor和people。在此示例中，对于第一行（com.cnn.www），anchor包含两列（anchor:cssnsi.com，anchor:my.look.ca），contents包含一列（contents:html）。

此示例包含具有行键com.cnn.www的行的 5 个版本，以及具有行键com.example.www的行的一个版本。 contents:html列限定符包含给定网站的整个HTML。 anchor列族的限定符每个都包含指向该行所代表的站点的外部站点的链接，以及它在其链接的anchor中使用的文本。 people列系列表示与该站点关联的人员。

列名

按照惯例，列名由其列族前缀和*限定符*组成。例如，列 contents:html 由列族contents和html限定符组成。冒号字符（:）从列族，限定符中分隔列族。

表 webtable：

行键 时间戳 ColumnFamily contents ColumnFamily anchor ColumnFamily people
“com.cnn.www” T9 anchor:cnnsi.com = "CNN"
"com.cnn.www" T8 anchor:my.look.ca = "CNN.com"
"com.cnn.www" T6 contents:html = "<html>…"
"com.cnn.www" T5 contents:html = "<html>…"
"com.cnn.www" T3 contents:html = "<html>…"
“com.example.www” t5 contents:html = "<html>…" people:author = "John Doe"

此表中看起来为空的单元格在 HBase 中不占用空间，或实际上不存在。这和关系型数据库有明显的区别，关系型数据库中无论存没有存数据，都会占用空间，这也是HBase“稀疏”的原因。

表格视图不是查看 HBase 中数据的唯一方法，甚至也不是最准确的方法。以下表示与多维映射相同的信息。这只是一个出于演示目的的模型，可能并不完全准确。

我们用Json格式来表示Hbase的结构，会更合适。

{
  "com.cnn.www": {
    contents: {
      t6: contents:html: "<html>..."
      t5: contents:html: "<html>..."
      t3: contents:html: "<html>..."
    }
    anchor: {
      t9: anchor:cnnsi.com = "CNN"
      t8: anchor:my.look.ca = "CNN.com"
    }
    people: {}
  }
  "com.example.www": {
    contents: {
      t5: contents:html: "<html>..."
    }
    anchor: {}
    people: {
      t5: people:author: "John Doe"
    }
  }
}

用json来表示是Hbase更为准备，它就像一个Key-Value映射，将Hbase理解为字典表会更合适。

Hbase物理视图（存储结构）

虽然在概念级别，表可以看作一组稀疏的行，但在物理意义上它们是按照列族存储的。可以随时将新的列限定符（column_family:column_qualifier）添加到现有列族中。

ColumnFamily webtable ：

Row Key Time Stamp 列族anchor
"com.cnn.www" t9 anchor:cnnsi.com = "CNN"
"com.cnn.www" t8 anchor:my.look.ca = "CNN.com"

ColumnFamily contents

Row Key Time Stamp ColumnFamily contents:
"com.cnn.www" t6 contents:html = "…​"
"com.cnn.www" t5 contents:html = "…​"
"com.cnn.www" t3 contents:html = "…​"

逻辑视图中显示的空单元格不占据物理存储空间。因此，对时间戳t8处对contents:html列的值的请求将不返回任何值，因为它没有被存储。

类似地，在时间戳t9处对anchor:my.look.ca值的请求将不返回任何值。但是，如果未提供时间戳，则将返回特定列的 最新值。给定多个版本，最新版本也是第一个版本， 因为时间戳按降序存储。

因此，如果没有指定时间戳，则对行com.cnn.www中所有列的值的请求将是：来自时间戳t6的contents:html的值，来自时间戳t9的anchor:cnnsi.com的值，来自时间戳t8的anchor:my.look.ca。理解本段的意思非常重要，每一个列中的值都是取版本最新的值。