HBase数据模型概述

（1）数据模型概述。

HBase是一个稀疏、多维度、有序的映射表。这张表中每个单元是通过由行键、列族、列限定符和时间戳组成的索引来标识的。每个单元的值是一个未经解释的二进制数组byte[]，没有数据类型。当用户在表中存储数据时，每一行都有一个唯一的行键和任意多的列。表的每一行由一个或多个列族组成，一个列族中可以包含任意多个列。在同一个表模式下，每行所包含的列族是相同的，也就是说，列族的个数与名称都是相同的，但是每一行中的每个列族中列的个数可以不同，如表6-1所示。

表6-1　HBase数据模型示意

（2）数据模型的基本概念。

HBase中的数据被存储在表中，具有行和列，是一个多维的映射结构。

1）表（Table）。

表包括行和列，列划分为多个列族。

2）行（Row）。

每一行代表一个数据对象。由列族中的列组成。行键（Row Key）是行的唯一标识，行是按照行键顺序进行存储的。

访问表中的行只有3种方式：通过单个行键获取单行数据；通过一个行键的区间来访问给定区间的多行数据；全表扫描。

3）列族（Column Family）。

HBase表中所有的列都组织在列族中。修改列族会影响到HBase的物理存储结构，可以动态增删列族中的列限定符及其对应的值。

HBase中的列族是一些列的集合。一个列族的所有列成员都有着相同的前缀，例如，courses：history和courses：math都是列族courses的成员。“：”是列族的分隔符，用来区分前缀和列名。列族必须在表建立的时候声明，列随时可以新建。每个列族存储在HDFS上的一个单独文件中，空值不会被保存。

4）列限定符（Column Qualifier）。

列族中的数据通过列限定符来进行映射。列限定符不需要事先定义，也不需要在不同行之间保持一致。列限定符没有特定的数据类型，以二进制字节来存储。

5）列（Column）。(www.xing528.com)

列由列族（Column Family）和列限定符（Column Qualifier）联合标识，由“：”进行间隔，如family：qualifier。

6）单元（Cell）。

一个单元由行键、列族和列限定符一起标识，存储在单元里的数据称为单元数据，没有特定的数据类型，以二进制字节来存储。

7）时间戳（Timestamp）。

时间戳用来标识每个单元数据的版本。读取单元数据时，如果没有指定时间戳，则默认返回最新的数据；写入单元数据时，如果没有设置时间戳，则时间戳默认为当前的时间。

（3）概念视图（逻辑视图）。

在HBase的概念视图中，一张表可以视为一个稀疏、多维的映射关系，通过“行键+列族：列限足符+时间戳”的格式就可以定位特定单元的数据。因为HBase的表是稀疏的，因此某些列可以是空白的。

HBase的概念视图是一个存储网页信息的表的片段。行键是一个反向URL，例如：www.cnn.com反向成com.cnn.www。反向URL的优点是可以让来自同一个网站的数据内容都保存在相邻的位置，从而可以提高用户读取该网站的数据的速度。contents列族存储了网页的内容；anchor列族存储了引用这个网页的链接；mime列族存储了该网页的媒体类型。HBase的概念视图如表6-2所示。

表6-2　HBase的概念视图

从表6-2可以看出，com.cnn.www网站的概念视图中仅有一行数据，行的唯一标识为“com.cnn.www”，对这行数据的每一次逻辑修改都有一个时间戳关联对应。表中共有四列：contents：html、anchor：cnnsi.com、anchor：my.look.ca和mime：type，每一列以前缀的方式给出其所属的列族。网页的内容一共有3个版本，对应的时间戳分别为t3、t5和t6。网页被两个页面引用，分别是my.look.ca和cnnsi.com，被引用的时间分别是t8和t9。网页的媒体类型从t6开始为“text/html”。

要定位单元中的数据可以采用“三维坐标”来进行，也就是[行键，列族：列限定符，时间戳]。例如，在图6-8中，[“com.cnn.www”，anchor：cnnsi.com，t9]对应的单元格中的数据为“CNN”；[“com.cnn.www”，anchor：my.look.ca，t8]对应的单元中的数据为“CNN.com”；[“com.cnn.www”，mime：type，t6]对应的单元的数据为“text/html”。

（4）物理视图。

在物理存储层，HBase的采用基于列的存储方式存储表。如表6-3所示，HBase将表6-2的概念视图按照contents、anchor和mime 3个列族分别存放。每个列族的数据、行键和时间戳存储在一起。物理视图不存储概念视图中的空值。

表6-3　HBase的物理视图