快速理解HBase和BigTable-创新互联
有关系行数据库经验的人（比如我），在最初接触HBase这样的数据库时，对数据结构的理解容易遇到障碍。会不自觉的将HBase的行、列等概念映射成关系型数据库的行、列。为了加速理解HBase的一些概念，翻译了这篇文章《Understanding HBase and BigTable》（HBase官方文档推荐阅读文章）。
学习Hbase（Google BigTable的开源实现）最困难的是理解它的实际概念。
很不幸的是，这两个伟大的系统在其概念中包含了table和base两个词，这往往会导致一些人（比如我） 把它们跟关系型数据库的东西搞混淆。
本文旨在从概念的角度描述这些分布式数据存储系统。阅读之后，你应该能够更好地判断，什么时候要使用Hbase，什么时候该更好地使用“传统”数据库。
一切都在术语中
幸运的是，Google的BigTable论文清楚地解释了BigTable究竟是什么。这是“数据模型”部分的第一句话：
注意：请牢记上边这句话的每一个词
BigTable论文继续说明
Hadoop wiki的HbaseArchitecture页面假设：
尽管所有这些看起来都相当神秘，但是一旦你将它分解为单词，它就变得容易明确了。我喜欢按照这个顺序讨论它们：map，持久化（persistent），分布式（distributed），有序（sorted），多维（multidimensional）和稀疏（sparse）。
我没有尝试一下子描绘完整的系统，而是发现在脑海中构建一个零碎的框架更容易理解HBase……
Map
Hbase / BigTable的核心是map，根据您的编程语言背景，您可能更熟悉这些术语，array (PHP), dictionary (Python), Hash (Ruby), or Object (JavaScript).
维基百科文章显示，Map是“由一组键和一组值组成的抽象数据类型，其中每个键与一个值相关联。”
用JSON来描述一个简单Map的示例，其中所有值都只是字符串：
持久化
持久化仅仅意味着在创建或访问数据的程序完成后，您放入此特殊Map的这些数据“会持久保存”。这在概念上与任何其他类型的持久存储（例如文件系统上的文件）没有什么不同。
有序
与大多数Map实现不同，在Hbase / BigTable中，键/值对按严格的字母顺序保存。也就是说，键“aaaaa”的行应该在具有键“aaaab”的行旁边，并且与具有键“zzzzz”的行相距很远。
继续我们的JSON示例，有序版本如下所示：
由于这些系统往往非常庞大且是分布式，因此这种有序的特性非常重要。具有相似键的行在空间上的邻近性确保了当您必须扫描表时，您最感兴趣的条目彼此接近。
选择行键的约定很重要。例如，考虑一个表，其键是域名。以反向表示法列出它们是最有意义的（所以“com.jimbojw.www”比“www.jimbojw.com”更好），这样子域的行（存储上）将靠近父域行。
值得注意的是，在Hbase / BigTable中，术语“有序”并不意味着“值（values）”已排序。除了键之外，没有任何自动索引，就像在普通Map实现中一样。
多维
到目前为止，我们还没有提到任何“列（columns）”的概念，将“表（table）”视为概念中的常规哈希/映射（map）。这是有意为之。 “列（column）”这个词是另一个加载的词，如“table”和“base”，它传承了多年关系型数据库经验的情感包袱。
相反，我发现（把HBase）看成一个多维Map更容易思考这个问题 - 如果你愿意的话，可以使用嵌套Map。在之前的JSON示例中添加一个维度：
在上面的例子中，您现在会注意到每个键都指向一个有两个键的Map：“A”和“B”。从此处开始，我们将顶层键/映射（key/map）称为“行”。此外，在BigTable / Hbase命名法中，“A”和“B”映射(mappings)将被称为“列族”。
创建表时会指定表的列族，以后很难或无法修改。添加新列族代价也很大，因此好的做法是从一开始就指定您需要的所有列族。
幸运的是，列族可以具有任意数量的列，由列“限定符(qualifier)”或“标签(label)”表示。以下是我们的JSON示例的子集，内置了列限定符维度（qualifier dimension）：
请注意，在显示的两行中，“A”列族有两列：“foo”和“bar”，“B”列族只有一列，其限定符为空字符串（“”）。
在向Hbase / BigTable询问数据时，必须以“
请注意，虽然列族是静态的，但列本身不是。考虑这个扩展的行：
在这种情况下，“zzzzz”行只有一列，“A：catch_phrase”。由于每行可能包含任意数量的不同列，因此没有内置方法可以查询所有行中所有列的数据（list）。要获取该信息，您必须进行全表扫描。但是，您可以查询所有列族的数据，因为它们是不可变的（或多或少）。
Hbase / BigTable中最后一个维度是时间。所有数据都使用整数时间戳（seconds since the epoch）或您选择的另一个整数进行版本控制。客户端可以在插入数据时指定时间戳。
看一下使用任意整数时间戳的示例：
每个列族可能有自己的规则，确定保留的给定单元格的版本数量（单元格由其rowkey / column键值对标识）在大多数情况下，应用程序将只询问给定单元格的数据，而不指定时间戳。在这种常见情况下，Hbase / BigTable将返回最新版本（具有最高时间戳的版本），因为它以时间逆序存储这些版本数据。
如果应用程序指定时间戳，Hbase将返回时间戳小于或等于所提供时间戳的单元数据。
使用我们想象中的Hbase表，查询“aaaaa”/“A：foo”的行/列（row/column）将返回“y”，同时查询“aaaaa”/“A：foo”/ 10的 行/列/时间戳 将返回“M”。查询“aaaaa”/“A：foo”/ 2的 行/列/时间戳 将返回空结果。
稀疏
最后一个关键字是稀疏。如前所述，给定行在每个列族中可以包含任意数量的列，或者根本不包含任何列。另一种类型的稀疏性是基于行的间隙（row-based gaps），这仅仅意味着键（key）之间可能存在间隙。
如果您已经按照本文的基于映射（map-based）的术语来思考Hbase / BigTable，而不是用关系型数据库中的相似概念去思考，那么本文的目的就达到了。
就这样（And that's about it）
好吧，我希望这有助于您从概念上理解Hbase数据模型的含义。
一如既往，我期待着您的想法，意见和建议。
当前标题：快速理解HBase和BigTable-创新互联
URL网址：http://6mz.cn/article/ghcsp.html