HBase企业应用开发实战

　　《HBase企业应用开发实战》强调HBase在企业的实际应用，立足于企业的实际生产环境，旨在帮助企业切实解决大数据技术如何落地的问题。三位作者都是奋战在中国大数据技术一线的实践派专家，本书是他们实践经验的结晶。　《HBase企业应用开发实战》内容在三个维度上具有重要特色：功能维度，从HBase的安装配置、参数设置，到数据模型、表结构设计、客户端使用、高级特性，本书做了系统且详尽的介绍；实战维度，不仅通过3个典型的应用案例详细讲解了如何使用HBase设计大型的数据应用系统，而且还结合实际生产系统讲解了HBase的集群运维、监控和性能调优；理论维度，则深入分析了HBase、框架设计、模式设计和基本原理。可谓是理论与实践完美结合，深度与广度兼备！

　　马延辉，资深Hadoop技术专家，对Hadoop生态系统相关技术有深刻的理解。曾就职于淘宝、Answers.com、暴风影音等知名互联网公司，从事Hadoop相关的技术工作，在企业级的大数据系统的研发、运维和管理方面积累了丰富的实战经验。开源HBase监控工具Ella作者。在国内Hadoop社区内非常活跃，经常在各种会议和沙龙上做技术分享，深受欢迎。现在专注于大数据技术在传统行业的落地，致力于大数据技术的普及和推广。　孟鑫，资深Hadoop技术专家，在软件行业从业近10年，对海量数据处理技术有着深刻的认识，曾负责Hadoop平台建设工作，在Hadoop开发和运维方面积累了大量的实战经验。于2013年获取了Cloudera的Hadoop Developer认证，多次到企业和社区去分享Hadoop、HBase等方面的技术知识和经验。对技术拥有极大的兴趣，热衷于研究各种新技术，总结和分享经验及教训，目前从事管理工作，但依然热衷于产品设计和实现。　李立松，资深Hadoop技术专家，Easyhadoop技术社区创始人之一，对HDFS、MapReduce、HBase、Hive等Hadoop生态系统中的技术有比较深入的研究，在Hadoop开发方面积累了丰富的经验。曾就职于暴风，负责暴风大数据平台开发与应用，暴风大数据项目负责人。现在就职于缔元信，担任Hadoop高级工程师，负责缔元信DMP平台的研发工作。

前　言 第一部分　基础篇 第1章　认识HBase 2 1.1　理解大数据背景 2 1.1.1　什么是大数据 3 1.1.2　为何大数据至关重要 4 1.1.3　NoSQL在大数据中扮演的角色 4 1.2　HBase是什么 6 1.2.1　HBase的发展历史 6 1.2.2　HBase的发行版本 7 1.2.3　HBase的特性 9 1.3　HBase与Hadoop的关系 10 1.4　HBase的核心功能模块 12 1.4.1　客户端Client 12 1.4.2　协调服务组件ZooKeeper 13 1.4.3　主节点HMaster 13 1.4.4　Region节点HRegionServer 13 1.5　HBase的使用场景和经典案例 14 1.5.1　搜索引擎应用 15 1.5.2　增量数据存储 15 1.5.3　用户内容服务 17 1.5.4　实时消息系统构建 18 1.6　本章小结 18 第2章　HBase安装与配置 19 2.1　先决条件 19 2.2　HBase运行模式 23 2.2.1　单机模式 23 2.2.2　分布式模式 24 2.3　HBase的Web UI 31 2.4　HBase Shell工具使用 31 2.5　停止HBase集群 33 2.6　本章小结 33 第3章　数据模型 34 3.1　两类数据模型 34 3.1.1　逻辑模型 35 3.1.2　物理模型 35 3.2　数据模型的重要概念 36 3.2.1　表 36 3.2.2　行键 37 3.2.3　列族 38 3.2.4　单元格 38 3.3　数据模型的操作 38 3.3.1　读Get 39 3.3.2　写Put 39 3.3.3　扫描Scan 39 3.3.4　删除Delete 40 3.4　数据模型的特殊属性 40 3.4.1　版本 40 3.4.2　排序 42 3.4.3　列的元数据 42 3.4.4　连接查询 43 3.4.5　计数器 43 3.4.6　原子操作 43 3.4.7　事务特性ACID 43 3.4.8　行锁 45 3.4.9　自动分区 45 3.5　CAP原理与最终一致性 46 3.6　本章小结 47 第4章　HBase表结构设计 48 4.1　模式创建 48 4.2　Rowkey设计 49 4.3　列族定义 51 4.3.1　可配置的数据块大小 51 4.3.2　数据块缓存 52 4.3.3　布隆过滤器 52 4.3.4　数据压缩 53 4.3.5　单元时间版本 53 4.3.6　生存时间 54 4.4　模式设计实例 54 4.4.1　实例1：动物分类 54 4.4.2　实例2：店铺与商品 56 4.4.3　实例3：网上商城用户消费记录 57 4.4.4　实例4：微博用户与粉丝 58 4.5　本章小结 60 第5章　HBase客户端 61 5.1　精通原生Java客户端 61 5.1.1　客户端配置 62 5.1.2　创建表 69 5.1.3　删除表 70 5.1.4　插入数据 70 5.1.5　查询数据 72 5.1.6　删除数据 76 5.1.7　过滤查询 77 5.2　使用HBase Shell工具操作HBase 79 5.2.1　命令分类 79 5.2.2　常规命令 80 5.2.3　DDL命令 81 5.2.4　DML命令 82 5.2.5　工具命令Tools 86 5.2.6　复制命令 87 5.2.7　安全命令 87 5.3　使用Thrift客户端访问HBase 88 5.3.1　Thrift与Thrift2区别 88 5.3.2　安装与部署Thrift2 89 5.3.3　Python使用案例 93 5.4　通过REST客户端访问HBase 95 5.4.1　启动服务 95 5.4.2　使用REST访问example表 96 5.5　使用MapReduce批量操作HBase 97 5.5.1　三种访问模式 98 5.5.2　实现MapReduce API 98 5.5.3　HBase作为输入源示例 99 5.5.4　HBase作为输出源示例 101 5.5.5　HBase作为共享源示例 103 5.6　通过Web UI工具查看HBase状态 106 5.6.1　Master状态界面 106 5.6.2　RegionServer状态界面 107 5.6.3　ZooKeeper统计信息页面 109 5.7　其他客户端 110 5.8　本章小结 110 第二部分　实战篇 第6章　整合SQL引擎层 114 6.1　NoSQL背景知识 114 6.1.1　什么是NoSQL 114 6.1.2　将SQL整合到HBase的原因 115 6.1.3　基于HBase的SQL引擎实现 116 6.2　Hive整合HBase的实现 119 6.2.1　认识Hive 119 6.2.2　Hive整合HBase的环境准备 122 6.2.3　Linux环境下重新编译Hive 123 6.2.4　Hive参数配置 125 6.2.5　启动Hive 127 6.2.6　Hive与HBase整合后的框架如何使用 127 6.2.7　HBase到Hive的字段映射 133 6.2.8　多列与Hive Map类型 134 6.3　查询引擎Phoenix 137 6.3.1　认识Phoenix 138 6.3.2　Phoenix安装环境准备 141 6.3.3　Phoenix安装部署 142 6.3.4　Phoenix源码编译 143 6.3.5　Phoenix中SQLLine的快速使用 149 6.3.6　使用JDBC访问Phoenix 153 6.4　对象映射框架Kundera 155 6.4.1　认识Kundera 155 6.4.2　Kundera的客户端API快速使用 158 6.4.3　Kundera模块介绍 161 6.4.4　Kundera的REST访问方式 162 6.5　分布式SQL引擎Lealone 165 6.5.1　认识Lealone 165 6.5.2　Lealone的安装部署 166 6.5.3　通过JDBC访问Lealone 168 6.5.4　通过Python访问Lealone 169 6.5.5　Lealone特有的建表语法 170 6.6　本章小结 171 第7章　构建音乐站用户属性库 173 7.1　案例背景 173 7.1.1　音乐站 173 7.1.2　需求概述 175 7.1.3　需求范围和系统边界 175 7.1.4　需求详述 176 7.1.5　名词解释 180 7.2　概要设计 181 7.2.1　设计目标 181 7.2.2　数据规模假设 181 7.2.3　功能指标 182 7.2.4　系统流程 182 7.3　表结构设计 183 7.3.1　功能抽象 183 7.3.2　逻辑结构 184 7.3.3　Rowkey设计 188 7.3.4　列族设计 188 7.3.5　版本定义 188 7.3.6　优化属性定义 188 7.4　数据加载 189 7.4.1　加载流程 189 7.4.2　Mapper类 190 7.4.3　Main类 192 7.4.4　运行 193 7.5　数据检索 193 7.5.1　HBaseTable 193 7.5.2　HBaseAdmin 193 7.5.3　几种检索类型 195 7.6　后台查询 198 7.6.1　二级索引实现 198 7.6.2　后台查询系统 205 7.7　本章小结 206 第8章　构建广告实时计算系统 208 8.1　理解广告数据和流处理框架 208 8.1.1　网络广告的几大特性 209 8.1.2　网络广告的数据类型 210 8.1.3　流处理框架 211 8.1.4　背景与需求描述 217 8.2　概要设计 218 8.2.1　设计目标 219 8.2.2　主要功能 219 8.2.3　系统架构 219 8.3　详细设计 221 8.3.1　表结构设计 221 8.3.2　功能模块设计 222 8.4　核心功能实现 223 8.4.1　规划集群环境部署 223 8.4.2　安装ZooKeeper集群 225 8.4.3　安装Kafka分布式集群 228 8.4.4　实现Kafka生产者 231 8.4.5　安装Storm分布式集群 233 8.4.6　查看集群节点部署情况 240 8.4.7　基于Storm-kafka中间件实现计算逻辑 240 8.4.8　如何使用HBase中统计数据 251 8.5　本章小结 252 第三部分　高级篇 第9章　核心概念 254 9.1　核心结构 254 9.1.1　B+树 255 9.1.2　LSM树 255 9.1.3　两种结构本质区别 257 9.2　底层持久化 258 9.2.1　存储基本架构 258 9.2.2　HDFS文件 259 9.2.3　Region切分 264 9.2.4　合并 265 9.2.5　HFile格式 266 9.2.6　KeyValue格式 269 9.3　预写日志 270 9.3.1　概要流程 270 9.3.2　相关Java类 271 9.3.3　日志回放 274 9.3.4　日志一致性 275 9.4　写入流程 276 9.4.1　客户端 276 9.4.2　服务器端 281 9.5　查询流程 286 9.5.1　两种查询操作 286 9.5.2　客户端 286 9.5.3　服务器端 287 9.6　数据备份 291 9.6.1　备份机制架构 292 9.6.2　故障恢复 292 9.7　数据压缩 294 9.7.1　支持的压缩算法 295 9.7.2　使用配置 295 9.8　本章小结 296 第10章　HBase高级特性 297 10.1　过滤器 297 10.1.1　过滤器的两类参数 297 10.1.2　比较器 298 10.1.3　列值过滤器 300 10.1.4　键值元数据过滤器 300 10.1.5　行键过滤器 303 10.1.6　功能过滤器 303 10.1.7　Thrift使用过滤器 304 10.1.8　过滤器总结 309 10.2　计数器 310 10.2.1　使用Shell操作计数器 310 10.2.2　基于单列的计数器 312 10.2.3　多列计数器 313 10.3　协处理器 314 10.3.1　认识协处理器 315 10.3.2　观察者Observer 316 10.3.3　终端EndPoint 318 10.3.4　协处理器部署 320 10.4　Schema设计要点 323 10.4.1　行键设计 323 10.4.2　列族设计 325 10.5　二级索引 325 10.5.1　Client-managed方式 326 10.5.2　ITHBase实现 326 10.5.3　IHBase实现 329 10.5.4　Coprocessor方式 329 10.5.5　MapReduce两种方式 330 10.6　布隆过滤器 330 10.6.1　基本概念 331 10.6.2　配置布隆过滤器 332 10.6.3　使用布隆过滤器 333 10.7　负载均衡 333 10.7.1　全局计划 334 10.7.2　随机分配计划 337 10.7.3　批量启动分配计划 337 10.7.4　通过Shell控制负载均衡 338 10.8　批量加载 338 10.8.1　准备数据：importtsv 338 10.8.2　加载数据：completebulkload 340 10.9　本章小结 340 第11章　集群运维管理 341 11.1　HBase常用工具 341 11.1.1　文件检测修复工具hbck 342 11.1.2　文件查看工具hfile 346 11.1.3　WAL日志查看工具hlog 348 11.1.4　压缩测试工具CompressionTest 349 11.1.5　数据迁移工具CopyTable 350 11.1.6　导出工具export 351 11.1.7　导入工具Import 351 11.1.8　日志回放工具WALPlayer 351 11.1.9　行数统计工具RowCounter 352 11.2　Region和RegionServer管理 353 11.2.1　大合并工具major_compact 353 11.2.2　Region合并工具Merge 354 11.2.3　下线节点 354 11.2.4　滚动重启 355 11.3　性能指标Metrics 356 11.3.1　Master Metrics 357 11.3.2　RegionServer Metrics 357 11.3.3　RPC Metrics 358 11.3.4　JVM Metrics 359 11.3.5　集群属性Metrics 360 11.4　监控系统Ganglia 360 11.4.1　HBase监控指标 360 11.4.2　安装、部署和使用Ganglia 361 11.5　HBase管理扩展JMX 366 11.5.1　如何使用JMX 366 11.5.2　基于JMX的监控工具Ella 368 11.6　报警工具Nagios 371 11.7　故障处理 376 11.7.1　问题咨询渠道 377 11.7.2　常用日志信息 377 11.7.3　常用故障调试工具 379 11.7.4　客户端故障排查 384 11.7.5　MapReduce故障排查 386 11.7.6　网络故障排查 387 11.7.7　RegionServer相关问题解决 387 11.7.8　Master相关问题解决 391 11.7.9　ZooKeeper相关问题解决 392 11.8　集群备份 392 11.8.1　冷备份 393 11.8.2　热备份之Replication 393 11.8.3　热备份之CopyTable 393 11.8.4　热备份之Export 393 11.9　本章小结 393