微服务和高并发：随着传统开发逐渐转向微服务架构，面向"老百姓"的应用需要处理的并发量急剧增加。在这种高并发环境下，传统关系型数据库在增删改查操作上的速度往往跟不上项目的需求。

传统开发解决高并发的策略：

• ① 将数据库中的数据定期存储到Redis中，后端查询操作直接面向Redis来执行。
• ② 构建数据库的Redis的集群化。

引入HBase的原因：当Redis的存储能力不足或主从结构过于复杂导致效率下降，Hbase成为一个优秀的选择。HBase以其【快速的读写速度】和【高吞吐量】，能够有效且快速地处理大数据的增删改查操作。

HBase特点：

• ① 高吞吐量的读写操作

• 为什么HBase有快速的读写速度(高吞吐量)？
• 写操作：

• 内存写入：所有的写操作首先被写入到MemStore中，这一操作是在内存中完成的，高效。并且对于HBase而言，只要数据写入MemStore存储区就标志着写操作已经完成，无需等待落盘。
• 数据备份：在数据刷新到磁盘之前，所有的写操作都会被记录在Hlog，即使故障，也能够恢复数据。
• 并行写操作：HBase的每个列族对应一个MemStore，能够对不同列族的数据进行并行处理。
  

• 如何理解"无需暂停写入操作以等待数据落盘"的设计理念？

• MemStore提供了一种暂存数据的方式，直至数据被刷新到磁盘上的StoreFile中。
• 通过WAL机制保证MemStore在数据未落盘时发生故障也不会导致数据丢失。
• 保障数据一定能够落盘(即使数据丢失也可以通过HLog恢复数据)，此时可以认为操作已经完成。
• 因此写入的数据得到保障后，允许系统在高吞吐量的情况下继续接受和处理新的写请求。

• 读操作：

• 读操作可以直接从内存中的MemStore或者是缓存中的BlockCache获取数据
• 使用Bloom Filter检查所需的数据是否不在StoreFile中，如果数据不在那里，能够及时终止读操作，避免了不必要的磁盘访问。
• (为什么Bloom Filter能够实现快速检查的功能？BloomFilter的算法原理。)

• ② HBase天生支持集群部署，无需进行复杂的分表或者分库操作。简化了大规模数据处理的复杂性。
• ③ HBase是列式存储

• 列式存储和行式存储的理解

1. 定义

• 列式存储是指每一列的数据存储在一起。
• 行式存储是指每一行的数据存储在一起。

2. 列式存储的优势

• 高效的数据存储：当查询特定列的数据(字段)时，数据库可以直接访问这部分连续存储的数据。(相当于索引)
• 对于复杂的分析查询通常只关注数据集中的特定几列，列式存储能够只读取必要的列。
• 压缩与优化：同类型的数据便于压缩与优化。
• 减少冗余：如果存在某部分列数据缺失，则可以在列存储时不存储该部分的值。
  HBase 列族：列族是列的逻辑分组，同个列族的所有列存储在一起。

二、了解NoSQL的概念

NoSQL(Not Only SQL)：非关系型数据库

NoSQL 与 RDBMS 的区别：

• 数据模型

• 非关系型 VS 关系型

• 查询语言

• 不使用SQL，有独特指令。

• 可【伸缩性】和【可用性】问题

• 伸缩性

• 数据分裂【伸】和 分布式架构
• 文件合并【缩】

• 数据分裂

• 数据分裂是HBase中自动管理数据存储容量的一种机制。
• 当表初始创建时，可能只有一个Region。随着数据量的不断增加，一个HBase表的数据量可能会增长到超出单个Region的承载能力。
• 为了有效管理这种情况，HBase通过数据分裂自动地将表分割为N部分，每个Region包含一部分的数据。

• Region：

• HBase的基本存储单元，由一系列行组成，内部的数据是按照行键(row key)排序的。

• 自动分裂：

• Region大小达到的分裂阈值、RegionServer的数量都可以进行配置。(RegionServer的数量可以进行手动添加)
• 得到的新Region可以被分配到新的RegionServer上(保证负载均衡)
• 分裂的缺陷：分裂阶段处于阻塞状态，往里面写数据可能会导致数据丢失。
• 【优化：可以通过预分裂的方式确定数据规模大概需要分为多少个Region，并在相应的HRegionServer中提前建好Region，就无需做分裂了。能够大大提高写的效率】
• 分裂的过程是由HMaster主导，告诉该台HRegionServer应该迁移到哪一台不同的服务器上面。并且会在HMaster中存储元数据信息的表中记录某张HBase表的数据分别存储在哪几台RegionServer中的哪几个Region?

• 文件合并：

• min_compact：

• 合并较小的、最近生成的HFiles
• 不会丢弃任何删除标记的数据(即使数据被标记为删除，物理上仍然存在于合并过后的文件中)

• major_compact：

• 合并一个表中的所有HFiles
• 会彻底删除标记为删除的数据
• 通常是手动触发

• compact后的数据【实际存储】在HDFS上，小的HFile应该远小于128M
• 分布式架构

• HBase表：抽象概念，物理存储上被细分为多个Region。
• Region：数据存储和访问的基本单元。
• RegionServer：运行在集群中的服务器，负责管理和服务其上存储的一个或多个Region。
• HBase采用的是典型的Master/Slave架构。HBase Master负责管理表和Region的元数据信息，以及RegionServer的负载均衡。而RegionServers负责处理客户端的读写请求，并管理存储在其上的Regions。

• 可用性

• ZooKeeper实现了Client和HMaster之间的协调管理
• HLog(WAL：Write Ahead Log 当数据写入具体的磁盘之前，先将其写一份在日志文件上)

• HLog能够将死去的RegionServer"复活"，获取其原来的表数据。
• 当HRegionServer死的时候，则将HLog的数据迁移到另一台服务器上。
• 而数据迁移又依靠HMaster，因此HMaster也需要容灾机制，则出现了HMaster Backup和ZooKeeper进行协调管理。
• 如果ZooKeeper和HMaster之间心跳"断"了，则启用HMaster Backup.
• 事务性

• NoSQL 更加注重 性能、扩展性、灵活性，不像RDBMS一样强调原子性或一致性。
• 一致性问题
  

• 发生场景：通常发生在实时数仓。
• 批处理：规定记录数达到一定值才发送，可能导致时效性差（前后两条记录的时间间隔长）。
• 流处理：采用每隔一段时间（水位线）就进行数据发送的策略。面临的挑战是如何确保在时间范围内的数据都被纳入处理。

• 解决方案：允许一定的延迟（例如，计算3秒内的数据，但结果会在5秒内出来），这是为了等待那些符合时间范围但尚未被处理的数据。

• 流批一体：流处理和批处理结合的处理模式(Flink)
• 侧输出流：

• 为了保证最终一致性，对因延迟未能纳入批次的数据放入侧输出流中。
• 例如:如果在一个设定的时间窗口(如秒级窗口)内，某些数据未能被处理，这些数据就可以被放入侧输出流中。随后，可以在一个更长的时间窗口(如分钟窗口)内对这些数据进行处理。

• 实时数仓 VS 离线数仓

• 数据准确性：离线数仓高于实时数仓
• 时间范围：

• 实时数仓的时间范围：秒、分、时、天
• 离线数仓的时间范围：天、周、月、年

• 数据校准：

• 可以使用离线数仓的数据去校准实施数仓中同维度的数据（如天），以检测实时数仓的实时性。
• 这种校准通常使用大量模拟数据进行。

三、NoSQL、BI、大数据的关系

• BI：商务智能

• 它是一套完整的解决方案
• BI应用设计模型，模型依赖于模式
• BI主要支持标准SQL(RDB)
• 难在业务掌握和熟悉的能力

• NoSQL和大数据相关性较高，但是NoSQL!=大数据

• NoSQL主要帮助大数据解决数据存储问题

四、HBase概述

1. 定义

• 是一个面向列存储的NoSQL数据库
• 是一个分布式HashMap，底层数据是Key-Value格式
• 使用HDFS作为存储并利用其可靠性什么是【分布式HashMap】？
  HashMap的本质是用一个简单的值形式映射一个复杂的值形式。
  HBase通过一个RowKey提取该RowKey下多个列族下多个列的多个值。
  

2. 特点

• 数据访问速度快，响应时间约2~20ms。
• 实时数仓和离线数仓都会用到HBase：

• 实时数仓

• 响应速度快

• 离线数仓

• 宽表列存储

• 支持随机读写，每个节点20k~100k+ ops/s

• 哈希表也可以随机读写

• 可扩展性

• 对Hadoop，1个NameNode只能带1024(实际1009)台DataNode
• 但是HBase可以扩展到20000+节点

• 高并发

3. HBase的物理架构
   
   

这张图描述了HBase的物理架构,主要包括以下几个部分:

• Client: 客户端,用于与Zookeeper和HMaster进行交互。
• Zookeeper: 用于维护HBase集群的状态和元数据信息。(协调 管理)
• HMaster: HBase集群的主控制节点,负责监控集群状态和管理区域服务器(RegionServer)。
• HRegionServer: 区域服务器,负责存储和管理HBase数据。每个RegionServer管理着多个HRegion。
• HRegion: 表的水平分区,一个Region包含一个或多个MemStore和多个StoreFile。
• MemStore: 内存存储区,用于缓存新写入的数据。
• StoreFile: 持久化存储文件,用于存储从MemStore刷新的数据。
• HFile: StoreFile中的底层物理文件,实际存储数据。
• DFS Client: 与底层HDFS集群交互的客户端。
• HDFS: 底层的分布式文件系统,用于持久化存储HBase数据。

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数大数据工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）

的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！**

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
[外链图片转存中…(img-xnITAk6J-1712542833484)]