大数据面试题(六)—-HBASE 面试题

大家好，又见面了，我是你们的朋友全栈君。

版权声明：本文为CSDN博主「北京小辉」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/silentwolfyh/article/details/103864901
———————————————————————————————————

“无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点这里可以跳转到教程。”。

大数据面试宝典目录,请点击

目录

1. HBase 的特点是什么？

2. HBase 和Hive 的区别？

3. 描述HBase 的rowKey 的设计原则？

4. 描述HBase 中scan 和get 的功能以及实现的异同？

5. Apache HBase region 拆分

1. HBase 的特点是什么？

1） 大：一个表可以有数十亿行，上百万列；
2） 无模式：每行都有一个可排序的主键和任意多的列，列可以根据需要动态的增加，同一张表中不
同的行可以有截然不同的列；
3） 面向列：面向列（族）的存储和权限控制，列（族）独立检索；
4） 稀疏：空（null）列并不占用存储空间，表可以设计的非常稀疏；
5） 数据多版本：每个单元中的数据可以有多个版本，默认情况下版本号自动分配，是单元格插入时
的时间戳；
6） 数据类型单一：Hbase 中的数据都是字符串，没有类型。

2. HBase 和Hive 的区别？

1）两者是什么？
       Apache Hive 是一个构建在Hadoop 基础设施之上的数据仓库。通过Hive 可以使用HQL
       语言查询存放在HDFS 上的数据。HQL 是一种类SQL 语言， 这种语言最终被转化为Map/Reduce. 虽然Hive 提供了SQL 查询功能，但是Hive 不能够进行交互查询–因为它只能够在Haoop 上批量的执行Hadoop。
       Apache HBase 是一种Key/Value 系统，它运行在HDFS 之上。和Hive 不一样，Hbase 的能够在它的数据库上实时运行，而不是运行MapReduce 任务。Hbase 被分区为表格，表格又被进一步分割为列簇。列簇必须使用schema 定义，列簇将某一类型列集合起来（列不要求schema 定义）。例如，“message”列簇可能包含：“to”, ”from” “date”, “subject”,和”body”. 每一个key/value 对在Hbase 中被定义为一个cell，每一个key 由row-key，列簇、列和时间戳。在Hbase 中，行是key/value 映射的集合，这个映射通过row-key 来唯一标识。Hbase 利用Hadoop 的基础设施，可以利用通用的设备进行水平的扩展。
2）两者的特点
       Hive 帮助熟悉SQL 的人运行MapReduce 任务。因为它是JDBC 兼容的，同时，它也能够和现存的SQL 工具整合在一起。运行Hive 查询会花费很长时间，因为它会默认遍历表中所有的数据。虽然有这样的缺点，一次遍历的数据量可以通过Hive 的分区机制来控制。分区允许在数据集上运行过滤查询，这些数据集存储在不同的文件夹内，查询的时候只遍历指定文件夹（分区）中的数据。这种机制可以用来，例如，只处理在某一个时间范围内的文件， 只要这些文件名中包括了时间格式。
       HBase 通过存储key/value 来工作。它支持四种主要的操作：增加或者更新行，查看一个范围内的cell，获取指定的行，删除指定的行、列或者是列的版本。版本信息用来获取历史数据（每一行的历史数据可以被删除，然后通过Hbase compactions 就可以释放出空间）。虽然HBase 包括表格，但是schema 仅仅被表格和列簇所要求，列不需要schema。Hbase 的表格包括增加/计数功能。
3）两者的限制
       Hive 目前不支持更新操作。另外，由于hive 在hadoop 上运行批量操作，它需要花费很长的时间，通常是几分钟到几个小时才可以获取到查询的结果。Hive 必须提供预先定义好的schema 将
文件和目录映射到列，并且Hive 与ACID 不兼容。
       HBase 查询是通过特定的语言来编写的，这种语言需要重新学习。类SQL 的功能可以通过Apache Phonenix 实现，但这是以必须提供schema 为代价的。另外，Hbase 也并不是兼容所有的ACID 特性，虽然它支持某些特性。最后但不是最重要的–为了运行Hbase，Zookeeper 是必须的，zookeeper 是一个用来进行分布式协调的服务，这些服务包括配置服务，维护元信息和命名空间服务。
4）两者的应用场景
       Hive 适合用来对一段时间内的数据进行分析查询，例如，用来计算趋势或者网站的日志。
       Hive 不应该用来进行实时的查询。因为它需要很长时间才可以返回结果。
       Hbase 非常适合用来进行大数据的实时查询。Facebook 用Hbase 进行消息和实时的分析。它也可以用来统计Facebook 的连接数。
5）总结
       Hive 和Hbase 是两种基于Hadoop 的不同技术–Hive 是一种类SQL 的引擎，并且运行MapReduce 任务，Hbase 是一种在Hadoop 之上的NoSQL 的Key/vale 数据库。当然，这两种工具是可以同时使用的。就像用Google 来搜索，用FaceBook 进行社交一样，Hive 可以用来进行统计查询，HBase 可以用来进行实时查询，数据也可以从Hive 写到Hbase，设置再从Hbase写回Hive。

3. 描述HBase 的rowKey 的设计原则？

1） Rowkey 长度原则
       Rowkey 是一个二进制码流，Rowkey 的长度被很多开发者建议说设计在10~100 个字节，不过建议是越短越好，不要超过16 个字节。原因如下：

1） 大：一个表可以有数十亿行，上百万列；
2） 无模式：每行都有一个可排序的主键和任意多的列，列可以根据需要动态的增加，同一张表中不
同的行可以有截然不同的列；
3） 面向列：面向列（族）的存储和权限控制，列（族）独立检索；
4） 稀疏：空（null）列并不占用存储空间，表可以设计的非常稀疏；
5） 数据多版本：每个单元中的数据可以有多个版本，默认情况下版本号自动分配，是单元格插入时
的时间戳；
6） 数据类型单一：Hbase 中的数据都是字符串，没有类型。

2）Rowkey 散列原则
       如果Rowkey 是按时间戳的方式递增，不要将时间放在二进制码的前面，建议将Rowkey 的高位作为散列字段，由程序循环生成，低位放时间字段，这样将提高数据均衡分布在每个Regionserver 实现负载均衡的几率。如果没有散列字段，首字段直接是时间信息将产生所有新数据都在一个RegionServer上堆积的热点现象，这样在做数据检索的时候负载将会集中在个别RegionServer，降低查询效率。
3）Rowkey 唯一原则
       必须在设计上保证其唯一性。

4. 描述HBase 中scan 和get 的功能以及实现的异同？

HBase 的查询实现只提供两种方式：
1） 按指定RowKey 获取唯一一条记录，
get 方法（org.apache.hadoop.hbase.client.Get）
       Get 的方法处理分两种: 设置了ClosestRowBefore 和没有设置ClosestRowBefore 的rowlock。主要是用来保证行的事务性，即每个get 是以一个row 来标记的。一个row 中可以有很多family和column。
2） 按指定的条件获取一批记录，
scan 方法(org.apache.Hadoop.hbase.client.Scan）实现条件查询功能

使用的就是scan 方式。
（1）scan 可以通过setCaching 与setBatch 方法提高速度(以空间换时间)；
（2）scan 可以通过setStartRow 与setEndRow 来限定范围([start，end)start 是闭区间，end 是开区
间)。范围越小，性能越高。
（3）scan 可以通过setFilter 方法添加过滤器，这也是分页、多条件查询的基础。