大数据开发HBase关系对比

　　今天给大家带来的是大数据开发-HBase关系对比，相信大家也都发现了，有很多框架的用处都差不多，为什么只用这个而不用那个呢？这就是两者之间的一些不同之处的对比，然后选择一个最适用的，本期就是关系对比，为什么它最适用！
　　一、HBase基础知识
　　（1）HBase依赖和NoSQL
　　HBase 依赖于 HDFS 做底层的数据存储，BigTable 依赖 Google GFS 做数据存储
　　HBase 依赖于 MapReduce 做数据计算，BigTable 依赖 Google MapReduce 做数据计算
　　HBase 依赖于 ZooKeeper 做服务协调，BigTable 依赖 Google Chubby 做服务协调
　　NoSQL = NO SQL
　　NoSQL = Not Only SQL：会有一些把 NoSQL 数据的原生查询语句封装成 SQL，比如 HBase 就有 Phoenix 工具关系型数据库 和 非关系型数据库的典型代表
　　NoSQL：hbase, redis, mongodb
　　RDBMS：mysql,oracle,sql server,db2
　　（2）NoSQL 数据库的要点：
　　1.它介于 NoSQL 和 RDBMS 之间，仅能通过主键(rowkey)和主键的 range 来检索数据
　　2. HBase 查询数据功能很简单，不支持 join 等复杂操作
　　3. 不支持复杂的事务，只支持行级事务(可通过 hive 支持来实现多表 join 等复杂操作)。
　　4. HBase 中支持的数据类型：byte[]（底层所有数据的存储都是字节数组）
　　5.主要用来存储结构化和半结构化的松散数据。
　　（3）结构化、半结构化和非结构化区别：
　　结构化：数据结构字段含义确定，清晰，典型的如数据库中的表结构
　　半结构化：具有一定结构，但语义不够确定，典型的如 HTML 网页，有些字段是确定的(title)， 有些不确定(table)
　　非结构化：杂乱无章的数据，很难按照一个概念去进行抽取，无规律性与 Hadoop 一样，HBase 目标主要依靠横向扩展，通过不断增加廉价的商用服务器，来增加 计算和存储能力。
　　二、HBase与Hadoop的关系
　　（1）HDFS
　　1.为分布式存储提供文件系统
　　2.针对存储大尺寸的文件进行优化，不需要对HDFS上的文件进行随机读写
　　3.直接使用文件
　　4.数据模型不灵活
　　5.使用文件系统和处理框架
　　6.优化一次写入，多次读取的方式
　　（2）HBase
　　1.提供表状的面向列的数据存储
　　2.针对表状数据的随机读写进行优化
　　3.使用key-value操作数据
　　4.提供灵活的数据模型
　　5.使用表状存储，支持MapReduce，依赖HDFS
　　6.优化了多次读，以及多次写
　　三、RDBMS与HBase的对比
　　关系型数据库
　　（1）结构：
　　1.数据库以表的形式存在
　　2.支持FAT、NTFS、EXT、文件系统
　　3.使用Commit log存储日志
　　4.参考系统是坐标系统
　　5.使用主键（PK）
　　6.支持分区
　　7.使用行、列、单元格
　　（2）功能：
　　1.支持向上扩展
　　2.使用SQL查询
　　3.面向行，即每一行都是一个连续单元
　　4.数据总量依赖于服务器配置
　　5.具有ACID支持
　　6.适合结构化数据
　　7.传统关系型数据库一般都是中心化的
　　8.支持事务
　　9.支持Join
　　HBase
　　（1）结构：
　　1.数据库以region的形式存在
　　2.支持HDFS文件系统
　　3.使用WAL（Write-Ahead Logs）存储日志
　　4.参考系统是Zookeeper
　　5.使用行键（row key）
　　6.支持分片
　　7.使用行、列、列族和单元格
　　（2）功能：
　　1.支持向外扩展
　　2.使用API和MapReduce来访问HBase表数据
　　3.面向列，即每一列都是一个连续的单元
　　4.数据总量不依赖具体某台机器，而取决于机器数量
　　5.HBase不支持ACID（Atomicity、Consistency、Isolation、Durability）
　　6.适合结构化数据和非结构化数据
　　7.一般都是分布式的
　　8.HBase不支持事务
　　9.不支持Join
　　好了以上就是本期的所有内容了，大数据开发的关系对比了解的清楚才能更好的选择适合自己的，知己知彼百战百胜。
　　希望大家点个关注，及时收取最新文章推送，想了解更多敬请咨询加米谷大数据。
　　有问题的欢迎在评论区留言，如有侵权请告知。