前言
最近在了解HBase，作为一个HBase小白，迫切的想对HBase有一个较为直观的认识，但大部分文章切入的角度喜欢和RDMS做比较，看下来千篇一律，没有清晰形象的解释清楚HBase的基本数据模型。HBase官方手册中推荐了两篇博客，个人认为写的醍醐灌顶，比较适合我这种愚钝的人，决定用蹩脚英文稍加翻译记录，方便下次快速回忆。
开篇
学习Hbase（谷歌BigTable的开源实现）最困难的部分是HBase它实际是个什么。
非常不幸的是，Hbase和BigTable这两个伟大的系统在名称中都包含table和base这两个词，这往往导致和RDBMS（例如我自己）产生混淆。
这篇文章旨在从概念角度描述这些分布式数据存储系统。相信在你读完后会对何时使用HBase和传统数据库有更明智的决定。
数据解释
幸运的是Google’s BigTable Paper清晰的解释了BigTable是什么。这是“数据模型”一节的第一段话：BigTable是一个稀疏，分布，持久化，多维度有序map。
注意： 请牢记这个定义。
BigTable白皮书对这句话这么解释：这个map使用row key，column key和一个时间戳来做索引，map中每个值都是一个无意义的字节数组。
按照这些原则，Hadoop百科的HBase Architecture白皮书中这么描述：HBase使用的数据模型和BigTable非常相似。用户将数据行存储在带标签的表中。一个数据行有一个有序的key和一个任意数量的column。这个表存储是稀疏的，如果用户愿意，同一个表中行可以有疯狂变化的column。
尽管这些看起来很神秘，但当你一次理解一个关键词就会很有感觉了。我将以以下顺序来讨论他们：map，持久化（persistent），分布式（distributed），有序的（sorted），多维的（multidimensional），和稀疏的（sparse）。
map
HBase/BigTable的核心是map。基于不同的编程语言，您可能更熟悉相关术语PHP的array，Python的dictionary，Ruby的Hash或者JavaScript的Object。
从维基百科的文章中我们知道，一个map就是“一个抽象的数据类型，由一组key和一组value组成，其中每个key关联一个value。”。使用JavaScript Object Notetion来表示一个简单的map结构如下：1
2
3
4
5
6
7{
"zzzzz" : "woot",
"xyz" : "hello",
"aaaab" : "world",
"1" : "x",
"aaaaa" : "y"
}
persistent
持久化意味着在你把数据放到这个特殊的map后，他们将持久存在。这个和其他任何持久化存储没有区别，比如：文件系统上的文件。
distributed
HBase和BigTable都建立在分布式的文件系统之上，，因此基础文件存储可以分布在一系列独立的计算机中。
Hbase底层存储可以是Hadoop的分布式文件系统（HDFS）或Amazon的简单存储服务（S3），而BigTable底层是Google文件系统（GFS）。
数据在多个参与节点上的复制方式，和RAID系统中对数据跨磁盘的传输类似。
这里我们不关心底层使用的是那种分布式系统的实现。重要的是理解他是分布式的，它提供了一种在集群失败时对数据的保护。
sorted
与大多数map的实现不同，在HBase/BigTable中，key/value对保持的严格的字母顺序。也就是说，row key “aaaa“的下一个row key 应该是“aaaab”，他们和“zzzzz”里的很远。
继续使用JSON的方式来表示，有序的map版本看起来像这个样子：
1 | { |
因为这些系统十分巨大，并且是分布式的，有序的特性就显得十分重要。key相似的行的空间临近性可以确保当你必须scan表时，你感兴趣的那些元素彼此之间间隔相近。
这是选择row key时很重要的一点。比如，决定一个表的key为域名。将域名反转（比如是“com.jinbojw.www”而不是“www.jinbojw.com”）是很有意义的，因为子域名和父域名的行会离的比较近。
继续域名的例子，域名行“mail.jinbojw.com”的下一行应该是“www.jinbojw.com”而不是“mail.xyz.com”，如果按照常规的域名顺序就会出现这种情况。
请注意，“sorted”（有序的）术语在HBase/BigTable中不是值“values”是有序的。除了键之外，没有其他任何自动索引，和普通的map实现一样。
multidimensional
以上讨论中我们没提到任何关于“column”（列）的概念，而使用常规的hash/map概念替代了“table”。这是故意的。“column”同“table”和“base”一样是另一个装载的词，它是我们多年RDBMS经验的感性认知。
我们可以通过一个简单的方式来看多维map—嵌套map。给我们的JSON例子增加一个维度：
1 | { |
如上面的例子，我们注意到现在我们map中的每一个key的value都是一个由“A”和“B”两个key组成的map。进一步，我们可以把顶级key/map对看作一个“row”。类比到BigTable/Hbase的命名中，“A”和“B”就被叫做“Column Families”（列族）。
一个table的column families在创建table时就被指定，一旦创建完成后面修改起来就十分困难或者不可能被修改。同样的，增加一个新的column families的代价也是很高的，所以在创建之前一定要考虑好。
幸运的是，一个column family可以有任意数量的column，一个column被叫做“qualifier”或者“label”。下面我们给JSON例子增加一个column qualifier维度：
1 | // ... |
我们注意到，“A”列族有两列：“foo”和“bar”，“B”列族只有一个限定符（qualifier）为空串（“”）的列。
当像HBase/BigTable请求数据时，我们必须提供全列名称“
尽管列族是静态的，但是他们的列不是。考虑这个扩展行：
1 | // ... |
在这个场景中，“zzzzz”行只有一列，“A:catch_phrase”。因为每行可以有任意数量不同的列，所以没有内置的方法来查询所有行中的所有列。想要得到这个信息，你必须进行全表的扫描。但是，你可以查询所有列族，因为他们基本是不可变的。
HBase/BigTable中最后一个维度是时间。所有数据都使用整数时间戳（自纪元以来的秒数）或您选择的另一个整数来进行版本控制。在写入数据时，可以通过客户端指定时间戳。
使用任意整数时间戳的来更新下示例：
1 | { |
每个列族都可以有自己的规则来决定一个cell（cell通过其row key/column进行标识）中保存多少个数据版本。大多数情况下，应用请求一个cell的数据并不会指定时间戳，通常，HBase/BigTable会返回最近的一个版本（时间戳最大的那个），因为他是按照降序的方式存储的。
如果应用请求时指定了一个时间戳，那么HBase将会返回时间戳相等的或者小于给定时间戳最大的cell。
使用我们假想的HBase表，通过row/column方式查询“aaaaa”/“A:foo”将会返回“y”，而通过row/column/timestamp方式查询“aaaaa”/“A:foo”/10将会返回“m”。查询“aaaaa”/“A:foo”/2将会返回null。
阅读注：关于时间戳的理解，可以看看另一篇文章来加深理解-->Bending time in HBase<--
sparse
最后一个关键词是sparce（稀疏的）。正如上面提到的，一个给定的行在每个列族中都可以有任意数量的列，或者压根没有。稀疏的另一种类型是行间隙，这意味着key之间可能存在间隙。
如果您思考HBase/BigTable同本文一样是基于map而不是类比RDBMS中的概念，那对稀疏将会有比较好的理解。
就这样吧
我希望这可以帮助你从概念上HBase的数据模型。
一如既往，我期待您的想法，评论和建议。
写在最后
以上是我对整个博文蹩脚的理解，其实对于稀疏的理解，个人认为还不是很直观，最好是结合HBase的物理视图来加以辅助，这样会更直观。
十分感谢Jim Wilson的这篇文章，让我比较清楚的了解HBase的基础概念。不恰当的类比害死人，希望初学者不要再拿HBase和关系型数据库做对比来入门了，那些文章简直看的是云里雾里，不知所云。
参考
翻译整理自：https://dzone.com/articles/understanding-hbase-and-bigtab