设计表的优化

1. Pre-Creating

Regions（预分区） 默认情况下，在创建 HBase 表的时候会自动创建一个 region 分区，当导入数据的时 候，所有的 HBase 客户端都向这一个 region 写数据，直到这个 region 足够大了才进行切 分。一种可以加快批量写入速度的方法是通过预先创建一些空的 regions，这样当数据写入 HBase 时，会按照 region 分区情况，在集群内做数据的负载均衡。

2. rowkey 的设计

HBase 中 row key 用来检索表中的记录，支持以下三种方式：

通过单个 row key 访问：即按照某个 row key 键值进行 get 操作；

通过 row key 的 range 进行 scan：即通过设置 startRowKey 和 endRowKey，在这个 范围内进行扫描；

全表扫描：即直接扫描整张表中所有行记录。

在 HBase 中，row key 可以是任意字符串，最大长度 64KB，实际应用中一般为 10~100 bytes，存为 byte[]字节数组，一般设计成定长的。

row key 是按照字典序存储，因此，设计 row key 时，要充分利用这个排序特点，将经 常一起读取的数据存储到一块，将最近可能会被访问的数据放在一块。

举个例子：如果最近写入 HBase 表中的数据是最可能被访问的，可以考虑将时间戳作 为 row key 的一部分，由于是字典序排序，所以可以使用 Long.MAX_VALUE - timestamp 作 为 row key，这样能保证新写入的数据在读取时可以被快速命中。

Rowkey 规则：

1) 越小越好

2) Rowkey 的设计是要根据实际业务来

3) 散列性

a) 取反 001 002 ：100 200 取反后，rowkey 可能落在不同的 region 上

b) Hash rowkey 取 hash 值后，可能会均匀分布在不同的 region 上 散列的弊端：降低了范围查找的效率

3. Column Family

不要在一张表里定义太多的 column family。目前 Hbase 并不能很好的处理超过 2~3 个 column family 的表。因为某个 column family 在 flush 的时候，它邻近的 column family 也会 因关联效应被触发 flush，最终导致系统产生更多的 I/O.

4. In Memory

创建表的时候，可以通过 HColumnDescriptor.setInMemory(true)将表放到 RegionServer 的缓存中，保证在读取的时候被 cache 命中。

5. Max Version

创建表的时候，可以通过 HColumnDescriptor.setMaxVersions(int maxVersions)设置表中数据 的最大版本，如果只需要保存最新版本的数据，那么可以设置 setMaxVersions(1)。

6. Time To Live

创建表的时候，可以通过 HColumnDescriptor.setTimeToLive(int timeToLive)设置表中数 据的存储生命期，过期数据将自动被删除，例如如果只需要存储最近两天的数据，那么可 以设置 setTimeToLive(2 * 24 * 60 * 60)。

7. Compact & Split

在 HBase 中，数据在更新时首先写入 WAL 日志(HLog)和内存(MemStore)中， MemStore 中的数据是排序的，当 MemStore 累计到一定阈值时，就会创建一个新的 MemStore，并且将老的 MemStore 添加到 flush 队列，由单独的线程 flush 到磁盘上，成为 一个 StoreFile。于此同时，系统会在 zookeeper 中记录一个 redo point，表示这个时刻之前 的变更已经持久化了(minor compact)。

StoreFile 是只读的，一旦创建后就不可以再修改。因此 Hbase 的更新其实是不断追加 的操作。当一个 Store 中的 StoreFile 达到一定的阈值后，就会进行一次合并(majorcompact)，将对同一个 key 的修改合并到一起，形成一个大的 StoreFile，当 StoreFile 的大 小达到一定阈值后，又会对 StoreFile 进行分割(split)，等分为两个 StoreFile。

由于对表的更新是不断追加的，处理读请求时，需要访问 Store 中全部的 StoreFile 和 MemStore，将它们按照 row key 进行合并，由于 StoreFile 和 MemStore 都是经过排序的， 并且 StoreFile 带有内存中索引，通常合并过程还是比较快的。

实际应用中，可以考虑必要时手动进行 major compact，将同一个 row key 的修改进行 合并形成一个大的 StoreFile。同时，可以将 StoreFile 设置大些，减少 split 的发生。

hbase 为了防止小文件（被刷到磁盘的 menstore）过多，以保证保证查询效率，hbase 需要在必要的时候将这些小的 store file 合并成相对较大的 store file，这个过程就称之为 compaction。在 hbase 中，主要存在两种类型的 compaction：minor compaction 和 major compaction。

minor compaction 是较小、很少文件的合并。

major compaction 是将所有的 store file 合并成一个，触发 major compaction 的可能条 件有：major_compact 命令、majorCompact() API、region server 自动运行（相关参数： hbase.hregion.majoucompaction 默认为 24 小时、hbase.hregion.majorcompaction.jetter 默 认值为 0.2 ，作用是防止 region server 在同一时间进行 major compaction）。 hbase.hregion.majorcompaction.jetter 参数的作用是： 对参数 hbase.hregion.majoucompaction 规定的值起到浮动的作用，假如两个参数都为 默认值 24 和 0.2，那么 major compact 最终使用的数值为：19.2~28.8 这个范围。

关闭自动 major compaction，使用手动方式。

手动编程 major compaction：Timer 类（java），contab（shell）

minor compaction 的运行机制要复杂一些，它由一下几个参数共同决定：

hbase.hstore.compaction.min 默认值为 3，表示至少需要三个满足条件的 store file 时，minor compaction 才会启动

hbase.hstore.compaction.max 默认值为 10，表示一次 minor compaction 中最多选取 10 个 store file

hbase.hstore.compaction.min.size 表示文件大小小于该值的 store file 一定会加入到 minor compaction 的 store file 中

hbase.hstore.compaction.max.size 表示文件大小大于该值的 store file 一定会被 minor compaction 排除

hbase.hstore.compaction.ratio 将 store file 按照文件年龄排序（older to younger），minor compaction 总是从 older store file 开始选择

写表的优化

1. 多 HTable 并发写 创建多个 HTable 客户端用于写操作，提高写数据的吞吐量.

2. HTable 参数设置

Auto Flush

通过调用 HTable.setAutoFlush(false)方法可以将 HTable 写客户端的自动 flush 关闭，这 样可以批量写入数据到 HBase，而不是有一条 put 就执行一次更新，只有当 put 填满客户 端写缓存时，才实际向 HBase 服务端发起写请求。默认情况下 auto flush 是开启的。

Write Buffer

通过调用 HTable.setWriteBufferSize(writeBufferSize)方法可以设置 HTable 客户端的写 buffer 大小，如果新设置的 buffer 小于当前写 buffer 中的数据时，buffer 将会被 flush 到服 务端。其中，writeBufferSize 的单位是 byte 字节数，可以根据实际写入数据量的多少来设 置该值。

WAL Flag

在 HBae 中，客户端向集群中的 RegionServer 提交数据时（Put/Delete 操作），首先会 先写 WAL（Write Ahead Log）日志（即 HLog，一个 RegionServer 上的所有 Region 共享一个 HLog），只有当 WAL 日志写成功后，再接着写 MemStore，然后客户端被通知提交数据成 功；如果写 WAL 日志失败，客户端则被通知提交失败。这样做的好处是可以做到 RegionServer 宕机后的数据恢复。

因此，对于相对不太重要的数据，可以在 Put/Delete 操作时，通过调用 Put.setWriteToWAL(false)或 Delete.setWriteToWAL(false)函数，放弃写 WAL 日志，从而提高 数据写入的性能。

值得注意的是：谨慎选择关闭 WAL 日志，因为这样的话，一旦 RegionServer 宕机， Put/Delete 的数据将会无法根据 WAL 日志进行恢复。

3. 批量写

通过调用 HTable.put(Put)方法可以将一个指定的 row key 记录写入 HBase，同样 HBase 提供了另一个方法：通过调用 HTable.put(List)方法可以将指定的 row key 列表，批量 写入多行记录，这样做的好处是批量执行，只需要一次网络 I/O 开销，这对于对数据实时 性要求高，网络传输 RTT 高的情景下可能带来明显的性能提升。

4. 多线程并发写

在客户端开启多个 HTable 写线程，每个写线程负责一个 HTable 对象的 flush 操作，这 样结合定时 flush 和写 buffer（writeBufferSize），可以既保证在数据量小的时候，数据可以 在较短时间内被 flush（如 1 秒内），同时又保证在数据量大的时候，写 buffer 一满就及时 进行 flush。

读表的优化

1. 多个 HTable 并发读

创建多个 HTable 客户端用于读操作，提高读数据的吞吐量.

2. HTable

参数设置 Scanner Caching hbase.client.scanner.caching 配置项可以设置 HBase scanner 一次从服务端抓取的数据条 数，默认情况下一次一条。通过将其设置成一个合理的值，可以减少 scan 过程中 next()的 时间开销，代价是 scanner 需要通过客户端的内存来维持这些被 cache 的行记录。

有三个地方可以进行配置：

a) 在 HBase 的 conf 配置文件中进行配置；

b) 通过调用 HTable.setScannerCaching(int scannerCaching)进行配置；

c) 通过调用 Scan.setCaching(int caching)进行配置。

三者的优先级越来越高。

Scan Attribute Selection

scan 时指定需要的 Column Family，可以减少网络传输数据量，否则默认 scan 操作会 返回整行所有 Column Family 的数据。

Close ResultScanner

通过 scan 取完数据后，记得要关闭 ResultScanner，否则 RegionServer 可能会出现问题（对 应的 Server 资源无法释放）。

3. 批量读

通过调用 HTable.get(Get)方法可以根据一个指定的 row key 获取一行记录，同样 HBase 提供了另一个方法：通过调用 HTable.get(List)方法可以根据一个指定的 row key 列 表，批量获取多行记录，这样做的好处是批量执行，只需要一次网络 I/O 开销，这对于对 数据实时性要求高而且网络传输 RTT 高的情景下可能带来明显的性能提升。

4. 多线程并发读

在客户端开启多个 HTable 读线程，每个读线程负责通过 HTable 对象进行 get 操作。

5. 缓存查询结果

对于频繁查询 HBase 的应用场景，可以考虑在应用程序中做缓存，当有新的查询请求 时，首先在缓存中查找，如果存在则直接返回，不再查询 HBase；否则对 HBase 发起读请 求查询，然后在应用程序中将查询结果缓存起来。至于缓存的替换策略，可以考虑 LRU 等 常用的策略。

6. Blockcache

HBase 上 Regionserver 的内存分为两个部分，一部分作为 Memstore，主要用来写；另 外一部分作为 BlockCache，主要用于读。

写请求会先写入 Memstore，Regionserver 会给每个 region 提供一个 Memstore，当 Memstore 满 64MB 以后，会启动 flush 刷新到磁盘。当 Memstore 的总大小超过限制时 （heapsize * hbase.regionserver.global.memstore.upperLimit * 0.9），会强行启动 flush 进 程，从最大的 Memstore 开始 flush 直到低于限制。

读请求先到 Memstore 中查数据，查不到就到 BlockCache 中查，再查不到就会到磁盘 上读，并把读的结果放入 BlockCache。

由于 BlockCache 采用的是 LRU 策略，因此 BlockCache 达到上限(heapsize * hfile.block.cache.size * 0.85)后，会启动淘汰机制，淘汰掉最 老的一批数据。

一个 Regionserver 上有一个 BlockCache 和 N 个 Memstore，它们的大小之和不能大于 等于 heapsize * 0.8，否则 HBase 不能启动。默认 BlockCache 为 0.2，而 Memstore 为 0.4。 对于注重读响应时间的系统，可以将 BlockCache 设大些，比如设置 BlockCache=0.4， Memstore=0.39，以加大缓存的命中率。

HTable 和 HTablePool

HTable 和 HTablePool 都是 HBase 客户端 API 的一部分，可以使用它们对 HBase 表进行 CRUD 操作。下面结合在项目中的应用情况，对二者使用过程中的注意事项做一下概括总 结。

HTable HTable 是 HBase 客户端与 HBase 服务端通讯的 Java API 对象，客户端可以通过 HTable 对象与服务端进行 CRUD 操作（增删改查）。

HTable 使用时的一些注意事项：

1) 规避 HTable 对象的创建开销

因为客户端创建 HTable 对象后，需要进行一系列的操作：检查.META.表确认指定名称 的 HBase 表是否存在，表是否有效等等，整个时间开销比较重，可能会耗时几秒钟之长， 因此最好在程序启动时一次性创建完成需要的 HTable 对象，如果使用 Java API，一般来说 是在构造函数中进行创建，程序启动后直接重用。

2) HTable 对象不是线程安全的

HTable 对象对于客户端读写数据来说不是线程安全的，因此多线程时，要为每个线程 单独创建复用一个 HTable 对象，不同对象间不要共享 HTable 对象使用，特别是在客户端 auto flash 被置为 false 时，由于存在本地 write buffer，可能导致数据不一致。

3) HTable 对象之间共享 Configuration

HTable 对象共享 Configuration 对象，这样的好处在于：

共享 ZooKeeper 的连接：每个客户端需要与 ZooKeeper 建立连接，查询用户的 table regions 位置，这些信息可以在连接建立后缓存起来共享使用；

共享公共的资源：客户端需要通过 ZooKeeper 查找-ROOT-和.META.表，这个需要 网络传输开销，客户端缓存这些公共资源后能够减少后续的网络传输开销，加快查找过程 速度。

HTablePool

HTablePool 可以解决 HTable 存在的线程不安全问题，同时通过维护固定数量的 HTable 对象，能够在程序运行期间复用这些 HTable 资源对象。

1) HTablePool 可以自动创建 HTable 对象，而且对客户端来说使用上是完全透明的， 可以避免多线程间数据并发修改问题。

2) HTablePool 中的 HTable 对象之间是公用 Configuration 连接的，能够可以减少网络 开销。

HTablePool 的使用很简单：每次进行操作前，通过 HTablePool 的 getTable 方法取得一 个 HTable 对象，然后进行 put/get/scan/delete 等操作，最后通过 HTablePool 的 putTable 方 法将 HTable 对象放回到 HTablePool 中。

HBase 和关系型数据库的区别

1. 不能使用 column 之间过滤查询

2. 不支持全文索引。需要和 solr 整合完成全文搜索。

a) 使用 MR 批量读取 hbase 中的数据，在 solr 里面建立索引（no store）之保存 rowkey 的值。

b) 根据关键词从索引中搜索到 rowkey（分页）

c) 根据 rowkey 从 hbase 查询所有数据