Hbase中Rowkey设计对入库效率的影响

  Rowkey是Hbase每一行记录的唯一标识，在设计Rowkey时，不仅要考虑业务需求，也需要考虑Hbase本身的特性。如果Rowkey设计不合理，不仅不能充分发挥Hbase集群并行处理的优势，还会造成数据倾斜、Region热点等影响读写效率的问题。

  Rowkey设计原则
Rowkey设计一般遵循以下三个原则：
1、 唯一性原则
Rowkey在设计时必须保持唯一性，如果两条记录Rowkey相同，Hbase会存储为同一个Rowkey的不同版本。
2、 长度原则
Hbase数据的持久化文件Hfile是按照KeyValue存储的，如果Rowkey过长，在数据量大的时候，会占用很大的存储，极大的影响Hfile的存储效率。
3、 散列原则

建议Rowkey的高位作为散列字段，低位作为时间字段，这样Rowkey会比较均匀的分布到各个Region上，以实现负载均衡的几率。如果没有散列字段，大部分数据都会集中在某些Region上，而某些Region数据量小甚至没有分配到数据，造成热点问题，降低Hbase读写效率。

建表预分区原则
Hbase Region在大小达到一定阈值后（目前是10G），就会Splite(分裂)两个Region，而当一个Region的Hfile个数达到一定的阈值（目前为4个），就会对这些Hfile进行Compact(合并)。Splite和Compact都会比较消耗IO，所以要尽量减少Region分裂和合并的次数。这就需要对数据的大小进行评估，建表时预先分区。如果不预分区，默认就只有一个分区，在导入数据时就只会起一个Reduce任务处理，而且Region达到阈值大小后会不断分裂，非常影响入库效率。所以需要合理估算分区数，过小会导致Region不断分裂，过大又会增加MasterServer管理的压力。计算分区数原则如下：
N = TotalSize/hbase.hregion.max.filesize(目前是10G)
例如目前http接口信令数据一天的大小约为6.5T，那么分区数为：6.5*1024/10=665.6，因为建表时一般会指定压缩方式，入库后的数据会变小，故分区数设置为600就足够了。DNS接口每天大小约2T，分区数为：2*1024/10=204.8，分区数设置为了200就可以了。

建议Hbase按以下方式来建表： 

create 'ns_boco:test ', {METADATA => {'SPLIT_POLICY' => 'org.apache.hadoop.hbase.regionserver.ConstantSizeRegionSplitPolicy'}},{NAME => 'info', COMPRESSION => 'SNAPPY' },{NUMREGIONS => 600, SPLITALGO => 'HexStringSplit'}

该建表语句指定了表ns_boco:test Region split策略为按固定大小分裂(ConstantSizeRegionSplitPolicy),压缩方式采用SNAPPY，表预分600（需按业务实际情况估算）个Region，列族为info

下面测试Rowkey在有散列字段和无散列字段对HDFS文件入库Hbase效率的影响。

1、 使用bulkload方式把HDFS的文件导入Hbase，大小均为340.7G。建表均采用预分40个Region。

create 'ns_boco:import_test1', {METADATA => {'SPLIT_POLICY' => 'org.apache.hadoop.hbase.regionserver.ConstantSizeRegionSplitPolicy'}},{NAME => 'info', COMPRESSION => 'SNAPPY' },{NUMREGIONS => 40, SPLITALGO => 'HexStringSplit'}
create 'ns_boco:import_test2', {METADATA => {'SPLIT_POLICY' => 'org.apache.hadoop.hbase.regionserver.ConstantSizeRegionSplitPolicy'}},{NAME => 'info', COMPRESSION => 'SNAPPY' },{NUMREGIONS => 40, SPLITALGO => 'HexStringSplit'}

2、 import_test2 Rowkey设计为MD5(MSISDN)取前4位+MSISDN+时间，高位使用MD5得到散列字段。如41c11877721065620170801142654645。

入库时间：09:23:35–08:51:53≈31分钟。

可以发现入库后各Region的数据量分布比较均衡，每个Region约分配到了7.5G的数据。

3、 import_test1 RowkeyRowkey设计为MSISDN（8-11位）+MSISDN+时间，高位直接取手机号码8-11位，没做散列处理，如06561877721065620170801142654645。

入库时间：10:20:12-09:25:54≈54分钟。
入库后各Region的数据量分布不均衡，40个Region中有19个（大小为63字节的目录）没有分配到数据，有些Region分配到的数据又比较大，大于20G。

由此可见，Rowkey设计时对高位进行散列处理，不仅能提高读写效率，还能让数据均衡的分布到各个Regions上，实现负载均衡