HBase Rowkey设计规范
HBase Rowkey设计规范
1.Rowkey是什么
- 可以理解为关系型数据库MySQL Oracle的主键,用于标识唯一的行。
- 完全是由用户指定的一串不重复的字符串。
- HBase中的数据永远是根据Rowkey的字典排序来排序的。
2.Rowkey的作用
- 读写数据时 通过 RowKey 找到 对应 的 Region，例如需要查找一条数据肯定需要知道他的RowKey ，写数据的时候也要根据RowKey 来写。
- MemStore中的数据按Rowkey字典顺序排序，写数据的时候会先将数据放到MemStore也就是内存，内存中的数据是按照Rowkey字典顺序排序的。
- HFile中的数据按RowKey字典顺序排序，内存中的数据最后也会持久化到磁盘中，磁盘的数据HFile也是按RowKey字典顺序排序。
3.RowKey对查询的影响
例：RowKey由uid+phone+name组成
1.可以很好的支持的场景
- uid=111 AND phone = 123 AND name = abc
- uid=111 AND phone = 123
- uid=111 AND phone = 12?
- uid=111
这种场景下我们都指定了uid部分,也就是RowKey的第一部分,第一种查询的RowKey是完整的格式,所以查询效率是最好的,后边的三个虽然没有指定完整RowKey,但是查询的支持度也还不错.
2.难支持的场景
- phone = 123 AND name = abc
- phone = 123
- name = abc
这种场景下并没有指定RowKey的第一部分uid,只通过phone跟name去做查询,也就是不指定先导部分,那么这种场景会导致HBase的查询的时候去进行全表扫描,降低了查询效率.
4.RowKey对Region划分影响
HBase表的数据是按照RowKey来分散到不同的Region,不合理的RowKey设计会导致热点问题,热点问题是大量的Client直接访问集群的一个或极少数个节点,而集群中的其他节点却处于相对空闲的状态,从而影响对HBase表的读写性能.
5.RowKey的设计技巧
1.Salting(加盐)
Salting的原理是将固定长度的随机数放在行键的起始处,具体就是给 rowkey 分配一个随机前缀 以使得它和之前排序不同。分配的前缀种类数量应该和你想使数据分散到不同的 region 的数量一致。 如果你有一些 热点 rowkey 反复出现在其他分布均匀的 rwokey 中，加盐是很有用的。
例:假如你有下列 rowkey，你表中每一个 region 对应字母表中每一个字母。 以 ‘a’ 开头是同一个region, 'b’开头的是同一个region。在表中，所有以 'f’开头的都在同一个 region， 它们的 rowkey 像下面这样：
foo0001 a-foo0001
foo0002 ===> b-foo0002
foo0003 c-foo0003
foo0004 d-foo0004
假如你需要将上面这个 region 分散到 4个 region。你可以用4个不同的盐：‘a’, ‘b’, ‘c’, ‘d’.在这个方案下，每一个字母前缀都会在不同的 region 中。加盐之后，就像上边的例子.
所以，你可以向4个不同的 region 写，理论上说，如果所有人都向同一个region 写的话，你将拥有之前4倍的吞吐量。
优缺点:由于前缀是随机生成的,因此想要按照字典顺序找到这些行,则需要做更多的工作,从这个角度上看,salting增加了写操作的吞吐量,却也增加了读操作的开销.
2.Hashing
Hashing 的原理是计算 RowKey 的 hash 值，然后取 hash 的部分字符串和原来的 RowKey 进行拼接。这里说的 hash 包含 MD5、sha1、sha256或sha512等算法,并不是仅限于Java的Hash值计算。
例:比如我们有如下的 RowKey：
foo0001 95f18cfoo0001
foo0002 ===> 6ccc20foo0002
foo0003 b61d00foo0003
foo0004 1a7475foo0004
我们使用 md5 计算这些 RowKey 的 hash 值，然后取前 6 位和原来的 RowKey 拼接得到新的 RowKey,如上
优缺点：可以一定程度打散整个数据集，但是不利于 Scan；比如我们使用 md5 算法，来计算Rowkey的md5值，然后截取前几位的字符串。
常见用法:subString(MD5(设备ID), 0, x) + 设备ID，其中x一般取5或6。
3.Reversing(反转)
Reversing 的原理是反转一段固定长度或者全部的键。
例:比如我们有以下 URL ，并作为 RowKey：
flink.iteblog.com moc.golbeti.knilf
www.iteblog.com ===> moc.golbeti.www
carbondata.iteblog.com moc.golbeti.atadnobrac
def.iteblog.com moc.golbeti.fed
这些 URL 其实属于同一个域名，但是由于前面不一样，导致数据不在一起存放。我们可以对其进行反转,如上,经过这个之后，前缀就相同了,这些 URL 的数据就可以放一起了。
优缺点:有效的打乱了行键,但是却牺牲了行排序的属性.
6.RowKey的长度
RowKey 可以是任意的字符串，最大长度64KB（因为 Rowlength 占2字节）。建议越短越好，原因如下：
- 数据的持久化文件HFile中是按照KeyValue存储的，如果rowkey过长，比如超过100字节，1000w行数据，光rowkey就要占用100*1000w=10亿个字节，将近1G数据，这样会极大影响HFile的存储效率；
- MemStore将缓存部分数据到内存，如果rowkey字段过长，内存的有效利用率就会降低，系统不能缓存更多的数据，这样会降低检索效率；
- 目前操作系统都是64位系统，内存8字节对齐，控制在16个字节，8字节的整数倍利用了操作系统的最佳特性。
7.设计案例剖析
1.交易类表 Rowkey 设计
- 查询某个卖家某段时间内的交易记录
sellerId + timestamp + orderId - 查询某个买家某段时间内的交易记录
buyerId + timestamp ＋orderId - 根据订单号查询
orderNo
如果某个商家卖了很多商品，按第一种方式,就有可能会有大量RowKey前缀相同的数据在相同的Region上,造成热点问题,可以如下设计 Rowkey 实现快速搜索 salt + sellerId + timestamp 其中，salt 是随机数。
我们在原来的结构之前进行了一步加盐salt操作,例如加上一个随机数,这样就可以把这些数据分散到不同的Region上去了.
可以支持的场景：
- 全表 Scan,因为进行了加盐操作,数据分散到了不同的Region上,Scan的时候就会去不同的Region上去Scan,这样就提升高并发,也就提升检索效率.
- 按照 sellerId 查询
- 按照 sellerId + timestamp 查询
2.金融风控 Rowkey 设计
查询某个用户的用户画像数据
prefix + uid
prefix + idcard
prefix + tele
其中前缀的生成 prefix = substr(md5(uid),0 ,x)， x 取 5-6。uid、idcard以及 tele 分别表示用户唯一标识符、身份证、手机号码。
3.车联网 Rowkey 设计
-
查询某辆车在某个时间范围的数据,例如发动机数据
carId + timestamp -
某批次的车太多，造成热点
prefix + carId + timestamp其中 prefix = substr(md5(uid),0 ,x)
4.倒序时间戳(时间倒排)
查询用户最新的操作记录或者查询用户某段时间的操作记录，RowKey 设计如下：
uid + Long.Max_Value - timestamp
支持的场景
-
查询用户最新的操作记录
Scan [uid] startRow [uid][00000000000] stopRow [uid][uid][Long.Max_Value - timestamp]这样就能查出比如说最近100条数据
-
查询用户某段时间的操作记录
Scan [uid] startRow [uid][Long.Max_Value - startTime] stopRow uid [uid][Long.Max_Value - endTime]
5.二级索引
例:有一张HBase表结构及数据如下
问:如何查找phone=13111111111的用户?
遇到这种需求的时候,HBase的设计肯定是满足不了的,这时候就要引入二级索引,将phone当做RowKey,uid/name当做列名构建二级索引.
如果不依赖第三方组建的话,可以自己编码实现二级索引,同时也可以通过Phoenix或者Solr创建二级索引.
SQL+OLTP ==> Phonenix
全文检索+二级索引 ==> Solr/ES