谈笑间学会-Hbase Rowkey设计

谈笑间学会-Hbase Rowkey设计

1、为什么Rowkey这么重要

1.1、Rowkey是什么

• 类似于MySQL、Oracle中的主键，用于标示唯一的行

• 完全是由用户指定的一串不重复的字符串；

• Hbase中的数据永远数据根据Rowkey的字典排序来排序的。

1.2、Rowkey的作用

• 读写数据通过Rowkey找到对应的Region；
• MemStore中的数据按RowKry字典顺序排序；
• HFile中的数据按Rowkey字典顺序排序

1.3、Rowkey对查询的影响

举个栗子—Rowkey ： uid+phone+name

• 很好支持的数据的检索

  • uid = 001 AND phone=12345678901 AND name = zhang
  • uid = 001 AND phone=123?
  • uid = 001

• 不太好支持的数据的检索

  • phone=12345678901 AND name = zhang
  • phone=12345678901
  • name = zhang

1.4、Rowkey对Region划分的影响

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的产生。

热点问题是大量的Client直接访问集群的一个或极少数节点，而集群中其他节点处于相对空闲状态。

2、Rowkey设计技巧

2.1、Rowkey的设计-Salting

• Salting的原理是将固定长度的随机数放在行键起始处

• 优缺点
  • 由于前缀随机生成，因而如果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，却也增大了读操作的开销。

2.2、Rowkey的设计 - 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
  

• 优缺点

  • 可以一定程度打散整个数据集，但是不利于scan操作；
    • 比如使用md5算法来计算Rowkey的md5值，然后截取前几位字符串，如下：
    • substring（MD5（设备ID），0，x）+ 设备ID，其中x一般取5或6

2.3、Rowkey的设计 - Reversing

• Reversing的原理是反转一段固定长度或者全部的键

• 优缺点
  • 有效打乱了行键，却牺牲了行排序的属性

2.4、Rowkey的长度

• Rowkey可以是任意的字符串，最大长度是64KB。建议越短越好，原因如下
  • 数据的持久化文件HFile是按照KeyValue存储的，如果rowkey过长，比如超过100字节，1000w行数据，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，系统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。

3、Rowkey设计案例剖析

3.1、交易类表Rowkey设计-1

• 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
  • buyId + timestamp + orderId
• 根据订单号查询
  • orderNo

3.2、交易类表Rowkey设计-1

• 如果某个商家卖了很多商品，怎么设计Rowkey实现快速搜索？
  • salt + sellerId + timestamp 其中，slat是随机数。
• 可与支持的场景：
  • 全表Scan
  • 按照sellerId查询
  • 按照sellerId + timestamp 查询

3.3、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prefix = substr（md5（uid），0，x）

3.4、车联网Rowkey设计

• 查询某辆车在某个时间范围的交易记录
  • carId + timestamp
• 某批次的车太多，造成热点
  • prefix + carId + timestamp

其中prefix = substr（md5（uid），0，x）

3.5、倒序时间戳

• 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
  • uid + Long.Max_Value - timestamp
• 查询用户最新的操作记录
  • Scan 【uid】 startRow 【uid】【000000000000】stopRow 【uid】【Long.Max_Value - timestamp】
• 查询用户某段时间的操作记录
  • Scan 【uid】 startRow 【uid】【Long.Max_Value - startTime】stopRow 【uid】【Long.Max_Value - endTime】

3.6、OpenTSDB的Rowkey设计-1

• OpenTSDB定义每个时间序列数据需要包含以下属性
  • 指标名称
  • 时间戳（毫秒或者秒精度）
  • 值
  • 一组标签

3.6、OpenTSDB的Rowkey设计-2

• OpenTSDB提供查询功能
  • 指定指标名称和时间范围，给定一个或多个标签名称和标签的值作为条件，查询所有的数据。
• a. proc.loadavg.1m (host=, pool=)(1436331600 <= timestamp < 1436335200)：
  • 查询13点到14点之间，所有机器所有pool上的虚拟文件系统负载；
• b. proc.loadavg.1m (host=host1, pool=*)(1436331600 <= timestamp < 1436335200)：
  • 查询13点到14点之间，host1机器所有pool上的虚拟文件系统负载；
• c. proc.loadavg.1m (host=host1, pool=0)(1436331600 <= timestamp < 1436335200)：
  • 查询13点到14点之间， host1机器pool=0的虚拟文件系统负载。

3.6、OpenTSDB的Rowkey设计-3

• OpenTSDB的Rowkey：slat + metric_uid + timetamp + tagk1 + tagv1 + [tankN + tagvN]

3.7、Hbase二级索引

• 为什么需要二级索引？
  

• 需求：如何查询phone = 1311111111 的用户呢？

  • 创建二级索引呗？何为二级索引呢？其实就是根据自己的数据过滤条件，创建中间表，索引值为主表Rowkey即可。
    

• SQL + OLTP + 二级索引 => Phoenix

• 全文检索 + 二级索引 => Solr / Es