Hbase 优化

高可用

在HBase中Hmaster负责监控RegionServer的生命周期，均衡RegionServer的负载，如果Hmaster挂掉了，那么整个HBase集群将陷入不健康的状态，并且此时的工作状态并不会维持太久。所以HBase支持对Hmaster的高可用配置。
Hbase的高可用很简单，直接在别的节点上启动一个HMaster进程就可以了，没Namenode那么复杂
比如hadoop1,hadoop2,hadoop3这三台机器构成了一个Hbase集群，首先在hadoop1上用start-hbase.sh就可以直接启动三个RegionServer，另外还会在hadoop1上启动一个HMaster。为了高可用，直接在hadoop2或者hadoop3上用命令hbase-daemon.sh start master 再启动一个（或者hadoop2和hadoop3都启动）HMaster即可。
为了方便，可以直接在hadoop1的hbase安装目录配置文件下创建一个backup-masters（名字不能改变）文件，将要额外启动HMaster的节点写进去即可。这样以后直接在hadoop1上start-hbase.sh一键启动即可。

预分区

在之前文章region的split里面说过如果生产环境上不做表的预分区，那么很有可能会发生数据倾斜或者数据热点的问题，这样某一个region的负载就会很大，带来性能问题。所以，我们可以将数据所要投放的分区提前大致的规划好，以提高HBase性能。

生产环境下，需要和数据量（考虑生产环境下半年内或者一年内的数据量）、业务场景以及服务器规模去进行预分区。这里只是阐述一下几种常见的预分区手段：

手动设定预分区

这样一条命令会将表分成6个分区。

StartKey和EndKey称为分区键，数据需要根据rowkey判断需要进哪个分区。rowkey都是按照字典顺序排的。举例：rowkey为300的会进入slave7,rowkey为3001的会进入slave6。所以这样分也并不合理5000以后的都会进入最后一个分区，还需结合实际环境考虑（和rowkey的设计）。

生成16进制序列预分区

按照文件中设置的规则预分区

创建splits.txt文件内容如下：

aaaa
bbbb
cccc
dddd
ffff

使用JavaAPI创建预分区

//自定义算法，产生一系列Hash散列值存储在二维数组中
byte[][] splitKeys = 某个散列值函数
//创建HBaseAdmin实例
HBaseAdmin hAdmin = new HBaseAdmin(HBaseConfiguration.create());
//创建HTableDescriptor实例
HTableDescriptor tableDesc = new HTableDescriptor(tableName);
//通过HTableDescriptor实例和散列值二维数组创建带有预分区的HBase表
hAdmin.createTable(tableDesc, splitKeys);

需要注意的是：即使做了预分区，当数据达到一定大小的时候，系统默认还是会按照region的split来继续做切分。

Rowkey设计

设计rowkey的时候，一定要考虑预分区！

• 长度原则：
  Rowkey 是一个二进制码，Rowkey 的长度被很多开发者建议说设计在 10~100 个字节，不过建议是越短越好。

1. 数据的持久化文件 HFile 中是按照 KeyValue 存储的，如果 Rowkey 过长比如 100 个字节，1000 万列数据光 Rowkey 就要占用 100*1000 万=10 亿个字节，将近 1G 数据，这会极大影响 HFile 的存储效率。
2. 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会降低，系统将无法缓存更多的数据，这会降低检索效率。因此 Rowkey 的字节长度越短越好。

• 散列原则
  避免数据都在一个RegionServer 上堆积的热点现象，这样在做数据检索的时候负载将会集中在个别 RegionServer，降低查询效率。
  可以采用生成随机数、hash、散列值、字符串反转、拼接等。

• 唯一原则
  必须在设计上保证其唯一性。rowkey 是按照字典顺序排序存储的，因此，设计 rowkey的时候，要充分利用这个排序的特点，将经常读取的数据存储到一块，将最近可能会被访问的数据放到一块。

内存优化

HBase操作过程中需要大量的内存开销，毕竟Table是可以缓存在内存中的，一般会分配整个可用内存的70%给HBase的Java堆。但是不建议分配非常大的堆内存，因为GC过程持续太久会导致RegionServer处于长期不可用状态。另外，flush的时候有个RegionServer级别的参数，如果堆内存太大，堆内存 * 0.4的时候才会去flush，一次性flush的时长就会变长。也会导致hbase.regionserver.global.memstore.size和hbase.regionserver.global.memstore.size.lower.limit这两个参数的差值变的很大，高负载时，影响客户端操作。（以上两个参数详情见memstory的Flush时机）

基础优化

参数	解释
属性：dfs.support.append（位置：hdfs-site.xml、hbase-site.xml）	允许在HDFS的文件中追加内容：开启HDFS追加同步，可以优秀的配合HBase的数据同步和持久化。默认值为true。
属性：dfs.datanode.max.transfer.threads（位置：hdfs-site.xml）	优化DataNode允许的最大文件打开数：HBase一般都会同一时间操作大量的文件，根据集群的数量和规模以及数据动作，设置为4096或者更高。默认值：4096
属性：dfs.image.transfer.timeout（位置：hdfs-site.xml）	优化延迟高的数据操作的等待时间：如果对于某一次数据操作来讲，延迟非常高，socket需要等待更长的时间，建议把该值设置为更大的值（默认60000毫秒），以确保socket不会被timeout掉。
属性：mapreduce.map.output.compress，mapreduce.map.output.compress.codec（位置：mapred-site.xml）	优化数据的写入效率：开启这两个数据可以大大提高文件的写入效率，减少写入时间。第一个属性值修改为true，第二个属性值修改为：org.apache.hadoop.io.compress.GzipCodec或者其他压缩方式。
属性：hbase.regionserver.handler.count（位置：hbase-site.xml）	设置RPC监听数量：默认值为30，用于指定RPC监听的数量，可以根据客户端的请求数进行调整，读写请求较多时，增加此值。
属性：hbase.hregion.max.filesize（位置：hbase-site.xml）	优化StoreFile文件大小 ：默认值10737418240（10GB），如果需要运行HBase的MR任务，可以减小此值，因为一个region对应一个map任务，如果单个region过大，会导致map任务执行时间过长。该值的意思就是，如果StoreFileFile的大小达到这个数值，则这个region会被切分为两个StoreFileFile。
属性：hbase.client.write.buffer（位置：hbase-site.xml）	优化hbase客户端缓存：用于指定HBase客户端缓存，增大该值可以减少RPC调用次数，但是会消耗更多内存，反之则反之。一般我们需要设定一定的缓存大小，以达到减少RPC次数的目的。
属性：hbase.client.scanner.caching（位置：hbase-site.xml）	指定scan.next扫描HBase所获取的行数：用于指定scan.next方法获取的默认行数，值越大，消耗内存越大。
flush、compact、split机制	当MemStore达到阈值，将Memstore中的数据Flush进Storefile；compact机制则是把flush出来的小文件合并成大的Storefile文件。split则是当Region达到阈值，会把过大的Region一分为二。（详情见Hbase篇章flush、compact、split）