Hbase高级应用：建表高级属性、行键设计、设计原则、热点问题

Hbase建表高级属性

1、BLOOMFILTER

默认是NONE 是否使用布隆过虑及使用何种方式 
布隆过滤可以每列族单独启用。 
使用 HColumnDescriptor.setBloomFilterType(NONE | ROW | ROWCOL) 对列族单独启用布隆。

• Default = ROW 对行进行布隆过滤。
• 对 ROW，行键的哈希在每次插入行时将被添加到布隆。
• 对 ROWCOL，行键 + 列族 + 列族修饰的哈希将在每次插入行时添加到布隆 
  使用方法: create ‘table’,{BLOOMFILTER =>’ROW’} 
  启用布隆过滤可以节省读磁盘过程，可以有助于降低读取延迟

2、VERSIONS

默认是1 这个参数的意思是数据保留1个 版本，如果认为我们的老版本数据对我们毫无价值不需要保留这么多，且更新频繁，那将此参数设为1 能节约2/3的空间。 
使用方法: create 'table',{VERSIONS=>'2'}

附：MIN_VERSIONS => ‘0’是说在compact操作执行之后，至少要保留的版本

3、COMPRESSION

默认值是NONE 即不使用压缩 
这个参数意思是该列族是否采用压缩，采用什么压缩算法 
使用方法: create 'table',{NAME=>'info',COMPRESSION=>'SNAPPY'} 
建议采用SNAPPY压缩算法 
HBase中，在Snappy发布之前（Google 2011年对外发布Snappy），采用的LZO算法，目标是达到尽可能快的压缩和解压速度，同时减少对CPU的消耗； 
在Snappy发布之后，建议采用Snappy算法（参考《HBase: The Definitive Guide》），具体可以根据实际情况对LZO和Snappy做过更详细的对比测试后再做选择。

Algorithm	remaining	Encoding	Decoding
GZIP	13.4%	21 MB/s	118 MB/s
LZO	20.5%	135 MB/s	410 MB/s
Zippy/Snappy	22.2%	172 MB/s	409 MB/s

如果建表之初没有压缩，后来想要加入压缩算法，可以通过alter修改schema

4、alter

使用方法： 
如 修改压缩算法

      disable 'table'
      alter 'table',{NAME=>'info',COMPRESSION=>'snappy'} 
      enable 'table'

但是需要执行major_compact 'table' 命令之后 才会做实际的操作。

5、TTL

默认是 2147483647 即:Integer.MAX_VALUE 值大概是68年 
这个参数是说明该列族数据的存活时间，单位是s 
这个参数可以根据具体的需求对数据设定存活时间，超过存过时间的数据将在表中不在显示，待下次major compact的时候再彻底删除数据. 
注意的是TTL设定之后 MIN_VERSIONS=>’0’ 这样设置之后，TTL时间戳过期后，将全部彻底删除该family下所有的数据，如果MIN_VERSIONS 不等于0那将保留最新的MIN_VERSIONS个版本的数据，其它的全部删除，比如MIN_VERSIONS=>’1’ 届时将保留一个最新版本的数据，其它版本的数据将不再保存。

6、describe ‘table’

这个命令查看了create table 的各项参数或者是默认值。

7、disable_all ‘toplist.*’

disable_all 支持正则表达式，并列出当前匹配的表的如下： 
toplist_a_total_1001 
toplist_a_total_1002 
toplist_a_total_1008 
toplist_a_total_1009 
toplist_a_total_1019 
toplist_a_total_1035 
… 
Disable the above 25 tables (y/n)? 并给出确认提示.

8、drop_all

这个命令和disable_all的使用方式是一样的

9、hbase 表预分区—-手动分区

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。 
命令方式:

create 't1', 'f1', {NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}

也可以使用api的方式:

bin/hbase org.apache.hadoop.hbase.util.RegionSplitter test_table HexStringSplit -c 15 -f info  

参数：

• test_table是表名
• HexStringSplit 是split 方式
• -c 是分15个region
• -f 是family

可在Web上查看结果，如图： 

这样就可以将表预先分为15个区，减少数据达到storefile 大小的时候自动分区的时间消耗，并且还有以一个优势，就是合理设计rowkey 能让各个region 的并发请求平均分配(趋于均匀) 使IO 效率达到最高，但是预分区需要将filesize 设置一个较大的值，hbase.hregion.max.filesize 这个值默认是10G 也就是说单个region 默认大小是10G, 
这个参数的默认值在0.90 到0.92到0.94.3各版本的变化：256M–1G–10G 
但是如果MapReduce Input类型为TableInputFormat 使用hbase作为输入的时候，就要注意了，每个region一个map，如果数据小于10G 那只会启用一个map 造成很大的资源浪费，这时候可以考虑适当调小该参数的值，或者采用预分配region的方式，并将检测如果达到这个值，再手动分配region。

 

行键设计

表结构设计

1、列族数量的设定

以用户信息为例，可以将必须的基本信息存放在一个列族，而一些附加的额外信息可以放在另一列族；

2、行键的设计

语音详单： 
13877889988-20150625 
13877889988-20150625 
13877889988-20150626 
13877889988-20150626 
—-将需要批量查询的数据尽可能连续存放 
CMS系统—多条件查询 
尽可能将查询条件关键词拼装到rowkey中，查询频率最高的条件尽量往前靠 
20150230-zhangsan-category… 
20150230-lisi-category… 
Category+20150230 20150230-zhangsan-category 
(每一个条件的值长度不同，可以通过做定长映射来提高效率)

 

Hbase的设计原则

HBase是三维有序存储的，通过rowkey（行键），column key（column family和qualifier）和TimeStamp（时间戳）这个三个维度可以对HBase中的数据进行快速定位。

HBase中rowkey可以唯一标识一行记录，有以下3种查询方式：

• 通过get方式，指定rowkey获取唯一一条记录
• 通过scan方式，设置startRow和stopRow参数进行范围匹配
• 全表扫描，即直接扫描整张表中所有行记录

1、rowkey长度原则

rowkey是一个二进制码流，可以是任意字符串，最大长度64kb，实际应用中一般为10-100bytes，以byte[]形式保存，一般设计成定长。 
建议越短越好，不要超过16个字节，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。

2、rowkey散列原则

如果rowkey按照时间戳的方式递增，不要将时间放在二进制码的前面，建议将rowkey的高位作为散列字段，由程序随机生成，低位放时间字段，这样将提高数据均衡分布在每个RegionServer，以实现负载均衡的几率。如果没有散列字段，首字段直接是时间信息，所有的数据都会集中在一个RegionServer上，这样在数据检索的时候负载会集中在个别的RegionServer上，造成热点问题，会降低查询效率。

3、rowkey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。

 

热点问题

HBase中的行是按照rowkey的字典顺序排序的，这种设计优化了scan操作，可以将相关的行以及会被一起读取的行存取在临近位置，便于scan。然而糟糕的rowkey设计是热点的源头。

热点发生在大量的client直接访问集群的一个或极少数个节点（访问可能是读，写或者其他操作）。大量访问会使热点region所在的单个机器超出自身承受能力，引起性能下降甚至region不可用，这也会影响同一个RegionServer上的其他region，由于主机无法服务其他region的请求。

设计良好的数据访问模式以使集群被充分，均衡的利用。为了避免写热点，设计rowkey使得不同行在同一个region，但是在更多数据情况下，数据应该被写入集群的多个region，而不是一个。

下面是一些常见的避免热点的方法以及它们的优缺点

1、加盐

这里所说的加盐不是密码学中的加盐，而是在rowkey的前面增加随机数，具体就是给rowkey分配一个随机前缀以使得它和之前的rowkey的开头不同。分配的前缀种类数量应该和你想使用数据分散到不同的region的数量一致。加盐之后的rowkey就会根据随机生成的前缀分散到各个region上以避免热点。

2、哈希

哈希会使同一行永远用一个前缀加盐。哈希也可以使负载分散到整个集群，但是读却是可以预测的。使用确定的哈希可以让客户端重构完整的rowkey，可以使用get操作准确获取某一个行数据。

3、反转

第三种防止热点的方法是反转固定长度或者数字格式的rowkey。这样可以使得rowkey中经常改变的部分（最没有意义的部分）放在前面。这样可以有效的随机rowkey，但是牺牲了rowkey的有序性。

反转rowkey的例子以手机号为rowkey，可以将手机号反转后的字符串作为rowkey，这样的就避免了以手机号那样比较固定开头导致热点问题。

4、时间戳反转

一个常见的数据处理问题是快速获取数据的最近版本，使用反转的时间戳作为rowkey的一部分对这个问题十分有用，可以用 Long.Max_Value - timestamp 追加到key的末尾，例如 [key][reverse_timestamp] , [key] 的最新值可以通过scan [key]获得[key]的第一条记录，因为HBase中rowkey是有序的，第一条记录是最后录入的数据。

比如需要保存一个用户的操作记录，按照操作时间倒序排序，在设计rowkey的时候，可以这样设计： 
[userId反转][Long.Max_Value - timestamp]，在查询用户的所有操作记录数据的时候，直接指定反转后的userId，startRow是[userId反转][000000000000],stopRow是[userId反转][Long.Max_Value - timestamp]

如果需要查询某段时间的操作记录，startRow是[user反转][Long.Max_Value - 起始时间]，stopRow是[userId反转][Long.Max_Value - 结束时间]

注意： 
尽量减少行和列的大小在HBase中，value永远和它的key一起传输的。当具体的值在系统间传输时，它的rowkey，列名，时间戳也会一起传输。如果你的rowkey和列名很大，甚至可以和具体的值相比较，那么你将会遇到一些有趣的问题。HBase storefiles中的索引（有助于随机访问）最终占据了HBase分配的大量内存，因为具体的值和它的key很大。可以增加block大小使得storefiles索引再更大的时间间隔增加，或者修改表的模式以减小rowkey和列名的大小。压缩也有助于更大的索引。 
列族尽可能越短越好，最好是一个字符。 
冗长的属性名虽然可读性好，但是更短的属性名存储在HBase中会更好。