Hbase Rowkey设计

      由于一直在作hbase的应用层面的开发，因此体会的比较深的一点是hbase的表结构设计会对系统的性能以及开销上形成很大的区别，本篇文章先按照hbase表中的rowkey、columnfamily、column、timestamp几个方面进行一些分析。最后结合分析如何设计一种适合应用的高效表结构。

      一、表的属性

      (1)最大版本数：一般是3，若是对于更新比较频繁的应用彻底能够设置为1，可以快速的淘汰无用数据，对于节省存储空间和提升查询速度有效果。不过这类需求在海量数据领域比较小众。

      (2)压缩算法：能够尝试一下最新出炉的snappy算法，相对lzo来讲，压缩率接近，压缩效率稍高，解压效率高不少。

      (3)inmemory：表在内存中存放，一直会被忽略的属性。若是彻底将数据存放在内存中，那么hbase和如今流行的内存数据库memorycached和redis性能差距有多少，尚待实测。

      (4)bloomfilter：根据应用来定，看须要精确到rowkey仍是column。不过这里须要理解一下原理，bloomfilter的做用是对一个region下查找记录所在的hfile有用。即若是一个region下的hfile数量不少，bloomfilter的做用越明显。适合那种compaction赶不上flush速度的应用。

      二、rowkey

2.1 排序问题

数字rowkey的从大到小排序：原生hbase只支持从小到大的排序，这样就对于排行榜一类的查询需求很尴尬。那么采用rowkey = Integer.MAX_VALUE-rowkey的方式将rowkey进行转换，最大的变最小，最小的变最大。在应用层再转回来便可完成排序需求。

2.2 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操做，能够将相关的行以及会被一块儿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（访问多是读，写或者其余操做）。大量访问会使热点region所在的单个机器超出自身承受能力，引发性能降低甚至region不可用，这也会影响同一个RegionServer上的其余region，因为主机没法服务其余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。

    为了不写热点，设计rowkey使得不一样行在同一个region，可是在更多数据状况下，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：

加盐
    这里所说的加盐不是密码学中的加盐，而是在rowkey的前面增长随机数，具体就是给rowkey分配一个随机前缀以使得它和以前的rowkey的开头不一样。分配的前缀种类数量应该和你想使用数据分散到不一样的region的数量一致。加盐以后的rowkey就会根据随机生成的前缀分散到各个region上，以免热点。

哈希
    哈希会使同一行永远用一个前缀加盐。哈希也可使负载分散到整个集群，可是读倒是能够预测的。使用肯定的哈希可让客户端重构完整的rowkey，可使用get操做准确获取某一个行数据

反转
    第三种防止热点的方法时反转固定长度或者数字格式的rowkey。这样可使得rowkey中常常改变的部分（最没有意义的部分）放在前面。这样能够有效的随机rowkey，可是牺牲了rowkey的有序性。

    反转rowkey的例子以手机号为rowkey，能够将手机号反转后的字符串做为rowkey，这样的就避免了以手机号那样比较固定开头致使热点问题

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，使用反转的时间戳做为rowkey的一部分对这个问题十分有用，能够用 Long.Max_Value - timestamp 追加到key的末尾，例如 [key][reverse_timestamp] , [key] 的最新值能够经过scan [key]得到[key]的第一条记录，由于HBase中rowkey是有序的，第一条记录是最后录入的数据。好比须要保存一个用户的操做记录，按照操做时间倒序排序，在设计rowkey的时候，能够这样设计[userId反转][Long.Max_Value - timestamp]，在查询用户的全部操做记录数据的时候，直接指定反转后的userId，startRow是[userId反转][000000000000],stopRow是[userId反转][Long.Max_Value - timestamp]若是须要查询某段时间的操做记录，startRow是[user反转][Long.Max_Value - 起始时间]，stopRow是[userId反转][Long.Max_Value - 结束时间] rowkey是hbase的key-value存储中的key，一般使用用户要查询的字段做为rowkey，查询结果做为value。能够经过设计知足几种不一样的查询需求。

      三、columnfamily

      columnfamily尽可能少，缘由是过多的columnfamily之间会互相影响。

      四、column

      对于column须要扩展的应用，column能够按普通的方式设计，可是对于列相对固定的应用，最好采用将一行记录封装到一个column中的方式，这样可以节省存储空间。封装的方式推荐protocolbuffer。

     

     如下会分场景介绍一些特殊的表结构设计方法，只是一些摸索，欢迎讨论：

      value数目过多场景下的表结构设计：

       目前我碰到了一种key-value的数据结构，某一个key下面包含的column不少，以至于客户端查询的时候oom，bulkload写入的时候oom，regionsplit的时候失败这三种后果。一般来说，hbase的column数目不要超过百万这个数量级。在官方的说明和我实际的测试中都验证了这一点。

       有两种思路能够参考，第一种是单独处理这些特殊的rowkey，第二种以下：

      能够考虑将column设计到rowkey的方法解决。例如原来的rowkey是uid1,，column是uid2，uid3...。从新设计以后rowkey为<uid1>~<uid2>，<uid1>~<uid3>...固然你们会有疑问，这种方式如何查询，若是要查询uid1下面的全部uid怎么办。这里说明一下hbase并非只有get一种随机读取的方法。而是含有scan(startkey,endkey)的扫描方法，而这种方法和get的效率至关。须要取得uid1下的记录只须要new Scan("uid1~","uid1~~")便可。

       这里的设计灵感来自于hadoop world大会上的一篇文章，这篇文章自己也很棒，推荐你们看一下http://www.cloudera.com/resource/hadoop-world-2011-presentation-slides-advanced-hbase-schema-design/

拓展阅读：

HBase 在淘宝的应用和优化  http://www.iteye.com/magazines/83