HBase优化
目录
1.HBase表的RowKey设计
1.1.RowKey的基本介绍
1.2.RowKey长度原则
1.3.RowKey散列原则
1.4.RowKey唯一原则
1.5.RowKey排序原则
2.HBase表的热点
2.1.什么是热点
2.2.热点的解决方案
3.HBase的二级索引
4.布隆过滤器在HBase中的应用
HBase数据模型与整体架构:https://blog.csdn.net/qq_42029989/article/details/126604310
HBase原理深入:HBase原理深入_李嘉图呀李嘉图的博客-CSDN博客
1.HBase表的RowKey设计
1.1.RowKey的基本介绍
ASCII码字典顺序。
012,0,123,234,3.
0,3,012,123,234
0,012,123,234,3
字典序的排序规则:先比较第一个字节,如果相同,然后比对第二个字节,以此类推,如果到第X个字节,其中一个已经超出了rowkey的长度,短rowkey排在前面。
1.2.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,设计过长会降低 memstore内存的利用率 和 HFile存储数据的效率。
1.3.RowKey散列原则
建议将rowkey的高位作为散列字段,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。
1.4.RowKey唯一原则
必须在设计上保证其唯一性,访问hbase table中的行有3种方式:
- 单个rowkey
- rowkey 的range
- 全表扫描(一定要避免全表扫描)
JAVA API 实现方式:
- org.apache.hadoop.hbase.client.Get
- scan方法: org.apache.hadoop.hbase.client.Scan
scan使用的时候注意:
- setStartRow,setEndRow 限定范围, 范围越小,性能越高。
1.5.RowKey排序原则
HBase的Rowkey是按照ASCII有序设计的,在设计Rowkey时要充分利用这点
2.HBase表的热点
2.1.什么是热点
检索hbse的记录首先要通过row key来定位数据行。当大量的client访问hbase集群的一个或少数几个节点,造成少数region server的读/写请求过多、负载过大,而其他region server负载却很
小,就造成了“热点”现象
2.2.热点的解决方案
预分区
预分区的目的让表的数据可以均衡的分散在集群中,而不是默认只有一个region分布在集群的一个节点上。
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
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。
反转
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。
3.HBase的二级索引
HBase表按照rowkey查询性能是最高的。rowkey就相当于hbase表的一级索引!!
为了HBase的数据查询更高效、适应更多的场景,诸如使用非rowkey字段检索也能做到秒级响应,或者支持各个字段进行模糊查询和多字段组合查询等, 因此需要在HBase上面构建二级索
引, 以满足现实中更复杂多样的业务需求。
hbase的二级索引其本质就是建立hbase表中列与行键之间的映射关系。
常见的二级索引我们一般可以借助各种其他的方式来实现,例如Phoenix或者solr或者ES等
4.布隆过滤器在HBase中的应用
布隆过滤器应用
hbase的读操作需要访问大量的文件,大部分的实现通过布隆过滤器来避免大量的读文件操作。
布隆过滤器的原理
通常判断某个元素是否存在用的可以选择hashmap。但是 HashMap 的实现也有缺点,例如存储容量占比高,考虑到负载因子的存在,通常空间是不能被用满的,而一旦你的值很多例如上亿
的时候,那 HashMap 占据的内存大小就变得很可观了。
Bloom Filter是一种空间效率很高的随机数据结构,它利用位数组很简洁地表示一个集合,并能判断一个元素是否属于这个集合。
hbase 中布隆过滤器来过滤指定的rowkey是否在目标文件,避免扫描多个文件。使用布隆过滤器来判断。
布隆过滤器返回true,存在结果不一定正确,如果返回false则说明确实不存在。