大数据性能调优之HBase的RowKey设计.docxVIP

大数据功能调优之HBase的RowKey设计 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[]?方式保存，一般设计成定长。 建议越短越好，不要超过16个字节，缘由如下： 数据的长久化文件HFile中是依据KeyValue存储的，假如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，假如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，内存8字节对齐，把握在16个字节，8字节的整数倍利用了操作系统的最佳特性 rowkey散列准绳 假如rowkey依据时间戳的方式递增，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。假如没有散列字段，首字段直接是时间信息，全部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，形成热点问题，会降低查询效率。 rowkey独一准绳 必需在设计上保证其独一性，rowkey是依据字典挨次排序存储的，因而，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。 什么是热点 HBase中的行是依据rowkey的字典挨次排序的，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接近位置，便于scan。然而蹩脚的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本身承受力量，引起功能下降甚至region不行用，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的恳求。 设计良好的数据访问模式以使集群被充分，均衡的利用。 为了避开写热点，设计rowkey使得不同行在同一个region，但是在更多数据情况下，数据应当被写入集群的多个region，而不是一个。 下面是一些常见的避开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的前面添加随机数，具体就是给rowkey安排一个随机前缀以使得它和之前的rowkey的开头不同。安排的前缀品种数量应当和你想使用数据分散到不同的region的数量全都。加盐之后的rowkey就会依据随机生成的前缀分散到各个region上，以避开热点。 哈希 哈希会使同一行永久用一个前缀加盐。哈希也可以使负载分散到整个集群，但是读却是可以猜测的。使用确定的哈希可以让客户端重构完整的rowkey，可以使用get操作精确?????猎取某一个行数据 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。这样可以使得rowkey中经常转变的部分（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，这样的就避开了以手机号那样比较固定开头导致热点问题 时间戳反转 一个常见的数据处理问题是快速猎取数据的最近版本，使用反转的时间戳作为rowkey的一部分对这个问题格外有用，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，由于HBase中rowkey是有序的，第一条记录是最终录入的数据。 比如需要保存一个用户的操作记录，依据操作时间倒序排序，在设计rowkey的时候，可以这样设计 [userId反转][Long.Max_Value - timestamp]，在查询用户的全部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] 假如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]（达到热点分散，查询又可以支持多样性） 其他一些建议 尽量削减行和列的大