有关HBASE的优化应该有许多方面，但是重点应该还在这三个部分，一个是预分区，一个是Rowkey的设计原则，一个是BulkLoading直接将数据导入到HFile中；这里面的重中之重又是Rowkey的设计原则，因为HBASE查询数据之快一定和Rowkey分不开
预分区
默认情况下，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客户端都会向这一个region中写入数据，直到这个region足够大了之后才会进行切分。
如果提前知道了hbase中数据表的key的分布情况，就可以在创建表的时候对hbase进行region预分区，这样可以防止大量数据插入的热点问题，提高数据的插入效率
划分hbase预分区
首先要知道数据的key是如何分布的，然后规划一下要分成多少个region，每个region的startkey和endkey是多少，之后将规划好的key写入到一个文件中
假设我们将一个文件分成十个预分区
那我们可以这样写：
0001|
0002|
0003|
0004|
0005|
0006|
0007|
0008|
0009|
创建的时候直接指定位置即可
可以看到这里分了十个区
Rowkey设计
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，在HBase查询的时候，有三种方式：
- 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
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。
rowkey散列原则
下面的高位、低位指的是一串数字的前几位和后几位
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，以提高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。
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：
加盐
（这个操作，只能使用scan扫描某一个rowkey范围内的数据，不能准确的get到某一行的数据，因为这里你加的随机数是在前面，没办法get到准确的范值）
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。
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
这里的反转实际上也和时间戳有关，假设我们一个时间戳是1634557248，我们就可以取一个比它更大一些的数，比如取3000000000，两个数做一个相减，得到1365442752，以这个数字作为rowkey来进行存储，这样做的好处就是将数据可以按照升序来进行排列，直接将时间戳反转，最终的结果还是按照降序进行排列
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
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]
其他一些建议
尽量减少rowkey和列的大小，当具体的值在系统间传输时，它的rowkey，列簇、列名，时间戳也会一起传输。如果你的rowkey、列簇名、列名很大，甚至可以和具体的值相比较，那么将会造成大量的冗余，不利于数据的储存与传输
列族尽可能越短越好，最好是一个字符
列名也尽可能越短越好，冗长的列名虽然可读性好，但是更短的列名存储在HBase中会更好
BulkLoading
直接将数据导入到HFile，不经过regionserver，之前使用的JavaAPI导入数据到HBASE中，需要经过region server，会有许多负载，触发许多次写请求。
如果我们一次性入库hbase巨量数据，处理速度慢不说，还特别占用Region资源， 一个比较高效便捷的方法就是使用 “Bulk Loading”方法，即HBase提供的HFileOutputFormat类。
它是利用hbase的数据信息按照特定格式存储在hdfs内这一原理，直接生成这种hdfs内存储的数据格式文件，然后上传至合适位置，即完成巨量数据快速入库的办法。配合mapreduce完成，高效便捷，而且不占用region资源，增添负载。
这种方式也有很大的限制：
仅适合初次数据导入，即表内数据为空，或者每次入库表内都无数据的情况。
HBase集群与Hadoop集群为同一集群，即HBase所基于的HDFS为生成HFile的MR的集群
BulkLoading导入数据：
数据以HFile的形式存在HDFS，但是在HBASE的目录下查看不到
package com.shujia;//BulkLoading用来导入数据，只有map阶段，没有reduce阶段
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.KeyValue;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.*;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2;
import org.apache.hadoop.hbase.mapreduce.KeyValueSortReducer;
import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;
import org.apache.hadoop.hbase.mapreduce.SimpleTotalOrderPartitioner;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class Demo8BulkLoading {
public static class BulkMapper extends Mapper<LongWritable,Text,ImmutableBytesWritable,KeyValue>{
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable,Text,ImmutableBytesWritable,KeyValue>.Context context) throws IOException, InterruptedException {
String[] split = value.toString().split(",");
String mdn = split[0];
String start_time = split[1];
String lg = split[4];
String lat = split[5];
String rowkey = mdn+"_"+start_time;
//keyvalue对象相当于一个cell
KeyValue lgValue = new KeyValue(rowkey.getBytes(), "info".getBytes(), "lg".getBytes(), lg.getBytes());
KeyValue latValue = new KeyValue(rowkey.getBytes(), "info".getBytes(), "lat".getBytes(), lat.getBytes());
context.write(new ImmutableBytesWritable(rowkey.getBytes()),lgValue);
context.write(new ImmutableBytesWritable(rowkey.getBytes()),latValue);
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
conf.set("hbase.zookeeper.quorum","master,node1,node2");
Job job = Job.getInstance(conf);
job.setJarByClass(Demo8BulkLoading.class);
job.setJobName("Demo8BulkLoading.java");
//配置map端
job.setMapperClass(BulkMapper.class);
job.setMapOutputKeyClass(ImmutableBytesWritable.class);
job.setMapOutputValueClass(KeyValue.class);
//保证每一个reduce是有序的
job.setPartitionerClass(SimpleTotalOrderPartitioner.class);
//配置reduce端
//KeyValueSortReducer 只能保证每个reduce里处理的数据有序
job.setReducerClass(KeyValueSortReducer.class);
//reduce的数量由表的region数量决定
// job.setNumReduceTasks(5); //该配置在这里是无效的
//配置输入输出的路径
FileInputFormat.addInputPath(job,new Path("/datas/DIANXIN.csv/"));
FileSystem fs = FileSystem.get(conf);
if (fs.exists(new Path("/bulk/"))){
fs.delete(new Path("/bulk/"),true);
}
FileOutputFormat.setOutputPath(job,new Path("/bulk/"));
Connection conn = ConnectionFactory.createConnection(conf);
Admin admin = conn.getAdmin();
Table table = conn.getTable(TableName.valueOf("SPLIT_DIANXIN"));
//用于获取表的region信息
RegionLocator regionLocator = conn.getRegionLocator(TableName.valueOf("SPLIT_DIANXIN"));
//将表的信息格式化成HFile，以待进行bulkLoading
HFileOutputFormat2.configureIncrementalLoad(job,table,regionLocator);
//等待job任务运行完成
boolean flag = job.waitForCompletion(true);
if(flag){
System.out.println("mr任务运行成功");
//使用LoadIncrementalHFiles将生成的HFile加载到HBASE对应的表中
// LoadIncrementalHFiles loadIncrementalHFiles = new LoadIncrementalHFiles(conf);
// loadIncrementalHFiles.doBulkLoad(new Path("/bulk"),admin,table,regionLocator);
}else {
System.out.println("运行失败");
}
//等到job任务运行完成，才会生成hfile文件
// job.waitForCompletion(true);
// LoadIncrementalHFiles loadIncrementalHFiles = new LoadIncrementalHFiles(conf);
// loadIncrementalHFiles.doBulkLoad(new Path("/bulk/"),admin,table,regionLocator);
}
}
/*
com.shujia.Demo8BulkLoading.java
hadoop jar HBase-1.0-SNAPSHOT.jar com.shujia.Demo8BulkLoading
*/
数据以HFile的形式存在HDFS，在HBASE的目录下可以查看到
package com.shujia;//BulkLoading用来导入数据，只有map阶段，没有reduce阶段
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.KeyValue;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.*;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2;
import org.apache.hadoop.hbase.mapreduce.KeyValueSortReducer;
import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;
import org.apache.hadoop.hbase.mapreduce.SimpleTotalOrderPartitioner;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class Demo8BulkLoading {
public static class BulkMapper extends Mapper<LongWritable,Text,ImmutableBytesWritable,KeyValue>{
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable,Text,ImmutableBytesWritable,KeyValue>.Context context) throws IOException, InterruptedException {
String[] split = value.toString().split(",");
String mdn = split[0];
String start_time = split[1];
String lg = split[4];
String lat = split[5];
String rowkey = mdn+"_"+start_time;
//keyvalue对象相当于一个cell
KeyValue lgValue = new KeyValue(rowkey.getBytes(), "info".getBytes(), "lg".getBytes(), lg.getBytes());
KeyValue latValue = new KeyValue(rowkey.getBytes(), "info".getBytes(), "lat".getBytes(), lat.getBytes());
context.write(new ImmutableBytesWritable(rowkey.getBytes()),lgValue);
context.write(new ImmutableBytesWritable(rowkey.getBytes()),latValue);
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
conf.set("hbase.zookeeper.quorum","master,node1,node2");
Job job = Job.getInstance(conf);
job.setJarByClass(Demo8BulkLoading.class);
job.setJobName("Demo8BulkLoading.java");
//配置map端
job.setMapperClass(BulkMapper.class);
job.setMapOutputKeyClass(ImmutableBytesWritable.class);
job.setMapOutputValueClass(KeyValue.class);
//保证每一个reduce是有序的
job.setPartitionerClass(SimpleTotalOrderPartitioner.class);
//配置reduce端
//KeyValueSortReducer 只能保证每个reduce里处理的数据有序
job.setReducerClass(KeyValueSortReducer.class);
//reduce的数量由表的region数量决定
// job.setNumReduceTasks(5); //该配置在这里是无效的
//配置输入输出的路径
FileInputFormat.addInputPath(job,new Path("/datas/DIANXIN.csv/"));
FileSystem fs = FileSystem.get(conf);
if (fs.exists(new Path("/bulk/"))){
fs.delete(new Path("/bulk/"),true);
}
FileOutputFormat.setOutputPath(job,new Path("/bulk/"));
Connection conn = ConnectionFactory.createConnection(conf);
Admin admin = conn.getAdmin();
Table table = conn.getTable(TableName.valueOf("SPLIT_DIANXIN"));
//用于获取表的region信息
RegionLocator regionLocator = conn.getRegionLocator(TableName.valueOf("SPLIT_DIANXIN"));
//将表的信息格式化成HFile，以待进行bulkLoading
HFileOutputFormat2.configureIncrementalLoad(job,table,regionLocator);
//等待job任务运行完成
boolean flag = job.waitForCompletion(true);
if(flag){
System.out.println("mr任务运行成功");
//使用LoadIncrementalHFiles将生成的HFile加载到HBASE对应的表中
LoadIncrementalHFiles loadIncrementalHFiles = new LoadIncrementalHFiles(conf);
loadIncrementalHFiles.doBulkLoad(new Path("/bulk"),admin,table,regionLocator);
}else {
System.out.println("运行失败");
}
//等到job任务运行完成，才会生成hfile文件
// job.waitForCompletion(true); //所以这条语句的执行顺序要在加载HFile到对应表中这个操作前面
// LoadIncrementalHFiles loadIncrementalHFiles = new LoadIncrementalHFiles(conf);
// loadIncrementalHFiles.doBulkLoad(new Path("/bulk/"),admin,table,regionLocator);
}
}
/*
com.shujia.Demo8BulkLoading.java
hadoop jar HBase-1.0-SNAPSHOT.jar com.shujia.Demo8BulkLoading
*/
感谢阅读，我是啊帅和和，一位大数据专业大四学生，祝你快乐。
扫一扫
555
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
