ØColumn Family
建议不要在一张表里定义多个的
column family
。目前
Hbase
并不能很好的处理超过
2~3
个
column family
的表。因为某个
column family
在
flush
的时候,它邻近的
column family
也会因关联效应被触发
flush
,最终导致系统产生更多的
I/O
。
Ø
使用压缩
由于
HBase
的
KeyValue
的存储特性,使用压缩减少对硬盘和网络的压力,从而提高集群的整体吞吐量。推荐使用
snappy
压缩。
Ø
开启
Bloom filter
开启
Bloom filter
,
HBase
可以利用
Bloomfilter
来提高查询性能,但是会增加存储的开销。
ØRowkey
设计
数字
rowkey
的从大到小排序:
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。在应用层再转回来即可完成排序需求。
对于多字段查询的情况,可以把考虑多个查询条件拼在
rowkey
中。这样既能满足多条件查询,又能有很快的查询速度。
如果
rowkey
是类似时间戳的方式递增的生成,建议不要使用正序直接写入
rowkey
,这样容易产生所有新数据都在一个
regionserver
上堆积的现象,影响性能。可以考虑采用
reverse
的方式反转
rowkey
,使得
rowkey
大致均衡分布,这样设计有个好处是能将
regionserver
的负载均衡。
以下我给了一些使用 HBase 时候对表格设计的一些建议,读者也可以理解背后的含义。不过我并不希望这些建议成为使用 HBase 的教条,毕竟也有不尽合理的地方。首先,一个 HBase 数据库是否高效,很大程度会和 Row-Key 的设计有关。因此,如何设计 Row-key 是使用 HBase 时,一个非常重要的话题。随着数据访问方式的不同,Row-Key 的设计也会有所不同。不过概括起来的宗旨只有一个,那就是尽可能选择一个 Row-Key,可以使你的数据均匀的分布在集群中。这也很容易理解,因为 HBase 是一个分布式环境,Client 会访问不同 Region Server 获取数据。如果数据排布均匀在不同的多个节点,那么在批量的 Client 便可以从不同的 Region Server 上获取数据,而不是瓶颈在某一个节点,性能自然会有所提升。对于具体的建议我们一般有几条:
- 当客户端需要频繁的写一张表,随机的 RowKey 会获得更好的性能。
- 当客户端需要频繁的读一张表,有序的 RowKey 则会获得更好的性能。
- 对于时间连续的数据(例如 log),有序的 RowKey 会很方便查询一段时间的数据(Scan 操作)。