目录
HBase Rowkey的设计
1、Rowkey为什么这么重要?
首先,先介绍一下什么是Rowkey。
- 类似于 MySQL、Oracle中的主键,用于标示唯一的行;
- 完全是由用户指定的一串不重复的字符串;
- HBase 中的数据永远是根据 Rowkey 的字典排序来排序的。
那么,Rowkey的作用又是什么呢?
- 读写数据时通过 RowKey 找到对应的 Region;
- MemStore 中的数据按 RowKey 字典顺序排序;
- HFile 中的数据按 RowKey 字典顺序排序。
由于HFile中的数据是按Rowkey的字典顺序排序的,且当Region当中的数据过大时,HBase将会进行自动的split。若Rowkey设计不合理的话,那么很容易造成热点问题,即Rowkey对Region划分会产生影响。
先解释一下什么是热点问题。
在实际操作中,当大量请求访问HBase集群的一个或少数几个节点,造成少数RegionServer的读写请求过多,负载过大,而其他RegionServer负载却很小,这样就造成热点现象。举个例子就是:假设存在A、B两个地区,这两个地区的人都玩游戏,但是两个地区的人数不一样,A地区的人数远远大于B地区,且A地区的人比B地区的人更热衷玩游戏。那么如果A和B地区的集群节点数量一样的情况下,A地区的节点的访问请求肯定远大于B地区的节点访问请求。那么,就有可能请求过多,负载过大,导致热点现象。
2、解决热点问题方法
1、预分区
首先,我们需要想明白数据的分布情况,然后根据数据的分布进行预分区,规划需要分成多少个region,并且每个region的startKey和endKey是多少。例如如果分成10个region,划分key的如下:
0001|
0002|
0003|
0004|
0005|
0006|
0007|
0008|
0009|
为什么后面会跟着一个"|",是因为在ASCII码中,"|"的值是124,大于所有的数字和字母等符号,当然也可以用“~”(ASCII-126)。分隔文件的第一行为第一个region的stopkey,每行依次类推,最后一行不仅是倒数第二个region的stopkey,同时也是最后一个region的startkey。也就是说分区文件中填的都是key取值范围的分隔点。
具体实际分多少个区,取决于之后未来发展的数据量的大小以及机器规模有关。一般每台机器放2~3个region。若以后未来数据发展迅速,可以考虑重新数据导入进去,进行重新分区。
一般分区的好坏,需要看Rowkey的设计。
2、Rowkey设计技巧
首先是Rowkey设计的三大原则:
1) 长度性:RowKey 可以是任意的字符串,最大长度64KB(因为 Rowlength 占2字节)。建议越短越好(一般长度10-100byte),以byte[]数组形式保存,一般设计成定长。官方建议越短越好,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;
- 目前操作系统都是64位系统,内存8字节对齐,控制在16个字节,8字节的整数倍利用了操作系统的最佳特性。
2) 唯一性:由于RowKey用来唯一标识一行记录,所以必须在设计上保证RowKey的唯一性。需要注意,由于HBase中数据存储的格式是Key-Value对格式,所以如果向HBase中同一张表插入相同RowKey的数据,则原先存在的数据会被新的数据给覆盖掉(和HashMap效果相同)。
3) 散列原则:设计出的RowKey需要能够均匀的分布到各个RegionServer上。比如设计RowKey的时候,当Rowkey 是按时间戳的方式递增,就不要将时间放在二进制码的前面,可以将 Rowkey 的高位作为散列字段,由程序循环生成,可以在低位放时间字段,这样就可以提高数据均衡分布在每个Regionserver实现负载均衡的几率。
接下来是Rowkey设计(避免热点现象)的方法:
1) 加盐:这里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 以使得它和之前排序不同。分配的前缀种类数量应该和你想使数据分散到不同的 region 的数量一致。 如果你有一些 热点 rowkey 反复出现在其他分布均匀的 rwokey 中,加盐是很有用的。考虑下面的例子:它将写请求分散到多个 RegionServers,但是对读造成了一些负面影响。
举个例子:
假如你有下列 rowkey,你表中每一个 region 对应字母表中每一个字母。 以 'a' 开头是同一个region, 'b'开头的是同一个region。在表中,所有以 'f'开头的都在同一个 region, 它们的 rowkey 像下面这样:
foo0001
foo0002
foo0003
foo0004
现在,假如你需要将上面这个 region 分散到 4个 region。你可以用4个不同的盐:'a', 'b', 'c', 'd'.在这个方案下,每一个字母前缀都会在不同的 region 中。加盐之后,你有了下面的 rowkey:
a-foo0003
b-foo0001
c-foo0004
d-foo0002
缺点:
因为添加的是随机数,基于原RowKey查询时无法知道随机数是什么,那样在查询的时候就需要去各个可能的Regions中查找,Salting对于读取是利空的。并且加盐这种方式增加了读写时的吞吐量。
2) 反转:反转的原理是反转一段固定长度或者全部的键。比如我们有以下 URL ,并作为 RowKey:
flink.iteblog.com
www.iteblog.com
carbondata.iteblog.com
def.iteblog.com
这些 URL 其实属于同一个域名,但是由于前面不一样,导致数据不在一起存放。我们可以对其进行反转,如下:
moc.golbeti.knilf
moc.golbeti.www
moc.golbeti.atadnobrac
moc.golbeti.fed
如果经初步设计出的RowKey在数据分布上不均匀,但RowKey尾部的数据却呈现出了良好的随机性,此时,可以考虑将RowKey的信息翻转,或者直接将尾部的bytes提前到RowKey的开头。Reversing可以有效的使RowKey随机分布,但是牺牲了RowKey的有序性。
3) 哈希:基于 RowKey 的完整或部分数据进行 Hash,而后将Hashing后的值完整替换或部分替换原RowKey的前缀部分。这里说的 hash 包含 MD5、sha1、sha256 或 sha512 等算法。比如我们有如下的 RowKey:
foo0001
foo0002
foo0003
foo0004
我们使用 md5 计算这些 RowKey 的 hash 值,然后取前 6 位和原来的 RowKey 拼接得到新的 RowKey:
95f18cfoo0001
6ccc20foo0002
b61d00foo0003
1a7475foo0004
优缺点:可以一定程度打散整个数据集,但是不利于 Scan;比如我们使用 md5 算法,来计算Rowkey的md5值,然后截取前几位的字符串。subString(MD5(设备ID), 0, x) + 设备ID,其中x一般取5或6。
3、Rowkey设计案例
1、交易类表 Rowkey 设计
- 查询某个卖家某段时间内的交易记录
sellerId + timestamp + orderId - 查询某个买家某段时间内的交易记录
buyerId + timestamp +orderId - 根据订单号查询
orderNo - 如果某个商家卖了很多商品,可以如下设计 Rowkey 实现快速搜索
salt + sellerId + timestamp 其中,salt 是随机数。可以支持的场景:- 全表 Scan
- 按照 sellerId 查询
- 按照 sellerId + timestamp 查询
2、金融风控 Rowkey 设计
查询某个用户的用户画像数据
- prefix + uid
- prefix + idcard
- prefix + tele
其中 prefix = substr(md5(uid),0 ,x), x 取 5-6。uid、idcard以及 tele 分别表示用户唯一标识符、身份证、手机号码
3、车联网 Rowkey 设计
- 查询某辆车在某个时间范围的交易记录
carId + timestamp - 某批次的车太多,造成热点
prefix + carId + timestamp 其中 prefix = substr(md5(uid),0 ,x)
参考
https://www.bilibili.com/video/BV1Y4411B7jy?p=50&spm_id_from=pageDriver
https://zhuanlan.zhihu.com/p/69462736