HBase面试题汇总

1、HBase中Memstore在何时进行数据的flush操作？

答：

• Memstore级别：当MemStore的大小达到设置阈值（默认128M），会触发flush操作。

<property>
	<name>hbase.hregion.memstore.flush.size</name>
	<value>134217728</value>
</property>

• Region级别：为了避免当前region中某个memstore数据量较少，无法触发flush；当Region中所有Memstore的大小总和达到了上限（hbase.hregion.memstore.block.multiplier * hbase.hregion.memstore.flush.size，默认 2* 128M = 256M），会触发memstore刷新。

<property>
	<name>hbase.hregion.memstore.flush.size</name>
	<value>134217728</value>
</property>
<property>
	<name>hbase.hregion.memstore.block.multiplier</name>
	<value>4</value>
</property>   

• RegionServer级别：当一个Region Server中所有Memstore的大小总和超过低水位阈值hbase.regionserver.global.memstore.size.lower.limit*hbase.regionserver.global.memstore.size（前者默认值0.95），RegionServer开始强制flush；先Flush Memstore最大的Region，再执行次大的，依次执行；如写入速度大于flush写出的速度，导致总MemStore大小超过高水位阈值hbase.regionserver.global.memstore.size（默认为JVM内存的40%），此时RegionServer会阻塞更新并强制执行flush，直到总MemStore大小低于低水位阈值。

<property>
	<name>hbase.regionserver.global.memstore.size.lower.limit</name>
	<value>0.95</value>
</property>
<property>
	<name>hbase.regionserver.global.memstore.size</name>
	<value>0.4</value>
</property>

• 当一个Region Server中HLog数量达到上限（可通过参数hbase.regionserver.maxlogs配置）时，系统会选取最早的一个 HLog对应的一个或多个Region进行flush
• 定期刷新Memstore：默认周期为1小时，确保Memstore不会长时间没有持久化。为避免所有的MemStore在同一时间都进行flush导致的问题，定期的flush操作有20000ms（20s）左右的随机延时。
• 手动刷新：用户可以通过shell命令flush ‘tablename’或者flush ‘region name’分别对一个表或者一个Region进行flush。

2、请描述HBase的flush流程

答：

• HBase flush分为三个阶段，prepare、flush、commit。
• prepare阶段：添加updateLock锁，阻塞写请求。遍历MemStore，将MemStore中的数据集CellSkipSet做一个快照Snapshot。然后新建CellSkipListSet，用于保存后续的写入数据。阶段结束，释放updateLock锁。
• flush阶段：遍历所有的Memstore，将prepare阶段生成的snapshot文件持久化到.tmp目录下，生成临时文件，此过程相对耗时。
• commit阶段：遍历memstore，将临时文件移动到指定的ColumnFamily目录下，针对HFile生成对应的storefile和Reader，把storefile添加到HStore的storefiles列表中，最后再清空prepare阶段生成的snapshot。

3、请说出常见的HBase Shell使用命令

答：

• 帮助命令

# 所有命令
help
# 具体某个命令
help 'create'

• 数据定义命令

命令	描述
create	创建表
alter	修改表结构
describe	描述表结构
exist	确认表是否存在
list	显示所有表名列表
disable/enable	禁用/解禁一个表
disable_all/enable_all	禁用/解禁所有表
is_disabled	确认表是否被禁用
drop/drop_all	删除一个或全部表
truncate	禁用、删除并重建一个表

• 数据操作命令

命令	描述
put	添加一个值到单元格中
get	通过表名、行键等参数获取行或单元格数据
scan	遍历表并输出满足指定条件的行记录
count	计算表中的逻辑行数
delete	删除表中列族或列的数据

4、请描述HBase的布隆过滤器

答：

• 布隆过滤器可以用于快速判断一个数据是否存在一个集合中。它的原理是，创建一个长度为n的二进制数组，初始状态下值均为0；然后将当前集合中的数据进行哈希计算后，将数组中的对应位置变为1。比如，字符串"hbase"经过哈希计算后，值为3，那么将原数组[0,0,0,0,0]更改为[0,0,0,1,0]。那么，要查询的数据也会先经过哈希计算，在数组中快速寻找，如果已经置为1，说明数据可能在这个集合中，如果为0，说明一定不在集合中。
• 所以布隆过滤器是一种粗略的过滤手段。但因为它算法简单，使用的存储开销小，在大数据场景中是一种很不错的优化方式。
• 而且为了增加数据查询的准确性，一般会使用多个不同的哈希函数进行计算。比如，h1、h2、h3，这样会得到3个不同的位置，同时将其置为1。如果在查询数据时，同时发现这3个位置均为1，则说明很大的概率可以在当前集合中找到期望的数据，否则一定不在当前集合中。

• 从HBase 0.96以来，默认启用基于行的Bloom Filters。在查询某行数据时，使用布隆过滤器可以快速排除一些HFile，以减少数据的读取量。
• 当然HBase除了默认的行级别（row）的布隆过滤器，也支持行+列级别（row+column）的。
• 如果经常扫描整行数据，可以使用row方式的布隆过滤器，此时也可以加快行+列的查询速度。
• 如果经常查询某行某列的数据，可以使用row+column方式的布隆过滤器，但它不会加快对整行数据的查询效率。而且除非这一行只有一列，否则row+column的布隆过滤器会占用较多的存储空间。所以，当每个数据至少为几千字节时，它的效果最好。
• 布隆过滤器需要在数据删除后重建，因此不适合有大量删除的环境。
• 可以使用命令，在列族上开启布隆过滤器。

create 'mytable',{NAME => 'colfam1', BLOOMFILTER => 'ROWCOL'}

• 布隆过滤器存储在HFile的元数据中，当Region被部署到某个RegionServer中时，HFile会被读取，将布隆过滤器加载到内存中。
• 布隆过滤器开启后，在生产环境中是否有效，此时可以查看RegionServer中的blockCacheHitRatio值，如果开启后值增加，说明是正优化。
• 以上内容参考自官网，对应HBase 2.3版本。