如何高效设计HBase RowKey,这些细节需要注意

在HBase中,定位一条数据(即一个Cell)需要4个维度的限定:行键(RowKey)、列族(Column Family)、列限定符(Column Qualifier)、时间戳(Timestamp)。其中,RowKey是最容易出现问题的。除了根据业务和查询需求来设计之外,还需要注意以下三点。

 

1. 打散RowKey
HBase中的行是按照RowKey字典序排序的。

这对Scan操作非常友好,因为RowKey相近的行总是存储在相近的位置,顺序读的效率比随机读要高。

但是,如果大量的读写操作总是集中在某个RowKey范围,那么就会造成Region热点,拖累RegionServer的性能。

因此,要适当地将RowKey打散。

加盐(salting)+哈希(hashing)
这里的“加盐”与密码学中的“加盐”不是一回事。

它是指在RowKey的前面增加一些前缀。

加盐的前缀种类越多,RowKey就被打得越散。

前缀不可以是随机的,因为必须要让客户端能够完整地重构RowKey。

我们一般会拿原RowKey或其一部分计算hash值,然后再对hash值做运算作为前缀。

反转固定格式的数值
以手机号为例,手机号的前缀变化比较少(如152、185等),但后半部分变化很多。

如果将它反转过来,可以有效地避免热点。

不过其缺点就是失去了有序性。

反转时间
这个操作严格来讲不算“打散”,但可以调整数据的时间排序。

如果将时间按照字典序排列,最近产生的数据会排在旧数据后面。

如果用一个大值减去时间(比如用99999999减去yyyyMMdd,或者Long.MAX_VALUE减去时间戳),最新的数据就可以排在前面了。

 

2. 控制RowKey长度
在HBase中,RowKey、列族、列名等都是以byte[]形式传输的。

RowKey的最大长度限制为64KB,但在实际应用中最多不会超过100B。

设计短RowKey有以下两方面考虑:

在HBase的底层存储HFile中,RowKey是KeyValue结构中的一个域。假设RowKey长度100B,那么1000万条数据中,只算RowKey就占用掉将近1G空间,会影响HFile的存储效率。

HBase中设计有MemStore和BlockCache,分别对应列族/Store级别的写入缓存,和RegionServer级别的读取缓存。如果RowKey过长,缓存中存储数据的密度就会降低,影响数据落地或查询效率。

另外,我们目前使用的服务器操作系统都是64位系统,内存是按照8B对齐的,因此设计RowKey时一般做成8B的整数倍,如16B或者24B,可以提高寻址效率。

同样地,列族、列名的命名在保证可读的情况下也应尽量短。HBase官方不推荐使用3个以上列族,因此实际上列族命名几乎都用一个字母,比如‘c’或‘f’。

3. 保证RowKey唯一性

这个就是显而易见的了,不再赘述。

举个例子
我们的业务中,有一部分是用户在日历上记录自己的行为。需要储存在RowKey中的维度有:用户ID(uid,不会超过十亿)、日历上的日期(date,yyyyMMdd格式)、记录行为的类型(type,0~99之间)。记录的详细数据则存储在列f:data中。根据查询逻辑,我们设计的RowKey格式如下:

9~79809782~05~0008839540

长度正好是24B。以字符‘~’为分界(‘~’的ASCII码是最大的,方便),各个部分的含义如下:

  • uid.toString().hashCode() % 10

  • 99999999 - date

  • StringUtils.leftPad(type, 2, "0")

  • StringUtils.leftPad(uid, 10, "0")

 

基于这种设计,我们在建表阶段就可以将其预分区,使得数据在一开始就均匀分布在不同的Region上。建表语句参考:

create 'user_calendar_record', { NAME => 'f', VERSIONS => '1', BLOCKCACHE => 'true', BLOCKSIZE => '65536',  BLOOMFILTER => 'row', COMPRESSION => 'SNAPPY'}, { SPLITS => ['1', '2', '3', '4', '5', '6', '7', '8', '9']}

如果不做预分区,那么表刚开始只会有一个Region。随着数据量增大,就会频繁触发Region split,影响效率。关于Region split应该另外写文章讨论,这里就不提了。

©️2020 CSDN 皮肤主题: 1024 设计师:上身试试 返回首页