大数据之Hbase：Hbase中的rowkey以及热点问题

1、Hbase中的 “热点”问题

我们知道，检索habse的记录首先要通过row key来定位数据行。当大量的client访问hbase集群的一个或少数几个节点，造成少数region server的读/写请求过多、负载过大，而其他region server负载却很小，就造成了“热点”现象。

2、热点产生原因：

有大量连续编号的row key ==> 大量row key相近的记录集中在个别region ==> client检索记录时,对个别region访问过多 ==> 此region所在的主机过载 ==> 热点

3、常见的避免热点的方法：

加盐：
加盐指的是在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。给多少个前缀？这个数量应该和我们想要分散数据到不同的region的数量一致（类似hive里面的分桶）。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。

字符串反转
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，从而避免诸如139、158之类的固定号码开头导致的热点问题。

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。

尽量减少行和列的大小
在HBase中，value永远和它的key一起传输的。当具体的值在系统间传输时，它的rowkey，列名，时间戳也会一起传输。如果你的rowkey和列名很大，HBase storefiles中的索引（有助于随机访问）会占据HBase分配的大量内存，因为具体的值和它的key很大。可以增加block大小使得storefiles索引再更大的时间间隔增加，或者修改表的模式以减小rowkey和列名的大小。压缩也有助于更大的索引。

其他办法
列族名的长度尽可能小，最好是只有一个字符。冗长的属性名虽然可读性好，但是更短的属性名存储在HBase中会更好。也可以在建表时预估数据规模，预留region数量，例如create 'myspace:mytable’, SPLITS => [01,02,03,…99]

4、其他知识补充

1、HBase是采用Key-Value格式来存储数据；
2、hbase的中的rowkey是按照字典序排序的；
3、hbase是通过3个维度来对记录进行快速定位：行健 + (列族+列名) + 时间戳，
即： row key + (column family + qualifier) + timestamp
4、Row key的最大长度为64KB，它是一段二进制码流（byte[ ]），建议控制在16个字节；
5、通过get方式，指定rowkey获取唯一一条记录；
6、通过scan方式，设置起始行和结束行参数进行范围匹配；
7、列族column family，它是column的集合，在创建表的时候就指定，列族的数量越少越好，生产环境中的列族一般是一个到两个；
8、row key的设计原则应当遵循的原则：唯一原则，长度原则，散列原则，
简单理解为rowkey为主键，唯一且不能重复；长度原则最大长度为64KB，建议控制在16个字节，减少内存压力（MemStore将缓存部分数据到内存），降低磁盘压力，提高存储效率（HFile中是按照(Key,Value)存储的）；散列原则，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，以实现负载均衡的几率。