HBase表的RowKey设计、热点和二级索引

1、HBase表的RowKey设计

RowKey的基本介绍

ASCII码字典顺序：

• 012,0,123,234,3.
• 0,3,012,123,234
• 0,012,123,234,3

字典序的排序规则：

• 先比较第一个字节，如果相同，然后比对第二个字节，以此类推，
• 如果到第X个字节，其中一个已经超出了rowkey的长度，短rowkey排在前面。

1.1、RowKey长度原则

        rowkey是一个二进制码流，可以是任意字符串，最大长度64kb，实际应用中一般为10-100bytes，以byte[]形式保存，一般设计成定长。

建议越短越好，不要超过16个字节：设计过长会降低memstore内存的利用率和HFile存储数据的效率

1.2、RowKey散列原则

        建议将rowkey的高位作为散列字段，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。

1.3、RowKey唯一原则

必须在设计上保证其唯一性，访问hbase table中的行：有3种方式：

• 单个rowkey
• rowkey 的range
• 全表扫描(一定要避免全表扫描)

实现方式：

1. org.apache.hadoop.hbase.client.Get
2. scan方法： org.apache.hadoop.hbase.client.Scan

scan使用的时候注意：setStartRow，setEndRow 限定范围， 范围越小，性能越高。

1.4、RowKey排序原则

HBase的Rowkey是按照ASCII有序设计的，我们在设计Rowkey时要充分利用这点。

2、HBase表的热点

2.1、什么是热点

        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

2.2、热点的解决方案

• 预分区

      预分区的目的让表的数据可以均衡的分散在集群中，而不是默认只有一个region分布在集群的一个节点上。

• 加盐

      这里所说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的rowkey的开头不同。

  4个region，[,a),[a,b),[b,c),[c,]
  原始数据：abc1,abc2,abc3.
  加盐后的rowkey：a-abc1,b-abc2,c-abc3
             abc1,a
             abc2,b

• 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。

  原始数据： abc1，abc2,abc3
  哈希：
          md5（abc1）=92231b....., 9223-abc1
          md5(abc2) =32a131122...., 32a1-abc2
          md5(abc3) = 452b1...., 452b-abc3

• 反转

      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。

  15X,13X,

3、HBase的二级索引

HBase表按照rowkey查询性能是最高的。rowkey就相当于hbase表的一级索引！！

        为了HBase的数据查询更高效、适应更多的场景，诸如使用非rowkey字段检索也能做到秒级响应，或者支持各个字段进行模糊查询和多字段组合查询等， 因此需要在HBase上面构建二级索引， 以满足现实中更复杂多样的业务需求。

hbase的二级索引其本质就是建立hbase表中列与行键之间的映射关系。

常见的二级索引我们一般可以借助各种其他的方式来实现，例如Phoenix或者solr或者ES等