HBase快速入门系列(10) | HBase知识点总结(建议收藏！)
HBase快速入门系列(10) | HBase知识点总结(建议收藏！)
1. 读写请求会集中到某一个RegionServer上 如何处理（数据倾斜）
- 产生热点问题的原因：
- hbase的中的数据是按照字典序排序的，当大量连续的rowkey集中写在个别的region，各个region之间数据分布不均衡；
- 创建表时没有提前预分区，创建的表默认只有一个region，大量的数据写入当前region
- 创建表已经提前预分区，但是设计的rowkey没有规律可循
- 热点问题的解决方案：
- 随机数+业务主键，如果想让最近的数据快速get到，可以将时间戳加上。
- Rowkey设计越短越好，不要超过10~100个字节
- 映射regionNo，这样既可以让数据均匀分布到各个region中，同时可以根据startkey和endkey可以get到同一批数据
2. hbase查询一条记录的方法是什么？Hbase写入一条记录的方法是什么？
Hbase查询单一数据采用的是get方法，写入数据的方法为put方法(可在回答时说些具体的实现思路)
3. 描述hbase的rowkey的设计原理
Rowkey设计时需要遵循三大原则：
- 唯一性原则
rowkey在设计上保证其唯一性。rowkey是按照字典顺序排序存储的，因此，设计rowkey的时候，要充分利用这个排序的特点，将经常读取的数据存储到一块，将最近可能会被访问的数据放到一块。
- 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，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。
- 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。如果没有散列字段，首字段直接是时间信息，所有的数据都会集中在一个RegionServer上，这样在数据检索的时候负载会集中在个别的RegionServer上，造成热点问题，会降低查询效率
加盐：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。如果没有散列字段，首字段直接是时间信息，所有的数据都会集中在一个RegionServer上，这样在数据检索的时候负载会集中在个别的RegionServer上，造成热点问题，会降低查询效率加盐：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。分配的前缀种类数量应该和你想使用数据分散到不同的region的数量一致。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 反转：第三种防止热点的方法时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，这样的就避免了以手机号那样比较固定开头导致热点问题 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.
4. hbase中compact的用途是什么，什么时候触发，分为哪两种，有什么区别。
在HBase中，每当memstore的数据flush到磁盘后，就形成一个storefile，当storefile的数量越来越大时，会严重影响HBase的读性能 ，HBase内部的compact处理流程是为了解决MemStore Flush之后，文件数目太多，导致读数据性能大大下降的一种自我调节手段，它会将文件按照某种策略进行合并，大大提升HBase的数据读性能。
主要起到如下几个作用：
- 合并文件
- 清除删除、过期、多余版本的数据
- 提高读写数据的效率
HBase中实现了两种compaction的方式：
minor and major. Minor compactions will usually pick up a couple of the smaller adjacent StoreFiles and rewrite them as one. Minors do not drop deletes or expired cells, only major compactions do this. Sometimes a minor compaction will pick up all the StoreFiles in the Store and in this case it actually promotes itself to being a major compaction.
这两种compaction方式的区别是：
- Minor操作只用来做部分文件的合并操作以及包括minVersion=0并且设置ttl的过期版本清理，不做任何删除数据、多版本数据的清理工作。
- Major操作是对Region下的HStore下的所有StoreFile执行合并操作，最终的结果是整理合并出一个文件。
compaction触发时机：
- Memstore刷写后，判断是否compaction
- CompactionChecker线程，周期轮询
5. Hbase的原理 regionserver挂了 如何恢复数据 ？新的数据从Hlog里读出来是如何恢复的
引起RegionServer宕机的原因各种各样，有因为Full GC导致、网络异常导致、官方Bug导致（close wait端口未关闭）以及DataNode异常导致等等
HBase检测宕机是通过Zookeeper实现的， 正常情况下RegionServer会周期性向Zookeeper发送心跳，一旦发生宕机，心跳就会停止，超过一定时间（SessionTimeout）Zookeeper就会认为RegionServer宕机离线，并将该消息通知给Master
一旦RegionServer发生宕机，HBase都会马上检测到这种宕机，并且在检测到宕机之后会将宕机RegionServer上的所有Region重新分配到集群中其他正常RegionServer上去，再根据HLog进行丢失数据恢复，恢复完成之后就可以对外提供服务，整个过程都是自动完成的，并不需要人工介入.
6. 讲一下Hbase，Hbase二级索引用过吗
默认情况下，Hbase只支持rowkey的查询，对于多条件的组合查询的应用场景，不够给力。如果将多条件组合查询的字段都拼接在RowKey中显然又不太可能。全表扫描再结合过滤器筛选出目标数据(太低效)，所以通过设计HBase的二级索引来解决这个问题。
这里所谓的二级索引其实就是创建新的表，并建立各列值（family：column）与行键（rowkey）之间的映射关系。这种方式需要额外的存储空间，属于一种以空间换时间的方式
7. Hbase如何优化的
内存优化
- 垃圾回收优化:CMS, G1(Region）
- JVM启动：-Xms(1/64) –Xmx(1/4)
Region优化
- 预分区
- 禁用major合并，手动合并
客户端优化
- 批处理
8. hbase中查询表名为buwenbuhuo，rowkey为user开头的
HBase Shell : scan 'buwenbuhuo', FILTER => "PrefixFilter ('user')"
HBase JavaAPI :
Scan scan = new Scan();
Filter filter = new PrefixFilter(Bytes.toBytes("user"));
scan.setFilter(filter);9. hbase表的设计有哪些注意点
- 行键的结构是什么的并且要包含什么内容
- 表有多少个列族？
- 列族中都要放什么数据？
- 每个列族中有多少个列？
- 列名是什么？尽管列名在创建表时不需要指定，你读写数据是需要用到它们。
- 单元数据需要包含哪些信息？
- 每个单元数据需要存储的版本数量是多少？
10. HBase与mysql得区别
数据存储的方式:
- Mysql面向行存储数据，整个行的数据是一个整体，存储在一起。 HBase面向列存储数据，整个列的数据是一个整体，存储在一起，有利于压缩和统计
数据之间的关系
- Mysql存储关系型数据，结构化数据
- Hbase存储的非关系型数据，存储结构化和非结构化数据
事务处理
- Mysql数据库存在事务，因为着重于计算（算法）
- Hbase数据库侧重于海量数据的存储，所以没有事务的概念
储存容量
- Hbase依托于Hadoop，容量非常大，一般都以PB级为单位存储
- Mysql存储数据依赖于所在的硬件设备
本次的分享就到这里了