欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

HBase的rowkey的设计原则

程序员文章站 2022-05-27 15:25:21
...

HBase是三维有序存储的,通过rowkey(行键),column key(column family和qualifier)和TimeStamp(时间戳)这个三个维度可以对HBase中的数据进行快速定位。

HBase中rowkey可以唯一标识一行记录,在HBase查询的时候,有两种方式:

1、通过get方式,指定rowkey获取唯一一条记录 
2、通过scan方式,设置startRow和stopRow参数进行范围匹配 
3、全表扫描,即直接扫描整张表中所有行记录

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,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。

rowkey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。

rowkey唯一原则:

必须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。

避免热点问题:

什么是热点:
HBase中的行是按照rowkey的字典顺序排序的,这种设计优化了scan操作,可以将相关的行以及会被一起读取的行存取在临近位置,便于scan。然而糟糕的rowkey设计是热点的源头。热点发生在大量的client直接访问集群的一个或极少数个节点(访问可能是读,写或者其他操作)。大量访问会使热点region所在的单个机器超出自身承受能力,引起性能下降甚至region不可用,这也会影响同一个RegionServer上的其他region,由于主机无法服务其他region的请求。设计良好的数据访问模式以使集群被充分,均衡的利用。

为了避免写热点,设计rowkey使得不同行在同一个region,但是在更多数据情况下,数据应该被写入集群的多个region,而不是一个。

下面是一些常见的避免热点的方法以及它们的优缺点:

  • 分桶

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。分桶后的rowkey就会根据随机生成的前缀分散到各个region上,以避免热点。

案例:

建表时怎么指定region数呢,如下建表语句,即指定表预先分配5个分桶,这样以001,002,003,004,005结尾单号的数据会存储到001,002,003,004,005分桶中,同时这些分桶会被随机分配各到各台regionserver。

create 'qiuditest', {SPLITS =>['001', '002', '003', '004', '005']}

rowkey设计形式类似于如下:分桶号#交易时间#交易单号    

000#2018-01-27 00:00:00#11111111000
  • 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,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。

比如需要保存一个用户的操作记录,按照操作时间倒序排序,在设计rowkey的时候,可以这样设计 
[userId反转][Long.Max_Value - timestamp],在查询用户的所有操作记录数据的时候,直接指定反转后的userId,startRow是[userId反转][000000000000],stopRow是[userId反转][Long.Max_Value - timestamp] 

如果需要查询某段时间的操作记录,startRow是[user反转][Long.Max_Value - 起始时间],stopRow是[userId反转]

业务需求:

一般业务在查询hbase数据时,会要求你的数据必须能实现多维度查询和按时间段、用户ID进行批量提取数据等。对于多维度查询方面,hbase因不支持二级索引,导致实现这类多维度查询有很大难度,这里用一个折中方案,就是将索引字段独立出来建一个单独的索引表,索引表的KEY值为索引字段加时间组合成rowkey, 索引表的value值为数据表的rowkey值, 这样通过索引字段先扫描索引表,得到数据表的rowkey后,再扫主表,得到具体的交易数据。这样就间接实现类似二级索引功能。具体设计如下:

索引表的rowkey主要是将单号和交易时间组合,同时为避免单号存在热点问题,将单号反转后处理,如下面rowkey:    

#单号:123456,交易时间:2018-01-27 00:00:00
rowkey:  654321#2018-01-27 00:00:00<br>value:   456#2018-01-27 00:00:00#123456

表设计时,还需要考虑列簇数量,列族不宜过多,推荐1个,列簇多且每个列簇的大小不一样时,会增加磁盘IO。数据写到store以后是先缓存在memstore中,同一个region中存在多个列族则存在多个store,每个store都一个memstore,当memstore进行flush时,属于同一个region的store中的memstore都会进行flush,增加I/O开销。