HBASE高级应用

1、行健或表设计

基本原则是尽量把查询的维度或信息存入行健中，因为这样筛选数据的效率最高。从表的形式看，主要有列少行多的高表和行多列少的宽表，一般情况下高表更有优势，因为hbase只能按行拆分。

 

防止数据过热：当时间序列类型的数据（行健为时间戳）写入时，数据集中在一个region中，很容易产生读写热点。解决办法有:1)添加hash前缀，2）字段交换或提升权重：即在行键中添加另外一个字段或交换杭建中多个字段的位置，3）随机化，比如对整个行健取MD5，作为新的行健。以上方法顺序度的性能由高到低，而写入的速度由低到高。

 

行健决定数据的读取维度或模式，数据行行健有序。但如果需要额外的读取顺序，则可以给表添加格外的列族，用于存储其他读取顺序的索引。比如：对于收件箱应用，行健为userID，data列族存消息数据（列名为messageID，值为消息内容），而idx列族存索引（列为标示+消息主题，值为附加信息）。这样就可以在读取索引列族时，得到按主题有序的数据。

 

2、辅助索引

 

辅助索引是为了数据可以按行健之外的方式快速定位数据。解决方案有：

1）由客户端管理索引：维护数据表和辅助索引表两个表。当数据写入时，除了写入数据外，还要将数据表的行健写入索引表。这些操作全部由应用层客户端完成，很灵活，但是缺少事务特性，当数据写入成功而索引失败时两个表将不同步，可以采用定期修剪（如周期性的跑mapreduce任务来删除或增加不一致的条目）解决。

 

2）带索引的事务性HBASE（ITHBASE）：开源、扩展了hbase，主要增加保证所有辅助索引更新一致性的事务功能。同样需要数据表和辅助索引表两张表，跟客户端管理索引不同的是这些操作都在服务器端自动完成。缺点是独立于hbase发行，可能不支持某些版本的hbase。

 

3）带索引的hbase：不同以上两种方式为每个索引单独建表存储，这种方式直接在内存存储索引。当region第一次被打开或者memstore被刷写到磁盘时，通过扫描整个region来建立索引。这种方式可能消耗大量的IO和时间资源，入侵性很强，在按照辅助索引定义的顺序查找时数据表上做的是随机查找，也存在hbase版本兼容问题；优点是数据时同步的不需要额外的事务支持，而且支持类型如byte等。

 

4）协处理器：使用协处理器框架提供的服务器端的钩子函数实现类似于ITHBASE和IHBASE的索引，但不需要替换任何服务器端类。协处理器为每个region载入索引层，并维护索引。

 

3、搜索集成

辅助索引可以按行健意外的顺序遍历表，但不能用任意关键字来搜索数据。实现方式有：

 

1）客户端管理索引：hbase存储数据，mapreduce任务生成索引，还需用hbase作为Lucene的后台存储。另一种实现方法是把数据表的更新也转发到邻近的索引服务器中。一个实现是facebook的收件箱搜索系统：每行是一个单独的收件箱即一个用户一行；列消息中被索引的词，时间戳是消息ID，值是附加信息如词在消息中的位置。

 

2）Lucene：一个外部托管的项目提供了BuildTableIndex类，这个类以前是hbase中contrib的一部分。该类扫描整个表并建立Lucene索引并存在hdfs上。这种方式只使用hbase存储数据。

3）HBasene：直接在hbase内部建立搜索索引，并提供lucene API。

4）协处理器：协处理器提供的钩子维护索引，索引直接存储在hdfs上，每个region都有自己索引，通过搜索分布在所有region上的索引以获取完整的结果。

 

4、事务

1）事务型HBASE：ITHbase有一些取代默认客户端类和服务器端类的扩展类，增加啦跨行甚至跨表的事务支持。每个region都保持了一个事务列表，从beginTransaction开始，到commit结束。每次读写操作有一个事务ID，保证不受其他事务影响。

 

2）zookeeper：利用znode实现分布式锁。

 

5、布隆过滤器

布隆过滤器有两种：行级过滤器和行加列级的过滤器。特别注意的是：当数据表中不包含特定的行时，布隆过滤器给出正确回答；相反则不一定正确；表数据在major合并之前，会存在很多文件，常规查找要加载所有可能包含特定行的所有文件的某个数据块，然后遍历这些数据块看是否真包含这些数据。因此，使用布隆过滤器的前提之一就是，同一行数据更新集中在少数存储文件上，要不然通过布隆过滤器也无法排除文件，还是得加载这些文件中的特定块。单元格比较小才合适加布隆过滤器，否则，不拢过滤器占用的空间会很大，反而增加IO负担。使用行加列不拢过滤器的的情况是：更新的一行数据分布在大部分存储文件，每个存储文件包含该行的一部分，且更新小部分列，且读模式为按列读。综上，决定是否使用布隆过滤器，取决于数据表的读写模式和单元格大小，而过滤原则是能有效过滤掉更多的存储文件。

 

6、版本管理

数据的版本或时间戳分隐式上版本管理和显式版本管理。隐式版本会有一些问题存在，主要发生在集群机器时间不同步时。如客户端写入一行数据，region服务器时间慢1小时，假如客户端再读出最近一个小时的数据，则会把刚写入的数据遗漏。另外，region拆分时把region一分为二，假如一个子region被分配到另外一台机器上，当另外这台机器更新数据时，可能时间戳小于之前的时间戳，从而导致最近更新的数据被认为是老数据。