一、高可用

在 HBase 中 Hmaster 负责监控 RegionServer 的生命周期，均衡 RegionServer 的负载，如 果 Hmaster 挂掉了，那么整个 HBase 集群将陷入不健康的状态，并且此时的工作状态并不 会维持太久。所以 HBase 支持对 Hmaster 的高可用配置。

二、预分区

2.1 Pre-Creating Regions(预分区)

每一个 region 维护着 startRow 与 endRowKey，如果加入的数据符合某个 region 维护的rowKey 范围，则该数据交给这个 region 维护。那么依照这个原则，我们可以将数据所要投放的分区提前大致的规划好，以提高 HBase 性能。

默认情况下，在创建HBase表的时候会自动创建一个region分区，当导入数据的时候，所有的HBase客户端都向这一个region写数据，直到这个region足够大了才进行切分。一种可以加快批量写入速度的方法是通过预先创建一些空的regions，这样当数据写入HBase时，会按照region分区情况，在集群内做数据的负载均衡。
参考文档：http://hbase.apache.org/book.html#perf.writing 之 Table Creation: Pre-Creating Regions

2.1.1、手动设定预分区

  1. hbase> create 'staff1','info','partition1',SPLITS => ['1000','2000','3000','4000']

2.2.2、生成 16 进制序列预分区

  1. hbase> create 'staff2','info','partition2',{NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}

2.2.3、按照文件中设置的规则预分区

创建 splits.txt 文件内容如下：

  1. aaaa
  2. bbbb
  3. cccc
  4. dddd

然后执行：

  1. create 'staff3','partition3',SPLITS_FILE => 'splits.txt'

2.2.4、使用 JavaAPI 创建预分区

  1. public static boolean createTable(HBaseAdmin admin, HTableDescriptor table, byte[][] splits)
  2. throws IOException {
  3.   try {
  4.     admin.createTable(table, splits);
  5.     return true;
  6.   } catch (TableExistsException e) {
  7.     logger.info("table " + table.getNameAsString() + " already exists");
  8.     // the table already exists...
  9.     return false;  
  10.   }
  11. }
  13. // 自定义算法，产生一系列 Hash 散列值存储在二维数组中
  14. public static byte[][] getHexSplits(String startKey, String endKey, int numRegions) { 
  15.   // start:001,endkey:100,10region [001,010]
  16.   byte[][] splits = new byte[numRegions-1][];
  17.   BigInteger lowestKey = new BigInteger(startKey, 16);
  18.   BigInteger highestKey = new BigInteger(endKey, 16);
  19.   BigInteger range = highestKey.subtract(lowestKey);
  20.   BigInteger regionIncrement = range.divide(BigInteger.valueOf(numRegions));
  21.   lowestKey = lowestKey.add(regionIncrement);
  22.   for(int i=0; i < numRegions-1;i++) {
  23.     BigInteger key = lowestKey.add(regionIncrement.multiply(BigInteger.valueOf(i)));
  24.     byte[] b = String.format("%016x", key).getBytes();
  25.     splits[i] = b;
  26.   }
  27.   return splits;
  28. }

三、Row Key设计

一条数据的唯一标识就是 rowkey，那么这条数据存储于哪个分区，取决于 rowkey 处于 哪个一个预分区的区间内，设计rowkey的主要目的 ，就是让数据均匀的分布于所有的region 中，在一定程度上防止数据倾斜。接下来我们就谈一谈 rowkey 常用的设计方案。

HBase中row key用来检索表中的记录，支持以下三种方式：

  • 通过单个row key访问：即按照某个row key键值进行get操作；
  • 通过row key的range进行scan：即通过设置startRowKey和endRowKey，在这个范围内进行扫描；
  • 全表扫描：即直接扫描整张表中所有行记录。

在HBase中，row key可以是任意字符串，最大长度64KB，实际应用中一般为10~100bytes，存为byte[]字节数组，一般设计成定长的。
row key是按照字典序存储，因此，设计row key时，要充分利用这个排序特点，将经常一起读取的数据存储到一块，将最近可能会被访问的数据放在一块。

举个例子：如果最近写入HBase表中的数据是最可能被访问的，可以考虑将时间戳作为row key的一部分，由于是字典序排序，所以可以使用Long.MAX_VALUE - timestamp作为row key，这样能保证新写入的数据在读取时可以被快速命中。

Rowkey规则：

  • 越小越好
  • Rowkey的设计是要根据实际业务来
  • 散列性
    • 取反 001 002 100 200
    • Hash
  • 字符串反转、拼接

四、Column Family

不要在一张表里定义太多的column family。
目前Hbase并不能很好的处理超过2~3个column family的表。因为某个column family在flush的时候，它邻近的column family也会因关联效应被触发flush，最终导致系统产生更多的I/O。

五、内存优化

HBase 操作过程中需要大量的内存开销，毕竟 Table 是可以缓存在内存中的，一般会分配整个可用内存的 70%给 HBase 的 Java 堆。但是不建议分配非常大的堆内存，因为 GC 过 程持续太久会导致 RegionServer 处于长期不可用状态，一般 16~48G 内存就可以了，如果因为框架占用内存过高导致系统内存不足，框架一样会被系统服务拖死。

六、基础优化

6.1、允许在 HDFS 的文件中追加内容

hdfs-site.xml、hbase-site.xml

  1. 属性:dfs.support.append
  2. 解释:开启 HDFS 追加同步，可以优秀的配合 HBase 的数据同步和持久化。默认值为 true

6.2、优化 DataNode 允许的最大文件打开数 hdfs-site.xml

hdfs-site.xml

  1. 属性:dfs.datanode.max.transfer.threads
  2. 解释:HBase 一般都会同一时间操作大量的文件，根据集群的数量和规模以及数据动作，
  3. 设置为 4096 或者更高。默认值:4096

6.3、优化延迟高的数据操作的等待时间

hdfs-site.xml

  1. 属性:dfs.image.transfer.timeout
  2. 解释:如果对于某一次数据操作来讲，延迟非常高，socket 需要等待更长的时间，建议把
  3. 该值设置为更大的值(默认 60000 毫秒)，以确保 socket 不会被 timeout 掉。

6.4、优化数据的写入效率

mapred-site.xml

  1. 属性:
  2.     mapreduce.map.output.compress
  3.     mapreduce.map.output.compress.codec
  4. 解释:开启这两个数据可以大大提高文件的写入效率，减少写入时间。第一个属性值修改为
  5. true，第二个属性值修改为:org.apache.hadoop.io.compress.GzipCodec 或者
  6. 其他压缩方式。

6.5、设置 RPC 监听数量

hbase-site.xml

  1. 属性:hbase.regionserver.handler.count
  2. 解释:默认值为 30，用于指定 RPC 监听的数量，可以根据客户端的请求数进行调整，读写
  3. 请求较多时，增加此值。

6.6、优化 HStore 文件大小

hbase-site.xml

  1. 属性:hbase.hregion.max.filesize
  2. 解释:默认值 10737418240(10GB)，如果需要运行 HBase 的 MR 任务，可以减小此值
  3. 因为一个 region 对应一个 map 任务，如果单个 region 过大，会导致 map 任务执行时间
  4. 过长。该值的意思就是，如果 HFile 的大小达到这个数值，则这个 region 会被切分为两
  5. 个 Hfile。

6.7、优化 hbase 客户端缓存

hbase-site.xml

  1. 属性:hbase.client.write.buffer
  2. 解释:用于指定 HBase 客户端缓存，增大该值可以减少 RPC 调用次数，但是会消耗更多内
  3. 存，反之则反之。一般我们需要设定一定的缓存大小，以达到减少 RPC 次数的目的。

6.8、指定 scan.next 扫描 HBase 所获取的行数

hbase-site.xml

  1. 属性:hbase.client.scanner.caching
  2. 解释:用于指定 scan.next 方法获取的默认行数，值越大，消耗内存越大。

6.9、flush、compact、split 机制

当 MemStore 达到阈值，将 Memstore 中的数据 Flush 进 Storefile；
compact 机制则是把 flush出来的小文件合并成大的 Storefile 文件；
split 则是当 Region 达到阈值，会把过大的 Region一分为二；

涉及属性:

  1. 属性：hbase.hregion.memstore.flush.size
  2. 解释：默认值 134217728，即128M 就是 Memstore 的默认阈值；
  3. 这个参数的作用是当单个 HRegion 内所有的 Memstore 大小总和超过指定值时，flush 该
  4. HRegion 的所有 memstore。RegionServer 的 flush 是通过将请求添加一个队列，模拟生产消
  5. 费模型来异步处理的。那这里就有一个问题，当队列来不及消费，产生大量积压请求时，可
  6. 能会导致内存陡增，最坏的情况是触发 OOM。
  1. 属性：
  2.   hbase.regionserver.global.memstore.upperLimit:0.4
  3.     hbase.regionserver.global.memstore.lowerLimit:0.38
  4. 解释：
  5. 当 MemStore 使用内存总量达到 hbase.regionserver.global.memstore.upperLimit 指定值时，
  6. 将会有多个 MemStores flush 到文件中，MemStore flush 顺序是按照大小降序执行的，直到
  7. 刷新到 MemStore 使用内存略小于 lowerLimit

七、表其他属性

7.1、 In Memory

创建表的时候，可以通过HColumnDescriptor.setInMemory(true)将表放到RegionServer的缓存中，保证在读取的时候被cache命中。

7.2、 Max Version

创建表的时候，可以通过HColumnDescriptor.setMaxVersions(int maxVersions)设置表中数据的最大版本，如果只需要保存最新版本的数据，那么可以设置setMaxVersions(1)。

7.3、 Time To Live（TTL）

创建表的时候，可以通过HColumnDescriptor.setTimeToLive(int timeToLive)设置表中数据的存储生命期，过期数据将自动被删除，
例如如果只需要存储最近两天的数据，那么可以设置setTimeToLive(2 24 60 * 60)

八、非常重要：Compact & Split（合并和拆分）

在HBase中，数据在更新时首先写入WAL 日志(HLog)和内存(MemStore)中，MemStore中的数据是排序的，当MemStore累计到一定阈值时，就会创建一个新的MemStore，并且将老的MemStore添加到flush队列，由单独的线程flush到磁盘上，成为一个StoreFile。于此同时， 系统会在zookeeper中记录一个redo point，表示这个时刻之前的变更已经持久化了(minor compact)。
StoreFile是只读的，一旦创建后就不可以再修改。因此Hbase的更新其实是不断追加的操作。当一个Store中的StoreFile达到一定的阈值后，就会进行一次合并(major compact)，将对同一个key的修改合并到一起，形成一个大的StoreFile，当StoreFile的大小达到一定阈值后，又会对 StoreFile进行分割(split)，等分为两个StoreFile。
由于对表的更新是不断追加的，处理读请求时，需要访问Store中全部的StoreFile和MemStore，将它们按照row key进行合并，由于StoreFile和MemStore都是经过排序的，并且StoreFile带有内存中索引，通常合并过程还是比较快的。
实际应用中，可以考虑必要时手动进行major compact，将同一个row key的修改进行合并形成一个大的StoreFile。同时，可以将StoreFile设置大些，减少split的发生。

hbase为了防止小文件（被刷到磁盘的menstore）过多，以保证查询效率，hbase需要在必要的时候将这些小的store file合并成相对较大的store file，这个过程就称之为compaction。在hbase中，主要存在两种类型的compaction：minor compaction和major compaction。

  • minor compaction:的是较小、很少文件的合并。
  • major compaction 的功能是将所有的store file合并成一个，触发major compaction的可能条件有：
    • major_compact 命令、
    • majorCompact() API、
    • region server自动运行（相关参数：hbase.hregion.majoucompaction 默认为24 小时、hbase.hregion.majorcompaction.jetter 默认值为0.2，防止region server 在同一时间进行major compaction）

hbase.hregion.majorcompaction.jetter参数的作用是：对参数hbase.hregion.majoucompaction 规定的值起到浮动的作用，假如两个参数都为默认值24和0,2，那么major compact最终使用的数值为：19.2~28.8 这个范围。

1、 关闭自动major compaction
2、 手动编程major compaction
Timer类，contab
minor compaction的运行机制要复杂一些，它由一下几个参数共同决定：

  • hbase.hstore.compaction.min: 默认值为 3，表示至少需要三个满足条件的store file时，minor compaction才会启动
  • hbase.hstore.compaction.max: 默认值为10，表示一次minor compaction中最多选取10个store file
  • hbase.hstore.compaction.min.size: 表示文件大小小于该值的store file 一定会加入到minor compaction的store file中
  • hbase.hstore.compaction.max.size: 表示文件大小大于该值的store file 一定会被minor compaction排除
  • hbase.hstore.compaction.ratio: 将store file 按照文件年龄排序（older to younger），minor compaction总是从older store file开始选择

九、写表操作

9.1、多HTable并发写

创建多个HTable客户端用于写操作，提高写数据的吞吐量，一个例子：

  1. static final Configuration conf = HBaseConfiguration.create();
  2. static final String table_log_name = “user_log”;
  3. wTableLog = new HTable[tableN];
  4. for (int i = 0; i < tableN; i++) {
  5.     wTableLog[i] = new HTable(conf, table_log_name);
  6.     wTableLog[i].setWriteBufferSize(5 * 1024 * 1024); //5MB
  7.     wTableLog[i].setAutoFlush(false);
  8. }

9.2、HTable参数设置

9.2.1、Auto Flush

通过调用HTable.setAutoFlush(false)方法可以将HTable写客户端的自动flush关闭，这样可以批量写入数据到HBase，而不是有一条put就执行一次更新，只有当put填满客户端写缓存时，才实际向HBase服务端发起写请求。默认情况下auto flush是开启的。

9.2.2、Write Buffer

通过调用HTable.setWriteBufferSize(writeBufferSize)方法可以设置HTable客户端的写buffer大小，如果新设置的buffer小于当前写buffer中的数据时，buffer将会被flush到服务端。其中，writeBufferSize的单位是byte字节数，可以根据实际写入数据量的多少来设置该值。

9.2.3、WAL Flag

在HBae中，客户端向集群中的RegionServer提交数据时（Put/Delete操作），首先会先写WAL（Write Ahead Log）日志（即HLog，一个RegionServer上的所有Region共享一个HLog），只有当WAL日志写成功后，再接着写MemStore，然后客户端被通知提交数据成功；如果写WAL日志失败，客户端则被通知提交失败。这样做的好处是可以做到RegionServer宕机后的数据恢复。
因此， 对于相对不太重要的数据，可以在Put/Delete操作时，通过调用Put.setWriteToWAL(false)或Delete.setWriteToWAL(false)函数，放弃写WAL日志，从而提高数据写入的性能。

值得注意的是：谨慎选择关闭WAL日志，因为这样的话，一旦RegionServer宕机，Put/Delete的数据将会无法根据WAL日志进行恢复。

9.3 批量写

通过调用HTable.put(Put)方法可以将一个指定的row key记录写入HBase，同样HBase提供了另一个方法：通过调用HTable.put(List)方法可以将指定的row key列表，批量写入多行记录，这样做的好处是批量执行，只需要一次网络I/O开销，这对于对数据实时性要求高，网络传输RTT高的情景下可能带来明显的性能提升。

9.4 多线程并发写

在客户端开启多个HTable写线程，每个写线程负责一个HTable对象的flush操作，这样结合定时flush和写buffer（writeBufferSize），可以既保证在数据量小的时候，数据可以在较短时间内被flush（如1秒内），同时又保证在数据量大的时候，写buffer一满就及时进行flush。下面给个具体的例子：

  1. for (int i = 0; i < threadN; i++) {
  2.     Thread th = new Thread() {
  3.         public void run() {
  4.             while (true) {
  5.                 try {
  6.                     sleep(1000); //1 second
  7.                 } catch (InterruptedException e) {
  8.                     e.printStackTrace();
  9.                 }
  10. synchronized (wTableLog[i]) {
  11.                     try {
  12.                         wTableLog[i].flushCommits();
  13.                     } catch (IOException e) {
  14.                         e.printStackTrace();
  15.                     }
  16.                 }
  17.             }
  18. }
  19.     };
  20.     th.setDaemon(true);
  21.     th.start();
  22. }

10、读表操作

10.1 多HTable并发读

创建多个HTable客户端用于读操作，提高读数据的吞吐量，一个例子：

  1. static final Configuration conf = HBaseConfiguration.create();
  2. static final String table_log_name = “user_log”;
  3. rTableLog = new HTable[tableN];
  4. for (int i = 0; i < tableN; i++) {
  5.     rTableLog[i] = new HTable(conf, table_log_name);
  6.     rTableLog[i].setScannerCaching(50);
  7. }

10.2 HTable参数设置

10.2.1、Scanner Caching

hbase.client.scanner.caching配置项可以设置HBase scanner一次从服务端抓取的数据条数，默认情况下一次一条。通过将其设置成一个合理的值，可以减少scan过程中next()的时间开销，代价是scanner需要通过客户端的内存来维持这些被cache的行记录。
有三个地方可以进行配置：

  • 在HBase的conf配置文件中进行配置；
  • 通过调用HTable.setScannerCaching(int scannerCaching)进行配置；
  • 通过调用Scan.setCaching(int caching)进行配置。

三者的优先级越来越高。

10.2.2、Scan Attribute Selection

scan时指定需要的Column Family，可以减少网络传输数据量，否则默认scan操作会返回整行所有Column Family的数据。

10.2.3、Close ResultScanner

通过scan取完数据后，记得要关闭ResultScanner，否则RegionServer可能会出现问题（对应的Server资源无法释放）。

10.3、批量读

通过调用HTable.get(Get)方法可以根据一个指定的row key获取一行记录，同样HBase提供了另一个方法：通过调用HTable.get(List)方法可以根据一个指定的row key列表，批量获取多行记录，这样做的好处是批量执行，只需要一次网络I/O开销，这对于对数据实时性要求高而且网络传输RTT高的情景下可能带来明显的性能提升。

10.4、多线程并发读

在客户端开启多个HTable读线程，每个读线程负责通过HTable对象进行get操作。下面是一个多线程并发读取HBase，获取店铺一天内各分钟PV值的例子：

  1. public class DataReaderServer {
  2.      //获取店铺一天内各分钟PV值的入口函数
  3.      public static ConcurrentHashMap<String, String> getUnitMinutePV(long uid, long startStamp, long endStamp){
  4.          long min = startStamp;
  5.          int count = (int)((endStamp - startStamp) / (60*1000));
  6.          List<String> lst = new ArrayList<String>();
  7.          for (int i = 0; i <= count; i++) {
  8.             min = startStamp + i * 60 * 1000;
  9.             lst.add(uid + "_" + min);
  10.          }
  11.          return parallelBatchMinutePV(lst);
  12.      }
  13.       //多线程并发查询，获取分钟PV值
  14. private static ConcurrentHashMap<String, String> parallelBatchMinutePV(List<String> lstKeys){
  15.         ConcurrentHashMap<String, String> hashRet = new ConcurrentHashMap<String, String>();
  16.         int parallel = 3;
  17.         List<List<String>> lstBatchKeys  = null;
  18.         if (lstKeys.size() < parallel ){
  19.             lstBatchKeys  = new ArrayList<List<String>>(1);
  20.             lstBatchKeys.add(lstKeys);
  21.         }
  22.         else{
  23.             lstBatchKeys  = new ArrayList<List<String>>(parallel);
  24.             for(int i = 0; i < parallel; i++  ){
  25.                 List<String> lst = new ArrayList<String>();
  26.                 lstBatchKeys.add(lst);
  27.             }
  28.             for(int i = 0 ; i < lstKeys.size() ; i ++ ){
  29.                 lstBatchKeys.get(i%parallel).add(lstKeys.get(i));
  30.             }
  31.         }
  33.         List<Future< ConcurrentHashMap<String, String> >> futures = new ArrayList<Future< ConcurrentHashMap<String, String> >>(5);
  35.         ThreadFactoryBuilder builder = new ThreadFactoryBuilder();
  36.         builder.setNameFormat("ParallelBatchQuery");
  37.         ThreadFactory factory = builder.build();
  38.         ThreadPoolExecutor executor = (ThreadPoolExecutor) Executors.newFixedThreadPool(lstBatchKeys.size(), factory);
  40.         for(List<String> keys : lstBatchKeys){
  41.             Callable< ConcurrentHashMap<String, String> > callable = new BatchMinutePVCallable(keys);
  42.             FutureTask< ConcurrentHashMap<String, String> > future = (FutureTask< ConcurrentHashMap<String, String> >) executor.submit(callable);
  43.             futures.add(future);
  44.         }
  45.         executor.shutdown();
  47.         // Wait for all the tasks to finish
  48.         try {
  49.           boolean stillRunning = !executor.awaitTermination(
  50.               5000000, TimeUnit.MILLISECONDS);
  51.           if (stillRunning) {
  52.             try {
  53.                 executor.shutdownNow();
  54.             } catch (Exception e) {
  55.                 // TODO Auto-generated catch block
  56.                 e.printStackTrace();
  57.             }
  58.           }
  59.         } catch (InterruptedException e) {
  60.           try {
  61.               Thread.currentThread().interrupt();
  62.           } catch (Exception e1) {
  63.             // TODO Auto-generated catch block
  64.             e1.printStackTrace();
  65.           }
  66.         }
  68.         // Look for any exception
  69.         for (Future f : futures) {
  70.           try {
  71.               if(f.get() != null)
  72.               {
  73.                   hashRet.putAll((ConcurrentHashMap<String, String>)f.get());
  74.               }
  75.           } catch (InterruptedException e) {
  76.             try {
  77.                  Thread.currentThread().interrupt();
  78.             } catch (Exception e1) {
  79.                 // TODO Auto-generated catch block
  80.                 e1.printStackTrace();
  81.             }
  82.           } catch (ExecutionException e) {
  83.             e.printStackTrace();
  84.           }
  85.         }
  87.         return hashRet;
  88.     }
  89.      //一个线程批量查询，获取分钟PV值
  90.     protected static ConcurrentHashMap<String, String> getBatchMinutePV(List<String> lstKeys){
  91.         ConcurrentHashMap<String, String> hashRet = null;
  92.         List<Get> lstGet = new ArrayList<Get>();
  93.         String[] splitValue = null;
  94.         for (String s : lstKeys) {
  95.             splitValue = s.split("_");
  96.             long uid = Long.parseLong(splitValue[0]);
  97.             long min = Long.parseLong(splitValue[1]);
  98.             byte[] key = new byte[16];
  99.             Bytes.putLong(key, 0, uid);
  100.             Bytes.putLong(key, 8, min);
  101.             Get g = new Get(key);
  102.             g.addFamily(fp);
  103.             lstGet.add(g);
  104.         }
  105.         Result[] res = null;
  106.         try {
  107.             res = tableMinutePV[rand.nextInt(tableN)].get(lstGet);
  108.         } catch (IOException e1) {
  109.             logger.error("tableMinutePV exception, e=" + e1.getStackTrace());
  110.         }
  111.         if (res != null && res.length > 0) {
  112.             hashRet = new ConcurrentHashMap<String, String>(res.length);
  113.             for (Result re : res) {
  114.                 if (re != null && !re.isEmpty()) {
  115.                     try {
  116.                         byte[] key = re.getRow();
  117.                         byte[] value = re.getValue(fp, cp);
  118.                         if (key != null && value != null) {
  119.                             hashRet.put(String.valueOf(Bytes.toLong(key,
  120.                                     Bytes.SIZEOF_LONG)), String.valueOf(Bytes
  121.                                     .toLong(value)));
  122.                         }
  123.                     } catch (Exception e2) {
  124.                         logger.error(e2.getStackTrace());
  125.                     }
  126.                 }
  127.             }
  128.         }
  129.         return hashRet;
  130.     }
  131. }
  132. //调用接口类，实现Callable接口
  133. class BatchMinutePVCallable implements Callable<ConcurrentHashMap<String, String>>{
  134.      private List<String> keys;
  135.      public BatchMinutePVCallable(List<String> lstKeys ) {
  136.          this.keys = lstKeys;
  137.      }
  138.      public ConcurrentHashMap<String, String> call() throws Exception {
  139.          return DataReadServer.getBatchMinutePV(keys);
  140.      }
  141. }

10.5、缓存查询结果

对于频繁查询HBase的应用场景，可以考虑在应用程序中做缓存，当有新的查询请求时，首先在缓存中查找，如果存在则直接返回，不再查询HBase；否则对HBase发起读请求查询，然后在应用程序中将查询结果缓存起来。至于缓存的替换策略，可以考虑LRU等常用的策略。

10.6、**非常重要：**Blockcache

HBase上Regionserver的内存分为两个部分，一部分作为Memstore，主要用来写；另外一部分作为BlockCache，主要用于读。
写请求会先写入Memstore，Regionserver会给每个region提供一个Memstore，当Memstore满64MB以后，会启动 flush刷新到磁盘。当Memstore的总大小超过限制时（heapsize hbase.regionserver.global.memstore.upperLimit 0.9），会强行启动flush进程，从最大的Memstore开始flush直到低于限制。
读请求先到Memstore中查数据，查不到就到BlockCache中查，再查不到就会到磁盘上读，并把读的结果放入BlockCache。由于BlockCache采用的是LRU策略，因此BlockCache达到上限(heapsize hfile.block.cache.size 0.85)后，会启动淘汰机制，淘汰掉最老的一批数据。
一个Regionserver上有一个BlockCache和N个Memstore， 它们的大小之和不能大于等于heapsize * 0.8，否则HBase不能启动。默认BlockCache为0.2，而Memstore为0.4。

对于注重读响应时间的系统，可以将** **BlockCache设大些，比如设置BlockCache=0.4，Memstore=0.39，以加大缓存的命中率。

11、HTable和HTablePool使用注意事项

HTable和HTablePool都是HBase客户端API的一部分，可以使用它们对HBase表进行CRUD操作。下面结合在项目中的应用情况，对二者使用过程中的注意事项做一下概括总结:

  1. Configuration conf = HBaseConfiguration.create();
  2. try (Connection connection = ConnectionFactory.createConnection(conf)) {
  3.   try (Table table = connection.getTable(TableName.valueOf(tablename)) {
  4.     // use table as needed, the table returned is lightweight
  5.   }
  6. }

HTable

HTable 是HBase客户端与HBase服务端通讯的Java API对象，客户端可以通过HTable对象与服务端进行CRUD操作（增删改查）。它的创建很简单：

  1. Configuration conf = HBaseConfiguration.create();
  2. HTable table = new HTable(conf, "tablename");
  3. //TODO CRUD Operation……

HTable使用时的一些注意事项：
1. ** **规避HTable对象的创建开销
因为客户端创建HTable对象后，需要进行一系列的操作：检查.META.表确认指定名称的HBase表是否存在，表是否有效等等，整个时间开销比较重，可能会耗时几秒钟之长，因此最好在程序启动时一次性创建完成需要的HTable对象，如果使用Java API，一般来说是在构造函数中进行创建，程序启动后直接重用。
2. ** **HTable对象不是线程安全的
HTable对象对于客户端读写数据来说不是线程安全的，因此多线程时，要为每个线程单独创建复用一个HTable对象，不同对象间不要共享HTable对象使用，特别是在客户端auto flash被置为false时，由于存在本地write buffer，可能导致数据不一致。
3. ** **HTable对象之间共享Configuration
HTable对象共享Configuration对象，这样的好处在于：

  • 共享ZooKeeper的连接：每个客户端需要与ZooKeeper建立连接，查询用户的table regions位置，这些信息可以在连接建立后缓存起来共享使用；
  • 共享公共的资源：客户端需要通过ZooKeeper查找-ROOT-和.META.表，这个需要网络传输开销，客户端缓存这些公共资源后能够减少后续的网络传输开销，加快查找过程速度。

因此，与以下这种方式相比：

  1. HTable table1 = new HTable("table1");
  2. HTable table2 = new HTable("table2");

下面的方式更有效些：

  1. Configuration conf = HBaseConfiguration.create();
  2. HTable table1 = new HTable(conf, "table1");
  3. HTable table2 = new HTable(conf, "table2");

备注：即使是高负载的多线程程序，也并没有发现因为共享Configuration而导致的性能问题；如果你的实际情况中不是如此，那么可以尝试不共享Configuration

HTablePool

HTablePool 可以解决HTable存在的线程不安全问题，同时通过维护固定数量的HTable对象，能够在程序运行期间复用这些HTable资源对象。

  1. Configuration conf = HBaseConfiguration.create();
  2. HTablePool pool = new HTablePool(conf, 10);
  1. HTablePool可以自动创建HTable对象，而且对客户端来说使用上是完全透明的，可以避免多线程间数据并发修改问题。
    2. HTablePool中的HTable对象之间是公用Configuration连接的，能够可以减少网络开销。
    HTablePool的使用很简单：每次进行操作前，通过HTablePool的getTable方法取得一个HTable对象，然后进行put/get/scan/delete等操作，最后通过HTablePool的putTable方法将HTable对象放回到HTablePool中。
    下面是个使用HTablePool的简单例子：
    1. public void createUser(String username, String firstName, String lastName, String email, String password, String roles) throws IOException {
    2. 　　HTable table = rm.getTable(UserTable.NAME);
    3. 　　Put put = new Put(Bytes.toBytes(username));
    4. 　　put.add(UserTable.DATA_FAMILY, UserTable.FIRSTNAME,
    5. 　　Bytes.toBytes(firstName));
    6. 　　put.add(UserTable.DATA_FAMILY, UserTable.LASTNAME,
    7. 　　　　Bytes.toBytes(lastName));
    8. 　　put.add(UserTable.DATA_FAMILY, UserTable.EMAIL, Bytes.toBytes(email));
    9. 　　put.add(UserTable.DATA_FAMILY, UserTable.CREDENTIALS,
    10. 　　　　Bytes.toBytes(password));
    11. 　　put.add(UserTable.DATA_FAMILY, UserTable.ROLES, Bytes.toBytes(roles));
    12. 　　table.put(put);
    13. 　　table.flushCommits();
    14. 　　rm.putTable(table);
    15. }

    Hbase和DBMS比较：
  • 查询数据不灵活：
  • 不能使用column之间过滤查询
  • 不支持全文索引。使用solr、es和hbase整合完成全文搜索。
    • 使用MR批量读取hbase中的数据，在solr里面建立索引（no store）之保存rowkey的值
    • 根据关键词从索引中搜索到rowkey（分页）
    • 根据rowkey从hbase查询所有数据