HBase优化面试题

PreCreating Regions

问题 1 ：预分区（ PreCreating Reg ions ）的好处是什么？

参考答案： HBase 预分区（Pre-Splitting）是在创建表时就提前将表的 RowKey 范围划分为多个 Region，而非依赖 HBase 默认的「单 Region 建表、数据达到阈值后自动拆分」机制，核心好处是从根源上解决单 Region 瓶颈、提升集群的读写性能和扩展性。

注意： 预分区的关键是RowKey 的拆分规则（比如按数字范围、字母范围、MD5 哈希前缀拆分），规则不合理会导致分区数据不均，白做预分区。

问题 2 ：如何设定 Region 的预分区？

参考答案：

手动设定预分区

复制代码

hbase> create 'table1','info',SPLITS =>['10000','20000','30000','40000']

生成16进制序列预分区

复制代码

create 'table2','info',{NUMREGIONS => 15,SPLITALGO => 'HexStringSplit'}

create 'table3','info',SPLITS_FILE =>'splits.txt'

按照文件中设置的规则预分区

创建splits.txt文件内容如下：

复制代码

aaaa
bbbb
cccc
dddd

然后执行：

复制代码

create 'table3','info',SPLITS_FILE =>'splits.txt'

使用JavaAPI创建预分区

java 复制代码

//自定义算法，产生一系列Hash散列值存储在二维数组中
byte[][] splitKeys = 某个散列值函数
//创建HbaseAdmin实例
HBaseAdmin hAdmin = new
HBaseAdmin(HbaseConfiguration.create());
//创建HTableDescriptor实例
HTableDescriptor tableDesc = new
HTableDescriptor(tableName);
//通过HTableDescriptor实例和散列值二维数组创建
带有预分区的Hbase表
hAdmin.createTable(tableDesc, splitKeys);

Column Family相关优化

问题1：请问在Column Family上有哪些优化的方案？

参考答案：

合理设置列族数量
设置查询缓存In Memory，创建表的时候，可以通过HColumnDescriptor.setInMemory(true)将表对应列族下的数据放到RegionServer的缓存中，保证在读取的时候被cache命中。用在读取比较频繁的列族上。
3. 设置Cell保存数据的版本数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)。
4. 设置数据的有效时间Time To Live，创建表的时候，可以通过HColumnDescriptor类对象调
用setTimeToLive(int timeToLive)设置表中对应列族下数据的存储生命期，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)，单位秒。默认永久保存（TTL => 'FOREVER'）

问题2：请详细说明如何合理设置列族数量？

**参考答案：**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。

一个region由多个store组成，一个store对应一个CF（列族）

Row Key

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；
2. 通过row key的range进行scan：即通过设置startRowKey和stopRowKey，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。

问题 1 ：设计 rowkey 的主要目的是什么？

参考答案： 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。

问题 2: 请问 rowkey 常用的设计方案有哪些？

参考答案：

生成随机数、 hash 、散列值

比如：

原本rowKey为1001的，SHA1后变成：dd01903921ea24941c26a48f2cec24e0bb0e8cc7原本rowKey为3001的，SHA1后变成：49042c54de64a1e9bf0b33e00245660ef92dc7bd

原本rowKey为5001的，SHA1后变成：7b61dec07e02c188790670af43e717f0f46e8913

在做此操作之前，一般我们会选择从数据集中抽取样本，来决定什么样的rowKey来Hash后作为每个分区的临界值。

字符串反转

当 RowKey 以「连续递增 / 递减的字符串前缀」为主（如手机号、时间戳、自增 ID、固定前缀的业务号）时，通过反转字符串能彻底解决 HBase 的写入热点问题。

本质原因是：HBase 的 Region 是按RowKey 的字典序连续划分 的，若 RowKey 前缀连续，所有写入请求会集中在最后一个 Region （字典序的最大区间），形成写入热点 （单 Region 扛所有写入压力）；而反转字符串后，原连续的前缀会变成分散的后缀，RowKey 的字典序分布会变得均匀，写入请求能分散到多个 Region，实现并行写入。

20500123000001转成1000032100502

20500123000002转成2000032100502

这样也可以在一定程度上散列逐步put进来的数据。

字符串拼接

20500123000001_e15a

20500613000001_a6b2

写表操作优化

问题 1 ：写表操作相关的优化方案有哪些？

参考答案：

优先选择批量写。

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。

如果无法使用批量写，只能使用put(put)方法，也可以通过调整HTable参数进行优化设置

1.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。默认的大小是2MB（即2097 152字节），这个大小比较适中，一般用户插入HBase中的数据都相当小，即每次插入的数据都远小于缓冲区的大小。如果需要存储交到的数据，通常需要考虑增大这个数值，从而允许客户端更高效地将一定数量的数据组成一组，通过一个RPC请求来执行。

2.Auto Flush

通过调用HTable.setAutoFlushTo(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。

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。

读表操作优化

问题 1 ：从 HBase 应用程序设计与开发的角度，总结几种常用的读表操作相关的优化方案 ?

参考答案：

在单条查和批量查都可以用时优先选择批量读。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。
scan时指定需要的列族与列描述符，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。
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）。
优化服务器端BlockCache内存占比。
客户端缓存查询结果。
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：

a. 在HBase的conf配置文件中通过hbase.client.scanner.caching进行配置；

b.通过调用HTable.setScannerCaching(int scannerCaching)进行配置；

c.通过调用scan.setCaching(int caching)进行配置。

三者的优先级从上到下越来越高。

问题 2 ：简述使用客户端缓存查询结果后的查询流程？

参考答案：

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 （least recently used最近最少使用的）等常用的策略。

问题 3 ：简述你对 BlockCache 的理解有哪些？

参考答案：

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。

HBase优化面试题

PreCreating Regions

问题 1 ：预分区（ PreCreating Reg ions ）的好处是什么？

问题 2 ：如何设定 Region 的预分区？

手动设定预分区

生成16进制序列预分区

按照文件中设置的规则预分区

使用JavaAPI创建预分区

Column Family****相关优化

问题1：请问在Column Family上有哪些优化的方案？

问题2：请详细说明如何合理设置列族数量？

Row Key

问题 1 ：设计 rowkey 的主要目的是什么？

问题 2: 请问 rowkey 常用的设计方案有哪些？

写表操作优化

问题 1 ：写表操作相关的优化方案有哪些？

读表操作优化

问题 1 ：从 HBase 应用程序设计与开发的角度，总结几种常用 的读表操作相关的优化方案 ?

问题 2 ：简述使用客户端缓存查询结果后的查询流程？

问题 3 ：简述你对 BlockCache 的理解有哪些？

Column Family相关优化

问题 1 ：从 HBase 应用程序设计与开发的角度，总结几种常用的读表操作相关的优化方案 ?