HBase RowKey设计的那些事
通过实战经历分享HBase RowKey设计的技巧与方法 在说 rowkey设计之前,先回答一下大家配置 HBase时可能有的疑问,关于 HBase是否需要单独的 ZooKeeper托管?嗯,如果只是部署 HBase,我建议不要用单独的 ZooKeeper进行托管,用 HBase自带的 ZooKeeper就可以,假如要部署其他应用,比如 Spark等可以单独部署一个 ZooKeeper集群。好,废话不多说了,下面说说 RowKey设计的事。
先谈HBase底层架构
对于新手来说,RowKey的设计是比较陌生的一件事,看上去很简单的东西,其实非常复杂,RowKey的设计基本上可以划分成两大影响,分别是分析维度、查询性能。为什么要这样分呢?我们再回头看看HBase系统架构图:
这种设计看上去并没有什么问题,但是这种设计隐藏了非常多陷阱,假如CompanyCode字段非常固定,而TimeStamp变化比较大的话,会造成单个Region连续地存储这些数据,数据量非常大的时候,这个Region会集中了这些数据,当有应用需要访问这些数据时,造成了RPC timeout,甚至应用程序直接报错,无法执行。
合理的RowKey设计方法
基于上面的原因,我们需要考虑单点集中以及数据查询两方面的因素,因此,在RowKey上我们要针对这两个问题进行方案设计。
首先是单点集中问题,我们出现这样单点集中的原因大概有以下几种:
l RowKey前面的字符过于固定
l 集群结点数量过少
集群结点数量是由我们自身硬件资源限制的,这个我们不考虑在内,我们主要考虑RowKey设计。既然是因为前面字符过于集中,那么我们可以通过在RowKey前面添加随机的一个字符串,下面是引自《HBase Essential》里面的一个随机字符计算方法:
int saltNumber = new Long(new Long(timestamp).hashCode()) %<number of region servers>
用这种方法,我们在插入数据的时候可以人为地随机把一断时间内的数据打散,分布到各个RegionServer下的Region中,充分利用分布式的优势,这样做不紧可以加快数据的读写访问,也解决了数据集中的问题。
改良后的RowKey设计方案
通过上面的技术研讨,可以制定出以下的RowKey设计方案了:
随机字符(2位) + 时间位(14位)+ CompanyCode(4位)
我在实际测试过程中,前后两种方案对比,前者的MR程序跑了1个小时,后者只花了5分钟。
合理地编写查询代码
我们完成数据存储之后,假如要取出某部分数值,需要设置Scan查询,以下是我在实战中用到的部分代码,仅供参考:
public class HBaseTableDriver extends Configured implements Tool { public int run(String[] arg0) throws Exception { if(arg0.length < 4 || arg0.length > 5) throw new IllegalArgumentException("The input argument need:start && stop && farmid && turbineNum && calid"); if(arg0[0].length() != 8 || arg0[1].length() != 8) throw new IllegalArgumentException("The date format should be yyyyMMdd"); Configuration conf = HBaseConfiguration.create(); conf.set("hbase.zookeeper.quorum", ConstantValues.QUOREM); conf.set("hbase.zookeeper.property.clientPort", ConstantValues.CLIENT_PORT); //extract table && tagid && start time && end time conf.set("start", arg0[0]); conf.set("stop", arg0[1]); conf.set("farmid", arg0[2]); conf.set("turbineNum", arg0[3]); conf.set("calid", arg0[4]); String startRow = "0" + arg0[0] + " 000000" + arg0[2] + "001"; String stopRow = "2" + arg0[1] + " 235959" + arg0[2] + RowKeyGenerator.addZero(Integer.parseInt(arg0[3])); String targetKpiTableName = "kpi2"; Job job = Job.getInstance(conf, "KPIExtractor"); job.setJarByClass(KPIExtractor.class); job.setNumReduceTasks(6); Scan scan = new Scan(); scan.addColumn("f".getBytes(), "v".getBytes()); String regEx = "^\\d{1}(?:" + arg0[0].substring(0, 4) + "|" + arg0[1].substring(0, 4) + ")\\d{17}"; switch(arg0[4]){ case "1": regEx = regEx + "(?:823|834)$"; startRow = startRow + "823"; stopRow = stopRow + "834"; break; case "2": regEx = regEx + "211$"; startRow = startRow + "211"; stopRow = stopRow + "211"; break; case "3": regEx = regEx + "544$"; startRow = startRow + "544"; stopRow = stopRow + "544"; break; case "4": regEx = regEx + "208$"; startRow = startRow + "208"; stopRow = stopRow + "208"; break; case "5": regEx = regEx + "(?:739|823)$"; startRow = startRow + "739"; stopRow = stopRow + "823"; break; case "6": regEx = regEx + "(?:211|823)$"; startRow = startRow + "211"; stopRow = stopRow + "823"; break; case "7": regEx = regEx + "708$"; startRow = startRow + "708"; stopRow = stopRow + "708"; break; case "8": regEx = regEx + "822$"; startRow = startRow + "822"; stopRow = stopRow + "822"; break; case "9": regEx = regEx + "211$"; startRow = startRow + "211"; stopRow = stopRow + "211"; break; default: throw new IllegalArgumentException("UnKnown Argument calid:"+arg0[4]+",it should be between 1~9"); } scan.setStartRow(startRow.getBytes()); scan.setStopRow(stopRow.getBytes()); scan.setFilter(new RowFilter(CompareOp.EQUAL, new RegexStringComparator(regEx))); TableMapReduceUtil.initTableMapperJob("hellowrold", scan , KPIMapper.class, ImmutableBytesWritable.class, ImmutableBytesWritable.class, job); TableMapReduceUtil.initTableReducerJob(targetKpiTableName, KPIReducer.class, job); job.waitForCompletion(true); return 0; } }
注意点:
l 这里主要用到了RowFilter对RowKey进行过滤,并且我在查阅相关资料的时候,别人建议不要在大数据量下使用ColumnFilter,性能非常低。
l 可以通过Configuration为Map/Reduce传输参数值。
来自:http://my.oschina.net/lanzp/blog/477732