1、表的設計

1.1、Column Family

由於Hbase是一個面向列族的儲存器，調優和儲存都是在列族這個層次上進行的，最好使列族成員都有相同的"訪問模式(access pattern)"和大小特徵；
在一張表裡不要定義太多的column family。目前Hbase並不能很好的處理超過2~3個column family的表。因為某個column family在flush的時候，它鄰近的column family也會因關聯效應被觸發flush，最終導致系統產生更多的I/O。

1.2、Row Key

Row Key 設計原則：
1）Rowkey長度原則，Rowkey是一個二進位制碼流，可以是任意字串，最大長度64KB，實際應用中一般為10~100bytes

，存為byte[]位元組陣列，一般設計成定長的。建議是越短越好，不要超過16個位元組。原因一資料的持久化檔案HFile中是按照KeyValue儲存的，如果Rowkey過長比如100個位元組，1000萬列資料光Rowkey就要佔用100*1000萬=10億個位元組，將近1G資料，這會極大影響HFile的儲存效率；原因二MemStore將快取部分資料到記憶體，如果Rowkey欄位過長記憶體的有效利用率會降低，系統將無法快取更多的資料，這會降低檢索效率。因此Rowkey的位元組長度越短越好。原因三目前作業系統是都是64位系統，記憶體8位元組對齊。控制在16個位元組，8位元組的整數倍利用作業系統的最佳特性。
2）是Rowkey雜湊原則，如果Rowkey是按時間戳的方式遞增，不要將時間放在二進位制碼的前面，建議將Rowkey的高位作為雜湊欄位，由程式迴圈生成，低位放時間欄位，這樣將提高資料均衡分佈在每個Regionserver實現負載均衡的機率。如果沒有雜湊欄位，首欄位直接是時間資訊將產生所有新資料都在一個RegionServer上堆積的熱點現象，這樣在做資料檢索的時候負載將會集中在個別RegionServer，降低查詢效率。
3）Rowkey唯一原則，必須在設計上保證其唯一性。
row key是按照字典序儲存，因此，設計row key時，要充分利用這個排序特點，將經常一起讀取的資料儲存到一塊，將最近可能會被訪問的資料放在一塊。
舉個例子：如果最近寫入HBase表中的資料是最可能被訪問的，可以考慮將時間戳作為row key的一部分，由於是字典序排序，所以可以使用Long.MAX_VALUE – timestamp作為row key，這樣能保證新寫入的資料在讀取時可以被快速命中。

1.3、 In Memory

建立表的時候，可以通過HColumnDescriptor.setInMemory(true)將表放到RegionServer的快取中，保證在讀取的時候被cache命中。

1.4 、Max Version

建立表的時候，可以通過HColumnDescriptor.setMaxVersions(intmaxVersions)設定表中資料的最大版本，如果只需要儲存最新版本的資料，那麼可以設定setMaxVersions(1)。

1.5、 Time to Live(設定資料儲存的生命週期)

建立表的時候，可以通過HColumnDescriptor.setTimeToLive(inttimeToLive)設定表中資料的儲存生命期，過期資料將自動被刪除，例如如果只需要儲存最近兩天的資料，那麼可以設定setTimeToLive(2 * 24 * 60 * 60)。

1.6、 Compact & Split

在HBase中，資料在更新時首先寫入WAL 日誌(HLog)和記憶體(MemStore)中，MemStore中的資料是排序的，當MemStore累計到一定閾值時，就會建立一個新的MemStore，並且將老的MemStore新增到flush佇列，由單獨的執行緒flush到磁碟上，成為一個StoreFile。於此同時， 系統會在zookeeper中記錄一個redo point，表示這個時刻之前的變更已經持久化了(minor compact)。
StoreFile是隻讀的，一旦建立後就不可以再修改。因此Hbase的更新其實是不斷追加的操作。當一個Store中的StoreFile達到一定的閾值後，就會進行一次合併(major compact)，將對同一個key的修改合併到一起，形成一個大的StoreFile，當StoreFile的大小達到一定閾值後，又會對 StoreFile進行分割(split)，等分為兩個StoreFile。
由於對錶的更新是不斷追加的，處理讀請求時，需要訪問Store中全部的StoreFile和MemStore，將它們按照row key進行合併，由於StoreFile和MemStore都是經過排序的，並且StoreFile帶有記憶體中索引，通常合併過程還是比較快的。
實際應用中，可以考慮必要時手動進行major compact，將同一個row key的修改進行合併形成一個大的StoreFile。同時，可以將StoreFile設定大些，減少split的發生。

1.7、 Pre-Creating Regions

預設情況下，在建立HBase表的時候會自動建立一個region分割槽，當匯入資料的時候，所有的HBase客戶端都向這一個region寫資料，直到這個region足夠大了才進行切分。一種可以加快批量寫入速度的方法是通過預先建立一些空的regions，這樣當資料寫入HBase時，會按照region分割槽情況，在叢集內做資料的負載均衡。                             

1. publicstatic booleancreateTable(HBaseAdmin admin, HTableDescriptor table, byte[][] splits)  
2. throws IOException {  
3.   try {  
4.     admin.createTable(table, splits);  
5.     returntrue;  
6.   } catch (TableExistsException e) {  
7.     logger.info("table " +table.getNameAsString() + " already exists");  
8.     // the table already exists...
9.     returnfalse;  
10.   }  
11. }  
12. publicstaticbyte[][]getHexSplits(String startKey, String endKey, int numRegions) {  
13.   byte[][] splits = newbyte[numRegions-1][];  
14.   BigInteger lowestKey = newBigInteger(startKey, 16);  
15.   BigInteger highestKey = newBigInteger(endKey, 16);  
16.   BigInteger range =highestKey.subtract(lowestKey);  
17.   BigInteger regionIncrement =range.divide(BigInteger.valueOf(numRegions));  
18.   lowestKey = lowestKey.add(regionIncrement);  
19.   for(int i=0; i < numRegions-1;i++) {  
20.     BigInteger key =lowestKey.add(regionIncrement.multiply(BigInteger.valueOf(i)));  
21.     byte[] b = String.format("%016x",key).getBytes();  
22.     splits[i] = b;  
23.   }  
24.   return splits;  
25. }  

2、寫表操作

2.1 多HTable併發寫

建立多個HTable客戶端用於寫操作，提高寫資料的吞吐量，一個例子：

1. staticfinal Configurationconf = HBaseConfiguration.create();  
2. staticfinal Stringtable_log_name = “user_log”;  
3. wTableLog = newHTable[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. }  

2.2 HTable引數設定

2.2.1 Auto Flush

通過呼叫HTable.setAutoFlush(false)方法可以將HTable寫客戶端的自動flush關閉，這樣可以批量寫入資料到 HBase，而不是有一條put就執行一次更新，只有當put填滿客戶端寫快取時，才實際向HBase服務端發起寫請求。預設情況下auto flush是開啟的。保證最後手動HTable.flushCommits()或HTable.close()。

2.2.2 Write Buffer

通過呼叫HTable.setWriteBufferSize(writeBufferSize)方法可以設定 HTable客戶端的寫buffer大小，如果新設定的buffer小於當前寫buffer中的資料時，buffer將會被flush到服務端。其 中，writeBufferSize的單位是byte位元組數，可以根據實際寫入資料量的多少來設定該值。

2.2.3 WAL Flag

在HBae中，客戶端向叢集中的RegionServer提交資料時（Put/Delete操作），首先會先寫WAL（Write Ahead Log）日誌（即HLog，一個RegionServer上的所有Region共享一個HLog），只有當WAL日誌寫成功後，再接著寫 MemStore，然後客戶端被通知提交資料成功；如果寫WAL日誌失敗，客戶端則被通知提交失敗。這樣做的好處是可以做到RegionServer宕機 後的資料恢復。

因此，對於相對不太重要的資料，可以在Put/Delete操作時，通過呼叫Put.setWriteToWAL(false)或Delete.setWriteToWAL(false)函式，放棄寫WAL日誌，從而提高資料寫入的效能。

值得注意的是：謹慎選擇關閉WAL日誌，因為這樣的話，一旦RegionServer宕機，Put/Delete的資料將會無法根據WAL日誌進行恢復。

2.3 批量寫

通過呼叫HTable.put(Put)方法可以將一個指定的row key記錄寫入HBase，同樣HBase提供了另一個方法：通過呼叫HTable.put(List<Put>)方法可以將指定的row key列表，批量寫入多行記錄，這樣做的好處是批量執行，只需要一次網路I/O開銷，這對於對資料實時性要求高，網路傳輸RTT高的情景下可能帶來明顯的效能提升。

2.4 多執行緒併發寫

在客戶端開啟多個HTable寫執行緒，每個寫執行緒負責一個HTable物件的flush操作，這樣結合定時flush和寫 buffer（writeBufferSize），可以既保證在資料量小的時候，資料可以在較短時間內被flush（如1秒內），同時又保證在資料量大的 時候，寫buffer一滿就及時進行flush。下面給個具體的例子：

1. for (int i = 0; i <threadN; i++) {  
2.     Thread th = new Thread() {  
3.         publicvoid run() {  
4.             while (true) {  
5.                 try {  
6.                     sleep(1000); //1 second
7.                 } catch (InterruptedExceptione) {  
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. }  

3、讀表操作

3.1 多HTable併發讀

建立多個HTable客戶端用於讀操作，提高讀資料的吞吐量，一個例子：

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

3.2 HTable引數設定

3.2.1 Scanner Caching

hbase.client.scanner.caching配置項可以設定HBase scanner一次從服務端抓取的資料條數，預設情況下一次一條。通過將其設定成一個合理的值，可以減少scan過程中next()的時間開銷，代價是 scanner需要通過客戶端的記憶體來維持這些被cache的行記錄。

有三個地方可以進行配置：1）在HBase的conf配置檔案中進行配置；2）通過呼叫HTable.setScannerCaching(int scannerCaching)進行配置；3）通過呼叫Scan.setCaching(int caching)進行配置。三者的優先順序越來越高。

3.2.2 Scan AttributeSelection

scan時指定需要的Column Family，可以減少網路傳輸資料量，否則預設scan操作會返回整行所有Column Family的資料。

3.2.3 Close ResultScanner

通過scan取完資料後，記得要關閉ResultScanner，否則RegionServer可能會出現問題（對應的Server資源無法釋放）。

3.3 批量讀

通過呼叫HTable.get(Get)方法可以根據一個指定的row key獲取一行記錄，同樣HBase提供了另一個方法：通過呼叫HTable.get(List<Get>)方法可以根據一個指定的rowkey列表，批量獲取多行記錄，這樣做的好處是批量執行，只需要一次網路I/O開銷，這對於對資料實時性要求高而且網路傳輸RTT高的情景下可能帶來明顯 的效能提升。

3.4 多執行緒併發讀

在客戶端開啟多個HTable讀執行緒，每個讀執行緒負責通過HTable物件進行get操作。下面是一個多執行緒併發讀取HBase，獲取店鋪一天內各分鐘PV值的例子：

1. publicclass DataReaderServer{  
2.      //獲取店鋪一天內各分鐘PV值的入口函式
3.      publicstatic 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 = newArrayList<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.       //多執行緒併發查詢，獲取分鐘PV值
14. private staticConcurrentHashMap<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  = newArrayList<List<String>>(parallel);  
24.             for(int i = 0; i < parallel;i++  ){  
25.                 List<String> lst = newArrayList<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.         }  
32.         List<Future<ConcurrentHashMap<String, String> >> futures = newArrayList<Future< ConcurrentHashMap<String, String> >>(5);  
33.         ThreadFactoryBuilder builder = newThreadFactoryBuilder();  
34.        builder.setNameFormat("ParallelBatchQuery");  
35.         ThreadFactory factory =builder.build();  
36.         ThreadPoolExecutor executor =(ThreadPoolExecutor) Executors.newFixedThreadPool(lstBatchKeys.size(),factory);  
37.         for(List<String> keys :lstBatchKeys){  
38.             Callable<ConcurrentHashMap<String, String> > callable = newBatchMinutePVCallable(keys);  
39.             FutureTask<ConcurrentHashMap<String, String> > future = (FutureTask<ConcurrentHashMap<String, String> >) executor.submit(callable);  
40.             futures.add(future);  
41.         }  
42.         executor.shutdown();  
43.         // Wait for all the tasks to finish
44.         try {  
45.           boolean stillRunning = !executor.awaitTermination(  
46.               5000000, TimeUnit.MILLISECONDS);  
47.           if (stillRunning) {  
48.             try {  
49.                 executor.shutdownNow();  
50.             } catch (Exception e) {  
51.                 // TODO Auto-generated catchblock
52.                 e.printStackTrace();  
53.             }  
54.           }  
55.         } catch (InterruptedException e) {  
56.           try {  
57.              Thread.currentThread().interrupt();  
58.           } catch (Exception e1) {  
59.             // TODO Auto-generated catch block
60.             e1.printStackTrace();  
61.           }  
62.         }  
63.         // Look for any exception
64.         for (Future f : futures) {  
65.           try {  
66.               if(f.get() != null)  
67.               {  
68.                  hashRet.putAll((ConcurrentHashMap<String, String>)f.get());  
69.               }  
70.           } catch (InterruptedException e) {  
71.             try {  
72.                 Thread.currentThread().interrupt();  
73.             } catch (Exception e1) {  
74.                 // TODO Auto-generated catchblock
75.                 e1.printStackTrace();  
76.             }  
77.           } catch (ExecutionException e) {  
78.             e.printStackTrace();  
79.           }  
80.         }  
81.         return hashRet;  
82.     }  
83.      //一個執行緒批量查詢，獲取分鐘PV值
84.     protected staticConcurrentHashMap<String, String> getBatchMinutePV(List<String>lstKeys){  
85.         ConcurrentHashMap<String, String>hashRet = null;  
86.         List<Get> lstGet = newArrayList<Get>();  
87.         String[] splitValue = null;  
88.         for (String s : lstKeys) {  
89.             splitValue =s.split("_");  
90.             long uid =Long.parseLong(splitValue[0]);  
91.             long min =Long.parseLong(splitValue[1]);  
92.             byte[] key = newbyte[16];  
93.             Bytes.putLong(key, 0, uid);  
94.             Bytes.putLong(key, 8, min);  
95.             Get g = new Get(key);  
96.             g.addFamily(fp);  
97.             lstGet.add(g);  
98.         }  
99.         Result[] res = null;  
100.         try {  
101.             res =tableMinutePV[rand.nextInt(tableN)].get(lstGet);  
102.         } catch (IOException e1) {  
103.             logger.error("tableMinutePV exception,e=" + e1.getStackTrace());  
104.         }  
105.         if (res != null && res.length> 0) {  
106.             hashRet = newConcurrentHashMap<String, String>(res.length);  
107.             for (Result re : res) {  
108.                 if (re != null &&!re.isEmpty()) {  
109.                     try {  
110.                         byte[] key =re.getRow();  
111.                         byte[] value =re.getValue(fp, cp);  
112.                         if (key != null&& value != null) {  
113.                            hashRet.put(String.valueOf(Bytes.toLong(key,  
114.                                    Bytes.SIZEOF_LONG)), String.valueOf(Bytes  
115.                                    .toLong(value)));  
116.                         }  
117.                     } catch (Exception e2) {  
118.                        logger.error(e2.getStackTrace());  
119.                     }  
120.                 }  
121.             }  
122.         }  
123.         return hashRet;  
124.     }  
125. }  
126. //呼叫介面類，實現Callable介面
127. class BatchMinutePVCallableimplements Callable<ConcurrentHashMap<String, String>>{  
128.      private List<String> keys;  
129.      publicBatchMinutePVCallable(List<String> lstKeys ) {  
130.          this.keys = lstKeys;  
131.      }  
132.      public ConcurrentHashMap<String,String> call() throws Exception {  
133.          returnDataReadServer.getBatchMinutePV(keys);  
134.      }  
135. }  

3.5 快取查詢結果

對於頻繁查詢HBase的應用場景，可以考慮在應用程式中做快取，當有新的查詢請求時，首先在快取中查詢，如果存在則直接返回，不再查詢HBase；否則對HBase發起讀請求查詢，然後在應用程式中將查詢結果快取起來。至於快取的替換策略，可以考慮LRU等常用的策略。

3.6 Blockcache

HBase上Regionserver的記憶體分為兩個部分，一部分作為Memstore，主要用來寫；另外一部分作為BlockCache，主要用於讀。寫請求會先寫入Memstore，Regionserver會給每個region提供一個Memstore，當Memstore滿64MB以後，會啟動 flush重新整理到磁碟。當Memstore的總大小超過限制時（heapsize * hbase.regionserver.global.memstore.upperLimit * 0.9），會強行啟動flush程序，從最大的Memstore開始flush直到低於限制。讀請求先到Memstore中查資料，查不到就到BlockCache中查，再查不到就會到磁碟上讀，並把讀的結果放入BlockCache。由於 BlockCache採用的是LRU策略，因此BlockCache達到上限(heapsize *hfile.block.cache.size * 0.85)後，會啟動淘汰機制，淘汰掉最老的一批資料。一個Regionserver上有一個BlockCache和N個Memstore，它們的大小之和不能大於等於heapsize * 0.8，否則HBase不能啟動。預設BlockCache為0.2，而Memstore為0.4。對於注重讀響應時間的系統，可以將 BlockCache設大些，比如設定BlockCache=0.4，Memstore=0.39，以加大快取的命中率。

4、參考資料

http://blog.linezing.com/2012/03/hbase-performance-optimization（Hbase效能方法優化總結）