我要评论什么是rowkey
hbase是一个分布式的、面向列的数据库，它和一般关系型数据库的最大区别是：hbase很适合于存储非结构化的数据，还有就是它基于列的而不是基于行的模式.
hbase是采用k,v存储的,那rowkey就是keyvalue的key了,rowkey也是一段二进制码流，最大长度为64kb，内容可以由使用的用户自定义。数据加载时，一般也是根据rowkey的二进制序由小到大进行的。
hbase是根据rowkey来进行检索的，系统通过找到某个rowkey (或者某个 rowkey 范围)所在的region，然后将查询数据的请求路由到该region获取数据。hbase的检索支持3种方式：
1 通过单个rowkey访问，即按照某个rowkey键值进行get操作，这样获取唯一一条记录；
2 通过rowkey的range进行scan，即通过设置startrowkey和endrowkey，在这个范围内进行扫描。这样可以按指定的条件获取一批记录；
3全表扫描，即直接扫描整张表中所有行记录。
hbase按单个rowkey检索的效率是很高的，耗时在1毫秒以下，每秒钟可获取1000~2000条记录，不过非key列的查询很慢。
我们常说看一张 hbase 表设计的好不好，就看它的 rowkey 设计的好不好。可见 rowkey 在 hbase 中的地位。那么 rowkey 到底是什么？rowkey 的特点如下：
类似于 mysql、oracle中的主键，用于标示唯一的行；
完全是由用户指定的一串不重复的字符串；
hbase 中的数据永远是根据 rowkey 的字典排序来排序的。
rowkey的作用
1读写数据时通过 rowkey 找到对应的 region；
2 memstore 中的数据按 rowkey 字典顺序排序；
3 hfile 中的数据按 rowkey 字典顺序排序。
rowkey对查询的影响
如果我们的 rowkey 设计为 uid+phone+name，那么这种设计可以很好的支持以下的场景：
uid = 111 and phone = 123 and name = zs
uid = 111 and phone = 123
uid = 111 and phone = 12?
uid = 111
难以支持的场景：
phone = 123 and name = zs
phone = 123
name = zs
rowkey对region划分影响
hbase 表的数据是按照 rowkey 来分散到不同 region，不合理的 rowkey 设计会导致热点问题。热点问题是大量的 client 直接访问集群的一个或极少数个节点，而集群中的其他节点却处于相对空闲状态。
如上图，region1 上的数据是 region 2 的5倍，这样会导致 region1 的访问频率比较高，进而影响这个 region 所在机器的其他 region。
rowkey设计技巧
我们如何避免上面说到的热点问题呢？这就是这章节谈到的三种方法。
一．避免热点的方法 - salting
这里的加盐不是密码学中的加盐，而是在rowkey 的前面增加随机数。具体就是给 rowkey 分配一个随机前缀 以使得它和之前排序不同。分配的前缀种类数量应该和你想使数据分散到不同的 region 的数量一致。 如果你有一些 热点 rowkey 反复出现在其他分布均匀的 rwokey 中，加盐是很有用的。考虑下面的例子：它将写请求分散到多个 regionservers，但是对读造成了一些负面影响。
假如你有下列 rowkey，你表中每一个 region 对应字母表中每一个字母。 以 'a' 开头是同一个region, 'b'开头的是同一个region。在表中，所有以 'f'开头的都在同一个 region， 它们的 rowkey 像下面这样：
|
foo0001 foo0002 foo0003 foo0004 |
现在，假如你需要将上面这个 region 分散到 4个 region。你可以用4个不同的盐：'a', 'b', 'c', 'd'.在这个方案下，每一个字母前缀都会在不同的 region 中。加盐之后，你有了下面的 rowkey:
|
a-foo0003 b-foo0001 c-foo0004 d-foo0002 |
所以，你可以向4个不同的 region 写。理论上说，如果这四个 region 存放在不同的机器上，经过加盐之后你将拥有之前4倍的吞吐量。
现在，如果再增加一行，它将随机分配a,b,c,d中的一个作为前缀，并以一个现有行作为尾部结束：
|
a-foo0003 b-foo0001 c-foo0003 c-foo0004 d-foo0002 |
因为分配是随机的，所以如果你想要以字典序取回数据，你需要做更多工作。加盐这种方式增加了写时的吞吐量，但是当读时有了额外代价。
二．避免热点的方法 - hashing
hashing 的原理是计算 rowkey 的 hash 值，然后取 hash 的部分字符串和原来的 rowkey 进行拼接。这里说的 hash 包含 md5、sha1、sha256或sha512等算法。比如我们有如下的 rowkey：
|
foo0001 foo0002 foo0003 foo0004 |
我们使用 md5 计算这些 rowkey 的 hash 值，然后取前 6 位和原来的 rowkey 拼接得到新的 rowkey：
|
95f18cfoo0001 6ccc20foo0002 b61d00foo0003 1a7475foo0004 |
优缺点：可以一定程度打散整个数据集，但是不利于 scan；比如我们使用 md5 算法，来计算rowkey的md5值，然后截取前几位的字符串。substring(md5(设备id), 0, x) + 设备id，其中x一般取5或6。
三．避免热点的方法 - reversing
reversing 的原理是反转一段固定长度或者全部的键。比如我们有以下 url ，并作为 rowkey：
|
flink.xiguage.com www.xiguage.com carbondata.xiguage.com def.xiguage.com |
这些 url 其实属于同一个域名，但是由于前面不一样，导致数据不在一起存放。我们可以对其进行反转，如下：
|
moc.egaugix.knilf moc.egaugix.www moc.egaugix.atadnobrac moc.egaugix.fed |
经过这个之后，这些 url 的数据就可以放一起了。
rowkey的长度
rowkey 可以是任意的字符串，最大长度64kb（因为 rowlength 占2字节）。建议越短越好，原因如下：
数据的持久化文件hfile中是按照keyvalue存储的，如果rowkey过长，比如超过100字节，1000w行数据，光rowkey就要占用100*1000w=10亿个字节，将近1g数据，这样会极大影响hfile的存储效率；
memstore将缓存部分数据到内存，如果rowkey字段过长，内存的有效利用率就会降低，系统不能缓存更多的数据，这样会降低检索效率；
目前操作系统都是64位系统，内存8字节对齐，控制在16个字节，8字节的整数倍利用了操作系统的最佳特性。
rowkey 设计案例剖析
交易类表 rowkey 设计
1.查询某个卖家某段时间内的交易记录
sellerid + timestamp + orderid
2.查询某个买家某段时间内的交易记录
buyerid + timestamp ＋orderid
3.根据订单号查询
orderno
4.如果某个商家卖了很多商品，可以如下设计 rowkey 实现快速搜索
salt + sellerid + timestamp 其中，salt 是随机数。
可以支持的场景：
全表 scan
按照 sellerid 查询
按照 sellerid + timestamp 查询
金融风控 rowkey 设计
查询某个用户的用户画像数据
prefix + uid
prefix + idcard
prefix + tele
其中 prefix = substr(md5(uid),0 ,x)， x 取 5-6。uid、idcard以及 tele 分别表示用户唯一标识符、身份证、手机号码。
车联网 rowkey 设计
查询某辆车在某个时间范围的交易记录
carid + timestamp
某批次的车太多，造成热点
prefix + carid + timestamp 其中 prefix = substr(md5(uid),0 ,x)
查询最近的数据
查询用户最新的操作记录或者查询用户某段时间的操作记录，rowkey 设计如下：
uid + long.max_value - timestamp
支持的场景
查询用户最新的操作记录
scan [uid] startrow [uid][000000000000] stoprow [uid][long.max_value - timestamp]
查询用户某段时间的操作记录
scan [uid] startrow [uid][long.max_value – starttime] stoprow [uid][long.max_value - endtime]
如果 rowkey 无法满足我们的需求，可以尝试二级索引。phoenix、solr 以及 elasticsearch 都可以用于构建二级索引。
您可能感兴趣的文章:
如您对本文有疑问或者有任何想说的，请 点击进行留言回复，万千网友为您解惑！
网友评论