案例篇-HBase RowKey 设计指南

1.为什么 Rowkey 这么重要

1.1 RowKey 到底是什么

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:

1. 类似于 MySQL、Oracle 中的主键，用于标示唯一的行;
2. 完全是由用户指定的一串不重复的字符串;
3. HBase 中的数据永远是根据 Rowkey 的字典排序来排序的。

1.2 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。

1.3 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 = iteblog uid = 111 AND phone = 123
uid = 111 AND phone = 12?
uid = 111
难以支持的场景:
phone = 123 AND name = iteblog phone = 123
name = iteblog

1.4 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。

2.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。

2.1 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:

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:

所以，你可以向 4 个不同的 region 写，理论上说，如果所有人都向同一个 region 写的话，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:

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。

2.2 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:

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:

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。

2.3 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:

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:

经过这个之后，这些 URL 的数据就可以放一起了。

2.4 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:

1. 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;
2. 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;
3. 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。

3.RowKey 设计案例剖析

3.1 交易类表 Rowkey 设计

查询某个卖家某段时间内的交易记录
sellerId + timestamp + orderId

查询某个买家某段时间内的交易记录
buyerId + timestamp +orderId

根据订单号查询 orderNo
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:

1. 全表 Scan
2. 按照 sellerId 查询
3. 按照 sellerId + timestamp 查询

3.2 金融风控 Rowkey 设计

查询某个用户的用户画像数据

1. prefix + uid
2. prefix + idcard
3. 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。

3.3 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)

3.4 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 stopRow uid

查询用户某段时间的操作记录
Scan [uid] startRow uid stopRow uid

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。