发表于2019-03-192020-03-03 作者 Ryan
首先，我们来看一张 HBase 的存储结构图（图片来源于网络），如下：
HBase 的数据存储节点叫做 HRegionServer，每个 HRegionServer 管理很多个 HRegion，Region 是HBase你们数据管理的最小单元，不同的 Region 存放在不同的 HRegionServer 机器上。
每个 HRegion 由一个 HLog 和 一个或者多个 Store 组成。每个 Store 由保存一个列簇 （columns family） 。 每个Strore又由一个memStore和 零个至多个StoreFile 组成。memStore 存储在内存中， StoreFile 存储在HDFS上。
说到这里，我们可以很明显的感知到，多个 Region 会造成性能问题，具体是什么性能问题，接着往下看……但我们在想一个问题，Region 少一点绕开性能问题行不行。笔者直接告诉你，也不行！为什么？ Region 数目太少就会妨碍可扩展性，导致单个 Region 变得很大降低了并行度。
回到正题，我们在定义 HBase 表的时候，在没有配置“hbase.hregion.max.filesize”的情况下，默认单个 Region 的大小为：10 * 1024 * 1024 * 1024，但写入数据量超过该值，会造成 Region 的 split 动作。这个 RegionSplitPolicy 策略有如下几种方式：
- ConstantSizeRegionSplitPolicy ： 这个是版本为 0.94.0 的默认region split 策略。根据公式min(r^2*flushSize，maxFileSize ) 确定split的maxFileSize，其中 r 为在线 Region个数，maxFileSize由
hbase.hregion.max.filesize指定。 - IncreasingToUpperBoundRegionSplitPolicy ： 仅仅当region大小超过常量值（
hbase.hregion.max.filesize大小）时，才进行拆分。 - DelimitedKeyPrefixRegionSplitPolicy ： 保证以分隔符前面的前缀为splitPoint，保证相同RowKey前缀的数据在一个Region中 。
- KeyPrefixRegionSplitPolicy ：保证具有相同前缀的 Row 在一个Region中（要求设计中前缀具有同样长度）。指定 Rowkey 前缀位数划分 Region ，通过读取 table 的 prefix_split_key_policy.prefix_length 属性，该属性为数字类型，表示前缀长度，在进行 split 时，按此长度对splitPoint进行截取。此种策略比较适合固定前缀的 Rowkey。当table中没有设置该属性，或其属性不为 Integer 类型时，指定此策略效果等同与使用IncreasingToUpperBoundRegionSplitPolicy。
在建表的时候可以直接手动分配分区方式，以避免热点数据，也可以通过配置分区策略，通过配置文件的方式生成的效果是全局的，这点需要注意！
上面说了 HBase 的分区策略，接下来我们回到正题， 进行 Region Split 的条件为：1. 该 Region 下所有的 StoreFile 中最大的 StoreFile 文件的大小超过阀值即进行 Split 在文件层次上，不同的列族，存储在不同的文件中。但是不同的列族，可能会共享一个 Region。（问题点就在这里了）
举个例子：比如你有 A ，B 两个列蔟，A 列蔟 有 1000w 行数据，B 列蔟有 10w 行数据，也就是说 A 列簇存储的数据量是 B 列簇存储数据量的 100 倍。 A 列簇会发生多次 Split 动作，提升 A 列簇的并发性，而 B 列簇由于跟 A 列簇共同属于一个 Region ，也会被动的 Split 掉了！ B 列簇被 Split 后，单 Region 所持有的数据量变少了，这样的话，就导致了扫描 B 列簇的性能下降很多。
其次，存在多个列簇的时候，由于它们是共享的同一个 Region，如果其中的一个 列簇触发了 flush 动作，相应关联的其他列簇也会进行 flush 。导致系统整体产生更多的 IO ， 耗费资源 。
我们总结一下：
主要有两点：
1. 多列簇导致持有数据量最少的列簇扫描性能下降，主要是因为数据太分散。
2. 系统产生更多的 IO ，耗费资源；
