1、索引概念

• 举例
  • 一本新华字典，从里面找一个字
  • 有索引：这本新华字典有拼音检索的目录，可以按照拼音找字
  • 没有索引：没有目录，一页一页翻来找这个字
• 问题
  • Hbase中rowkey是唯一索引
• 假设：rowkey设计：时间_用户id

20200101_001
20200101_002
20200102_002
20200103_003
……

• 走索引的查询
  • 根据日期查询
    • 查询2020年数据
  • 根据日期和用户id
    • 查询20200101，002的数据
• 需求：查询002所有的数据
  • 只知道用户的id，怎么查询？
• 全表扫描
  • 对所有数据的用户id进行过滤，将用户id=002的数据过滤出来
  • SingleColumnValueFilter
  • 性能非常差
• 只要查询的 条件不是rowkey的前缀，就只能走全表扫描
• 解决
  • 构建二级索引
  • 一级索引：rowkey
  • 二级索引：通过二级索引找到需要的一级索引

2、二级索引

• 需求：查询002所有的数据
• 举例
  • 原表：用于存储数据
    • rowkey的设计：时间_用户id

rowkey              userid          serverTime      username ip     url     ……
20200101_001        001             20200101
20200101_002        002             20200101
20200102_002        002             20200102
20200103_003        003             20200103
20200104_004        004             20200104
……

• rowkey是唯一索引
• 全表扫描
  • 对所有的rowkey的userid这一列进行比较
  • 如果是002，就返回
  • 不是就过滤
• 索引表：用于存储原表的rowkey的
  • 二级索引表
  • rowkey：用户id_时间

rowkey              source_rk
001_20200101        20200101_001
002_20200101        20200101_002
002_20200102        20200102_002
003_20200103        20200103_003

二级索引检索过程

• 第一步：先检索索引表，根据用户id，得到所有符合的原表的rowkey
  • 走索引
  • 根据前缀匹配返回两条

002_20200101        20200101_002
002_20200102        20200102_002

• 第二步：再根据原表的rowkey到原表中进行查询
  • 走索引

20200101_002        002             20200101
20200102_002        002             20200102

• 功能：基于一级索引构建二级索引，加快读取数据的速度
• 应用场景：将不能满足rowkey前缀查询的条件作为索引表的rowkey，走两次索引来实现数据查询
  • 解决有些条件不在rowkey中或者不是前缀，依旧希望查询比较快

问题：原表数据如何与索引表保持一致，实现数据同步？

• 如果不同步，查询结果就是不准确的
• 问题举例
  • 原表：有004用户的数据
  • 索引表：没有这个映射关系
  • 通过二级索引查询：没有004的数据
• 解决方案
  • 往Hbase中写入数据都是通过程序来处理的
  • 方案一：在客户端程序中往原表中插入数据以后，往索引也插入一条
    • 可以实现
    • 但是性能非常差：客户端本来只要写一条数据，但是提交了两个写入请求
    • 一般不用
  • 方案二：使用Hbase的协处理器来实现
    • 类似于UDF或者Mysql触发器
    • 开发一个程序，监听原表，只要用户往原表中写入数据，Hbase就自动往索引表写入一条数据
  • 方案三：使用第三方工具实现【主要】
    • ==Phoenix：==在底层封装了 大量的Hbase的协处理器，不用你自己开发
• 你可以用SQL写：create index - 自动帮你创建一张索引表，自动帮你维护数据同步
• ES：ELK中的搜索引擎，可以构建索引
• Solr：也是搜索引擎

总结

Rowkey的设计

• 业务原则：必须非常贴合业务设计rowkey
• 唯一原则：每个rowkey唯一标识一行
• 组合原则：将查询频率比较高的查询条件封装组合成rowkey
  • 可以利用rowkey进行索引查询
• 散列原则：构建随机散列的rowkey，避免有序的rowkey
  • region的范围就是有序的，如果rowkey也是有序的写入，就会写入同一个region，导致热点
• 长度原则：满足业务需求的情况下，越短越好
  • rowkey的存储是冗余的，在底层检索时，需要进行比较
• 列族的设计
  • 长度原则
  • 个数原则：不建议超过3个
• 列标签
  • 标识性

预分区

• 先设计rowkey
• 根据rowkey的格式来进行预分区创建表

二级索引

• 什么是二级索引？
  • 基于一级索引之上构建一层索引
• 为什么要构建二级索引？
  • 因为Hbase中rowkey是唯一的索引，并且只能做前缀匹配
  • 在查询时，如果查询的条件不是rowkey的前缀，只能全表扫描，性能比较差
  • 可以构建二级索引，经过两次索引来解决查询性能问题