用于实时分析解决方案的 HBase 模式/键

Question

我们正在考虑使用 HBase 进行实时分析。

在 HBase 之前，我们将在我们的日志文件上运行 Hadoop Map Reduce 作业并聚合数据，并将细粒度的聚合结果存储在 HBase 中，以便对聚合数据进行实时分析和查询。因此，HBase 表将具有预先聚合的数据（按日​​期）。

我的问题是：如何最好地设计 HBase 数据库的架构和主键设计，以实现快速但灵活的查询。

例如，假设我们在数据库中存储以下行：

timestamp, client_ip, url, referrer, useragent

假设我们的 map-reduce 作业产生三个不同的输出字段，我们希望将每个输出字段存储在一个单独的“表”（HBase 列族）中：

• 日期、操作系统、浏览器
• 日期、网址、推荐人
• 日期、网址、国家/地区

（我们的 map-reduce 作业从用户代理和 client_ip 数据中获取操作系统、浏览器和国家/地区字段。）

我的问题是：我们如何构建 HBase 架构以允许对这些字段中的任何一个或组合进行快速、近实时和灵活的查找？例如，用户必须能够指定：

• operating_system by date（“此日期范围内有多少 iPad 用户？”）
• 按国家和日期列出的网址（“上个月有多少用户从该国家/地区访问此网址？”）

基本上还有其他自定义查询？

我们应该使用这样的键吗：

• date_os_browser
• date_url_referrer
• date_url_country

如果是这样，我们可以完成上面指定的查询吗？

Answer 1

你已经掌握了它的要点，是的。您的两个示例查询都按日期过滤，这是该域中自然的“主要”维度（事件报告）。

关于以日期开头的密钥的一个常见注意事项是，它会导致“热点”问题；该问题的本质是，时间上连续的日期范围也将是连续的服务器，因此如果您总是插入和查询“现在”（或“最近”）发生的数据，一台服务器将获得所有负载而其他人则无所事事。这听起来不像是插入的大问题，因为您将专门进行批量加载，但读取时可能会出现问题；如果您的所有查询都发送到您的 20 台服务器中的一台，那么您的容量实际上将达到 5%。

OpenTSDB 通过在日期前添加一个 3 字节的“metric id”来解决这个问题，这可以很好地在整个集群中喷射更新。如果你有类似的东西，并且你知道你总是（或通常）在大多数查询中包含一个过滤器，你可以使用它。或者，您可以在日期的某个高阶部分（例如“月份”）前面加上哈希，然后至少您的读取会更加分散。