大数据干货丨用案例详解HBase二级索引的设计

最近做的一个项目涉及到了多条件的组合查询，数据存储用的是HBase，恰恰HBase对于这种场景的查询特别不给力，一般HBase的查询都是通过RowKey(要把多条件组合查询的字段都拼接在RowKey中显然不太可能)，或者全表扫描再结合过滤器筛选出目标数据(太低效)，所以通过设计HBase的二级索引来解决这个问题。

查询需求

多个查询条件构成多维度的组合查询，需要根据不同组合查询出符合查询条件的数据

HBase的局限性

HBase本身只提供基于行键和全表扫描的查询，而行键索引单一，对于多维度的查询困难(如：对于价格+天数+酒店+交通的多条件组合查询困难)，全表扫描效率低下。

二级索引的设计

设计思路

二级索引的本质就是建立各列值与行键之间的映射关系

如(图1)，当要对F:C1这列建立索引时，只需要建立F:C1各列值到其对应行键的映射关系，如C11->RK1等，这样就完成了对F:C1列值的二级索引的构建，当要查询符合F:C1=C11对应的F:C2的列值时(即根据C1=C11来查询C2的值,图1青色部分)其查询步骤如下： 1. 根据C1=C11到索引数据中查找其对应的RK，查询得到其对应的RK=RK1 2. 得到RK1后就自然能根据RK1来查询C2的值了 这是构建二级索引大概思路，其他组合查询的联合索引的建立也类似。

逻辑视图

(图2) 部分数据在HBase中存储的逻辑视图

表中有两个列族，其中一个是列族INDEX，其并不存储任何的数据，仅仅是为了将索引数据与主数据分开存储(因为在HBase中同一列族的数据会被压缩在一起存储)，索引数据的行键格式为：RegionStartKey-索引名-索引键-Rowkwy,其他RegionStartKey就是出发点，因为在创建HBase表时就对表根据出发点进行了预分区，索引键为主数据中某列(可能是多列)的列值，Rowkey对应主数据的行键;主数据的行键格式为：出发点-目的地-性价比，所以在存储数据时，同一出发点 目的地的数据默认是按性价比 排序 的;索引数据的行键和主数据的行键的前缀都是出发点，所以在存储时相同出发点的索引数据和主数据是存储在同一个Region中的，这样避免了在通过索引得到RK后又去其他Region上查询目标数据，提高了查询效率。

数据的查询过程

假设查询的条件：

• 出发点：澳门
• 目的地：杭州
• 出游天数：3天
• 酒店等级：4

其查询步骤如下：

• 首先根据查询条件来确定索引名，根据其查询条件为出游天数据 酒店等级确定索引名为aaa,这样就将查询的范围缩小在索引名为aaa的索引数据区内
• 根据出游天数的值为3天，酒店等级的值为4，结合Phoenix的模糊查询就能确定符合这两个查询条件的索引数据的行键
• 得到索引数据行键后就截取其最后的RowKey
• 最关键的Rowkey得到后就能轻易的获得其对应的列值了，整个查询过程就结束了。

对于其他更为复杂的组合查询的二级索引设计如类似。

缺点

需要额外的存储空间，属 一种以空间换时间的方式。

1. 将查询条件中的可选字段转换成数字能节省存储空间，如交通 工具 中的飞机，高铁，火车，轮船，汽车分别转换成5,4,3,2,1
2. 将汉字转换成拼音才能保证数据按HBase的排序规则排序
3. 如果数据量在百万级别以下可使用Phoenix(HBase的 SQL 查询引擎)模糊查询功能减少索引行键的设计