Hbase設計以及優化

一、表的設計

1.一、Column Family

因爲Hbase是一個面向列族的存儲器，調優和存儲都是在列族這個層次上進行的，最好使列族成員都有相同的"訪問模式(access pattern)"和大小特徵；
在一張表裏不要定義太多的column family。目前Hbase並不能很好的處理超過2~3個column family的表。由於某個column family在flush的時候，它鄰近的column family也會因關聯效應被觸發flush，最終致使系統產生更多的I/O。

1.二、Row Key

Row Key 設計原則：
1）Rowkey長度原則，Rowkey是一個二進制碼流，能夠是任意字符串，最大長度64KB，實際應用中通常爲10~100bytes，存爲byte[]字節數組，通常設計成定長的。建議是越短越好，不要超過16個字節。緣由一數據的持久化文件HFile中是按照KeyValue存儲的，若是Rowkey過長好比100個字節，1000萬列數據光Rowkey就要佔用100*1000萬=10億個字節，將近1G數據，這會極大影響HFile的存儲效率；緣由二MemStore將緩存部分數據到內存，若是Rowkey字段過長內存的有效利用率會下降，系統將沒法緩存更多的數據，這會下降檢索效率。所以Rowkey的字節長度越短越好。緣由三目前操做系統是都是64位系統，內存8字節對齊。控制在16個字節，8字節的整數倍利用操做系統的最佳特性。
2）是Rowkey散列原則，若是Rowkey是按時間戳的方式遞增，不要將時間放在二進制碼的前面，建議將Rowkey的高位做爲散列字段，由程序循環生成，低位放時間字段，這樣將提升數據均衡分佈在每一個Regionserver實現負載均衡的概率。若是沒有散列字段，首字段直接是時間信息將產生全部新數據都在一個RegionServer上堆積的熱點現象，這樣在作數據檢索的時候負載將會集中在個別RegionServer，下降查詢效率。
3）Rowkey惟一原則，必須在設計上保證其惟一性。
row key是按照字典序存儲，所以，設計row key時，要充分利用這個排序特色，將常常一塊兒讀取的數據存儲到一塊，將最近可能會被訪問的數據放在一塊。
舉個例子：若是最近寫入HBase表中的數據是最可能被訪問的，能夠考慮將時間戳做爲row key的一部分，因爲是字典序排序，因此可使用Long.MAX_VALUE – timestamp做爲row key，這樣能保證新寫入的數據在讀取時能夠被快速命中。

1.三、 In Memory

建立表的時候，能夠經過HColumnDescriptor.setInMemory(true)將表放到RegionServer的緩存中，保證在讀取的時候被cache命中。

1.4 、Max Version

建立表的時候，能夠經過HColumnDescriptor.setMaxVersions(intmaxVersions)設置表中數據的最大版本，若是隻須要保存最新版本的數據，那麼能夠設置setMaxVersions(1)。

1.五、 Time to Live(設置數據存儲的生命週期)

建立表的時候，能夠經過HColumnDescriptor.setTimeToLive(inttimeToLive)設置表中數據的存儲生命期，過時數據將自動被刪除，例如若是隻須要存儲最近兩天的數據，那麼能夠設置setTimeToLive(2 * 24 * 60 * 60)。

1.六、 Compact & Split

在HBase中，數據在更新時首先寫入WAL 日誌(HLog)和內存(MemStore)中，MemStore中的數據是排序的，當MemStore累計到必定閾值時，就會建立一個新的MemStore，而且將老的MemStore添加到flush隊列，由單獨的線程flush到磁盤上，成爲一個StoreFile。於此同時， 系統會在zookeeper中記錄一個redo point，表示這個時刻以前的變動已經持久化了(minor compact)。
StoreFile是隻讀的，一旦建立後就不能夠再修改。所以Hbase的更新實際上是不斷追加的操做。當一個Store中的StoreFile達到必定的閾值後，就會進行一次合併(major compact)，將對同一個key的修改合併到一塊兒，造成一個大的StoreFile，當StoreFile的大小達到必定閾值後，又會對 StoreFile進行分割(split)，等分爲兩個StoreFile。
因爲對錶的更新是不斷追加的，處理讀請求時，須要訪問Store中所有的StoreFile和MemStore，將它們按照row key進行合併，因爲StoreFile和MemStore都是通過排序的，而且StoreFile帶有內存中索引，一般合併過程仍是比較快的。
實際應用中，能夠考慮必要時手動進行major compact，將同一個row key的修改進行合併造成一個大的StoreFile。同時，能夠將StoreFile設置大些，減小split的發生。

1.七、 Pre-Creating Regions

默認狀況下，在建立HBase表的時候會自動建立一個region分區，當導入數據的時候，全部的HBase客戶端都向這一個region寫數據，直到這個region足夠大了才進行切分。一種能夠加快批量寫入速度的方法是經過預先建立一些空的regions，這樣當數據寫入HBase時，會按照region分區狀況，在集羣內作數據的負載均衡。                              有關預分區，詳情參見：TableCreation: Pre-Creating Regions，下面是一個例子：

public static booleancreateTable(HBaseAdmin admin, HTableDescriptor table, byte[][] splits)
throws IOException {
  try {
    admin.createTable(table, splits);
    return true;
  } catch (TableExistsException e) {
    logger.info("table " +table.getNameAsString() + " already exists");
    // the table already exists...
    return false;
  }
}

public static byte[][]getHexSplits(String startKey, String endKey, int numRegions) {
  byte[][] splits = new byte[numRegions-1][];
  BigInteger lowestKey = newBigInteger(startKey, 16);
  BigInteger highestKey = newBigInteger(endKey, 16);
  BigInteger range =highestKey.subtract(lowestKey);
  BigInteger regionIncrement =range.divide(BigInteger.valueOf(numRegions));
  lowestKey = lowestKey.add(regionIncrement);
  for(int i=0; i < numRegions-1;i++) {
    BigInteger key =lowestKey.add(regionIncrement.multiply(BigInteger.valueOf(i)));
    byte[] b = String.format("%016x",key).getBytes();
    splits[i] = b;
  }
  return splits;
}

public static booleancreateTable(HBaseAdmin admin, HTableDescriptor table, byte[][] splits)
throws IOException {
  try {
    admin.createTable(table, splits);
    return true;
  } catch (TableExistsException e) {
    logger.info("table " +table.getNameAsString() + " already exists");
    // the table already exists...
    return false;
  }
}
 
public static byte[][]getHexSplits(String startKey, String endKey, int numRegions) {
  byte[][] splits = new byte[numRegions-1][];
  BigInteger lowestKey = newBigInteger(startKey, 16);
  BigInteger highestKey = newBigInteger(endKey, 16);
  BigInteger range =highestKey.subtract(lowestKey);
  BigInteger regionIncrement =range.divide(BigInteger.valueOf(numRegions));
  lowestKey = lowestKey.add(regionIncrement);
  for(int i=0; i < numRegions-1;i++) {
    BigInteger key =lowestKey.add(regionIncrement.multiply(BigInteger.valueOf(i)));
    byte[] b = String.format("%016x",key).getBytes();
    splits[i] = b;
  }
  return splits;
}

二、寫表操做

2.1 多HTable併發寫

建立多個HTable客戶端用於寫操做，提升寫數據的吞吐量，一個例子：

static final Configurationconf = HBaseConfiguration.create();
static final Stringtable_log_name = 「user_log」;
wTableLog = newHTable[tableN];
for (int i = 0; i <tableN; i++) {
    wTableLog[i] = new HTable(conf,table_log_name);
    wTableLog[i].setWriteBufferSize(5 * 1024 *1024); //5MB
    wTableLog[i].setAutoFlush(false);
}

static final Configurationconf = HBaseConfiguration.create();
static final Stringtable_log_name = 「user_log」;
wTableLog = newHTable[tableN];
for (int i = 0; i <tableN; i++) {
    wTableLog[i] = new HTable(conf,table_log_name);
    wTableLog[i].setWriteBufferSize(5 * 1024 *1024); //5MB
    wTableLog[i].setAutoFlush(false);
}

2.2 HTable參數設置

2.2.1 Auto Flush

經過調用HTable.setAutoFlush(false)方法能夠將HTable寫客戶端的自動flush關閉，這樣能夠批量寫入數據到 HBase，而不是有一條put就執行一次更新，只有當put填滿客戶端寫緩存時，才實際向HBase服務端發起寫請求。默認狀況下auto flush是開啓的。保證最後手動HTable.flushCommits()或HTable.close()。

2.2.2 Write Buffer

經過調用HTable.setWriteBufferSize(writeBufferSize)方法能夠設置 HTable客戶端的寫buffer大小，若是新設置的buffer小於當前寫buffer中的數據時，buffer將會被flush到服務端。其 中，writeBufferSize的單位是byte字節數，能夠根據實際寫入數據量的多少來設置該值。

2.2.3 WAL Flag

在HBae中，客戶端向集羣中的RegionServer提交數據時（Put/Delete操做），首先會先寫WAL（Write Ahead Log）日誌（即HLog，一個RegionServer上的全部Region共享一個HLog），只有當WAL日誌寫成功後，再接着寫 MemStore，而後客戶端被通知提交數據成功；若是寫WAL日誌失敗，客戶端則被通知提交失敗。這樣作的好處是能夠作到RegionServer宕機 後的數據恢復。

所以，對於相對不過重要的數據，能夠在Put/Delete操做時，經過調用Put.setWriteToWAL(false)或Delete.setWriteToWAL(false)函數，放棄寫WAL日誌，從而提升數據寫入的性能。

值得注意的是：謹慎選擇關閉WAL日誌，由於這樣的話，一旦RegionServer宕機，Put/Delete的數據將會沒法根據WAL日誌進行恢復。

2.3 批量寫

經過調用HTable.put(Put)方法能夠將一個指定的row key記錄寫入HBase，一樣HBase提供了另外一個方法：經過調用HTable.put(List<Put>)方法能夠將指定的row key列表，批量寫入多行記錄，這樣作的好處是批量執行，只須要一次網絡I/O開銷，這對於對數據實時性要求高，網絡傳輸RTT高的情景下可能帶來明顯的性能提高。

2.4 多線程併發寫

在客戶端開啓多個HTable寫線程，每一個寫線程負責一個HTable對象的flush操做，這樣結合定時flush和寫 buffer（writeBufferSize），能夠既保證在數據量小的時候，數據能夠在較短期內被flush（如1秒內），同時又保證在數據量大的 時候，寫buffer一滿就及時進行flush。下面給個具體的例子：

for (int i = 0; i <threadN; i++) {
    Thread th = new Thread() {
        public void run() {
            while (true) {
                try {
                    sleep(1000); //1 second
                } catch (InterruptedExceptione) {
                    e.printStackTrace();
                }
synchronized (wTableLog[i]) {
                    try {
                        wTableLog[i].flushCommits();
                    } catch (IOException e) {
                        e.printStackTrace();
                    }
                }
            }
}
    };
    th.setDaemon(true);
    th.start();
}

for (int i = 0; i <threadN; i++) {
    Thread th = new Thread() {
        public void run() {
            while (true) {
                try {
                    sleep(1000); //1 second
                } catch (InterruptedExceptione) {
                    e.printStackTrace();
                }
synchronized (wTableLog[i]) {
                    try {
                        wTableLog[i].flushCommits();
                    } catch (IOException e) {
                        e.printStackTrace();
                    }
                }
            }
}
    };
    th.setDaemon(true);
    th.start();
}

三、讀表操做

3.1 多HTable併發讀

建立多個HTable客戶端用於讀操做，提升讀數據的吞吐量，一個例子：

static final Configurationconf = HBaseConfiguration.create();
static final Stringtable_log_name = 「user_log」;
rTableLog = newHTable[tableN];
for (int i = 0; i <tableN; i++) {
    rTableLog[i] = new HTable(conf, table_log_name);
    rTableLog[i].setScannerCaching(50);
}

static final Configurationconf = HBaseConfiguration.create();
static final Stringtable_log_name = 「user_log」;
rTableLog = newHTable[tableN];
for (int i = 0; i <tableN; i++) {
    rTableLog[i] = new HTable(conf, table_log_name);
    rTableLog[i].setScannerCaching(50);
}

3.2 HTable參數設置

3.2.1 Scanner Caching

hbase.client.scanner.caching配置項能夠設置HBase scanner一次從服務端抓取的數據條數，默認狀況下一次一條。經過將其設置成一個合理的值，能夠減小scan過程當中next()的時間開銷，代價是 scanner須要經過客戶端的內存來維持這些被cache的行記錄。

有三個地方能夠進行配置：1）在HBase的conf配置文件中進行配置；2）經過調用HTable.setScannerCaching(int scannerCaching)進行配置；3）經過調用Scan.setCaching(int caching)進行配置。三者的優先級愈來愈高。

3.2.2 Scan AttributeSelection

scan時指定須要的Column Family，能夠減小網絡傳輸數據量，不然默認scan操做會返回整行全部Column Family的數據。

3.2.3 Close ResultScanner

經過scan取完數據後，記得要關閉ResultScanner，不然RegionServer可能會出現問題（對應的Server資源沒法釋放）。

3.3 批量讀

經過調用HTable.get(Get)方法能夠根據一個指定的row key獲取一行記錄，一樣HBase提供了另外一個方法：經過調用HTable.get(List<Get>)方法能夠根據一個指定的rowkey列表，批量獲取多行記錄，這樣作的好處是批量執行，只須要一次網絡I/O開銷，這對於對數據實時性要求高並且網絡傳輸RTT高的情景下可能帶來明顯 的性能提高。

3.4 多線程併發讀

在客戶端開啓多個HTable讀線程，每一個讀線程負責經過HTable對象進行get操做。下面是一個多線程併發讀取HBase，獲取店鋪一天內各分鐘PV值的例子：

public class DataReaderServer{
     //獲取店鋪一天內各分鐘PV值的入口函數
     public static ConcurrentHashMap<String,String> getUnitMinutePV(long uid, long startStamp, long endStamp){
         long min = startStamp;
         int count = (int)((endStamp -startStamp) / (60*1000));
         List<String> lst = newArrayList<String>();
         for (int i = 0; i <= count; i++) {
            min = startStamp + i * 60 * 1000;
            lst.add(uid + "_" + min);
         }
         return parallelBatchMinutePV(lst);
     }
      //多線程併發查詢，獲取分鐘PV值
private staticConcurrentHashMap<String, String>parallelBatchMinutePV(List<String> lstKeys){
        ConcurrentHashMap<String, String>hashRet = new ConcurrentHashMap<String, String>();
        int parallel = 3;
        List<List<String>>lstBatchKeys  = null;
        if (lstKeys.size() < parallel ){
            lstBatchKeys  = new ArrayList<List<String>>(1);
            lstBatchKeys.add(lstKeys);
        }
        else{
            lstBatchKeys  = newArrayList<List<String>>(parallel);
            for(int i = 0; i < parallel;i++  ){
                List<String> lst = newArrayList<String>();
                lstBatchKeys.add(lst);
            }
            for(int i = 0 ; i <lstKeys.size() ; i ++ ){
               lstBatchKeys.get(i%parallel).add(lstKeys.get(i));
            }
        }
        List<Future<ConcurrentHashMap<String, String> >> futures = newArrayList<Future< ConcurrentHashMap<String, String> >>(5);
        ThreadFactoryBuilder builder = newThreadFactoryBuilder();
       builder.setNameFormat("ParallelBatchQuery");
        ThreadFactory factory =builder.build();
        ThreadPoolExecutor executor =(ThreadPoolExecutor) Executors.newFixedThreadPool(lstBatchKeys.size(),factory);
        for(List<String> keys :lstBatchKeys){
            Callable<ConcurrentHashMap<String, String> > callable = newBatchMinutePVCallable(keys);
            FutureTask<ConcurrentHashMap<String, String> > future = (FutureTask<ConcurrentHashMap<String, String> >) executor.submit(callable);
            futures.add(future);
        }
        executor.shutdown();
        // Wait for all the tasks to finish
        try {
          boolean stillRunning = !executor.awaitTermination(
              5000000, TimeUnit.MILLISECONDS);
          if (stillRunning) {
            try {
                executor.shutdownNow();
            } catch (Exception e) {
                // TODO Auto-generated catchblock
                e.printStackTrace();
            }
          }
        } catch (InterruptedException e) {
          try {
             Thread.currentThread().interrupt();
          } catch (Exception e1) {
            // TODO Auto-generated catch block
            e1.printStackTrace();
          }
        }
        // Look for any exception
        for (Future f : futures) {
          try {
              if(f.get() != null)
              {
                 hashRet.putAll((ConcurrentHashMap<String, String>)f.get());
              }
          } catch (InterruptedException e) {
            try {
                Thread.currentThread().interrupt();
            } catch (Exception e1) {
                // TODO Auto-generated catchblock
                e1.printStackTrace();
            }
          } catch (ExecutionException e) {
            e.printStackTrace();
          }
        }
        return hashRet;
    }
     //一個線程批量查詢，獲取分鐘PV值
    protected staticConcurrentHashMap<String, String> getBatchMinutePV(List<String>lstKeys){
        ConcurrentHashMap<String, String>hashRet = null;
        List<Get> lstGet = newArrayList<Get>();
        String[] splitValue = null;
        for (String s : lstKeys) {
            splitValue =s.split("_");
            long uid =Long.parseLong(splitValue[0]);
            long min =Long.parseLong(splitValue[1]);
            byte[] key = new byte[16];
            Bytes.putLong(key, 0, uid);
            Bytes.putLong(key, 8, min);
            Get g = new Get(key);
            g.addFamily(fp);
            lstGet.add(g);
        }
        Result[] res = null;
        try {
            res =tableMinutePV[rand.nextInt(tableN)].get(lstGet);
        } catch (IOException e1) {
            logger.error("tableMinutePV exception,e=" + e1.getStackTrace());
        }
        if (res != null && res.length> 0) {
            hashRet = newConcurrentHashMap<String, String>(res.length);
            for (Result re : res) {
                if (re != null &&!re.isEmpty()) {
                    try {
                        byte[] key =re.getRow();
                        byte[] value =re.getValue(fp, cp);
                        if (key != null&& value != null) {
                           hashRet.put(String.valueOf(Bytes.toLong(key,
                                   Bytes.SIZEOF_LONG)), String.valueOf(Bytes
                                   .toLong(value)));
                        }
                    } catch (Exception e2) {
                       logger.error(e2.getStackTrace());
                    }
                }
            }
        }
        return hashRet;
    }
}
//調用接口類，實現Callable接口
class BatchMinutePVCallableimplements Callable<ConcurrentHashMap<String, String>>{
     private List<String> keys;
     publicBatchMinutePVCallable(List<String> lstKeys ) {
         this.keys = lstKeys;
     }
     public ConcurrentHashMap<String,String> call() throws Exception {
         returnDataReadServer.getBatchMinutePV(keys);
     }
}

public class DataReaderServer{
     //獲取店鋪一天內各分鐘PV值的入口函數
     public static ConcurrentHashMap<String,String> getUnitMinutePV(long uid, long startStamp, long endStamp){
         long min = startStamp;
         int count = (int)((endStamp -startStamp) / (60*1000));
         List<String> lst = newArrayList<String>();
         for (int i = 0; i <= count; i++) {
            min = startStamp + i * 60 * 1000;
            lst.add(uid + "_" + min);
         }
         return parallelBatchMinutePV(lst);
     }
      //多線程併發查詢，獲取分鐘PV值
private staticConcurrentHashMap<String, String>parallelBatchMinutePV(List<String> lstKeys){
        ConcurrentHashMap<String, String>hashRet = new ConcurrentHashMap<String, String>();
        int parallel = 3;
        List<List<String>>lstBatchKeys  = null;
        if (lstKeys.size() < parallel ){
            lstBatchKeys  = new ArrayList<List<String>>(1);
            lstBatchKeys.add(lstKeys);
        }
        else{
            lstBatchKeys  = newArrayList<List<String>>(parallel);
            for(int i = 0; i < parallel;i++  ){
                List<String> lst = newArrayList<String>();
                lstBatchKeys.add(lst);
            }
            for(int i = 0 ; i <lstKeys.size() ; i ++ ){
               lstBatchKeys.get(i%parallel).add(lstKeys.get(i));
            }
        }
        List<Future<ConcurrentHashMap<String, String> >> futures = newArrayList<Future< ConcurrentHashMap<String, String> >>(5);
        ThreadFactoryBuilder builder = newThreadFactoryBuilder();
       builder.setNameFormat("ParallelBatchQuery");
        ThreadFactory factory =builder.build();
        ThreadPoolExecutor executor =(ThreadPoolExecutor) Executors.newFixedThreadPool(lstBatchKeys.size(),factory);
        for(List<String> keys :lstBatchKeys){
            Callable<ConcurrentHashMap<String, String> > callable = newBatchMinutePVCallable(keys);
            FutureTask<ConcurrentHashMap<String, String> > future = (FutureTask<ConcurrentHashMap<String, String> >) executor.submit(callable);
            futures.add(future);
        }
        executor.shutdown();
        // Wait for all the tasks to finish
        try {
          boolean stillRunning = !executor.awaitTermination(
              5000000, TimeUnit.MILLISECONDS);
          if (stillRunning) {
            try {
                executor.shutdownNow();
            } catch (Exception e) {
                // TODO Auto-generated catchblock
                e.printStackTrace();
            }
          }
        } catch (InterruptedException e) {
          try {
             Thread.currentThread().interrupt();
          } catch (Exception e1) {
            // TODO Auto-generated catch block
            e1.printStackTrace();
          }
        }
        // Look for any exception
        for (Future f : futures) {
          try {
              if(f.get() != null)
              {
                 hashRet.putAll((ConcurrentHashMap<String, String>)f.get());
              }
          } catch (InterruptedException e) {
            try {
                Thread.currentThread().interrupt();
            } catch (Exception e1) {
                // TODO Auto-generated catchblock
                e1.printStackTrace();
            }
          } catch (ExecutionException e) {
            e.printStackTrace();
          }
        }
        return hashRet;
    }
     //一個線程批量查詢，獲取分鐘PV值
    protected staticConcurrentHashMap<String, String> getBatchMinutePV(List<String>lstKeys){
        ConcurrentHashMap<String, String>hashRet = null;
        List<Get> lstGet = newArrayList<Get>();
        String[] splitValue = null;
        for (String s : lstKeys) {
            splitValue =s.split("_");
            long uid =Long.parseLong(splitValue[0]);
            long min =Long.parseLong(splitValue[1]);
            byte[] key = new byte[16];
            Bytes.putLong(key, 0, uid);
            Bytes.putLong(key, 8, min);
            Get g = new Get(key);
            g.addFamily(fp);
            lstGet.add(g);
        }
        Result[] res = null;
        try {
            res =tableMinutePV[rand.nextInt(tableN)].get(lstGet);
        } catch (IOException e1) {
            logger.error("tableMinutePV exception,e=" + e1.getStackTrace());
        }
        if (res != null && res.length> 0) {
            hashRet = newConcurrentHashMap<String, String>(res.length);
            for (Result re : res) {
                if (re != null &&!re.isEmpty()) {
                    try {
                        byte[] key =re.getRow();
                        byte[] value =re.getValue(fp, cp);
                        if (key != null&& value != null) {
                           hashRet.put(String.valueOf(Bytes.toLong(key,
                                   Bytes.SIZEOF_LONG)), String.valueOf(Bytes
                                   .toLong(value)));
                        }
                    } catch (Exception e2) {
                       logger.error(e2.getStackTrace());
                    }
                }
            }
        }
        return hashRet;
    }
}
//調用接口類，實現Callable接口
class BatchMinutePVCallableimplements Callable<ConcurrentHashMap<String, String>>{
     private List<String> keys;
     publicBatchMinutePVCallable(List<String> lstKeys ) {
         this.keys = lstKeys;
     }
     public ConcurrentHashMap<String,String> call() throws Exception {
         returnDataReadServer.getBatchMinutePV(keys);
     }
}

3.5 緩存查詢結果

對於頻繁查詢HBase的應用場景，能夠考慮在應用程序中作緩存，當有新的查詢請求時，首先在緩存中查找，若是存在則直接返回，再也不查詢HBase；不然對HBase發起讀請求查詢，而後在應用程序中將查詢結果緩存起來。至於緩存的替換策略，能夠考慮LRU等經常使用的策略。

3.6 Blockcache

HBase上Regionserver的內存分爲兩個部分，一部分做爲Memstore，主要用來寫；另一部分做爲BlockCache，主要用於讀。寫請求會先寫入Memstore，Regionserver會給每一個region提供一個Memstore，當Memstore滿64MB之後，會啓動 flush刷新到磁盤。當Memstore的總大小超過限制時（heapsize * hbase.regionserver.global.memstore.upperLimit * 0.9），會強行啓動flush進程，從最大的Memstore開始flush直到低於限制。讀請求先到Memstore中查數據，查不到就到BlockCache中查，再查不到就會到磁盤上讀，並把讀的結果放入BlockCache。因爲 BlockCache採用的是LRU策略，所以BlockCache達到上限(heapsize *hfile.block.cache.size * 0.85)後，會啓動淘汰機制，淘汰掉最老的一批數據。一個Regionserver上有一個BlockCache和N個Memstore，它們的大小之和不能大於等於heapsize * 0.8，不然HBase不能啓動。默認BlockCache爲0.2，而Memstore爲0.4。對於注重讀響應時間的系統，能夠將 BlockCache設大些，好比設置BlockCache=0.4，Memstore=0.39，以加大緩存的命中率。