HBase在特征工程中的应用

前言
HBase是一款分布式的NoSQL DB，可以轻松扩展存储和读写能力。

主要特性有:

按某精确的key获取对应的value(Get)

通过前缀匹配一段相邻的数据(Scan)

多版本

动态列

服务端协处理器（可以支持用户自定义）

TTL:按时间自动过期

今天我们来聊一聊HBase以上特性在特征工程中的应用，先从最简单的获取一条数据说起：

应用场景介绍
Get
这是HBase中最简单的一个查询操作，根据id读某一个id的属性

比如根据用户id获取这个用户的 城市，年龄，标签等信息

进阶-前缀匹配扫描-Scan

常见场景：

下图是经典的scan用法

hbase中rowkey是按字典序排列

因此非常经典的用法为：

rowkey:   散列(用户id)_时间戳

然后这样就可以通过制定startkey，endkey来扫描一段时间内的数据，并且这些数据是存储在一起的

HBase天生对Scan（扫描）操作有良好的支持，

这里要从HBase的存储特点说起：

NoSQL DB有两种常见的分散数据的方案，一种是按完整的key做hash，数据完全是分散的，另外一种是按Range划分，连续的key存储上是相邻的，这样可以通过在rowkey上做一些业务逻辑的拼接，使得在扫描一定量级逻辑连续的数据的时候，直接扫描的同一块文件下的数据，而不是到分散的各个机器上去查找

HBase选择的是第二种方式来存储数据

1.相邻数据通过scan前缀匹配查询

例如：查某一个用户一个时间段内的数据

2.为scan操作赋能——Filter

可以根据rowkey，列等维度设置过滤器，减少服务端到客户端的数据传输

Tips：过滤器是个好东西，需要的过滤操作在服务端都进行完了，减少了网络传输，只返回符合条件的数据。

但是因为符合条件的数据，可能是在设置的范围中最后一条，所以实际扫描的数据还是Scan的startkey到endkey之间的，还是要注意扫描的范围不要过大

3.使用Scan的正确姿势

经过一定的测试和实践，我们发现持续的进行Scan，稳定可控的并发下，发起Scan，每次Scan 1000条的时候最佳

因为此场景下HBase的RPC队列会得到快速的消费，从而有能力处理新的请求，而不是一直堆积等待一个大的请求的完成

很多同学看到可以做扫描操作，就希望通过扫描操作来查询几百万几千万甚至更多的数据来代替HIVE？

如果是希望一次性读大量数据的时候（比如加载一个月的几百万用户明细数据，或者通过一个月所有用户明细做聚合），不如直接跑离线任务读文件或者使用预聚合的NoSQL 引擎比较好。

短小快的请求则可以通过HBase的cache，文件的index，bloomfilter等特性来施展更多。

Tips：Get就是一个只读一行的小Scan

灵活的动态列
传统数据库以及大部分数据存储需要在建表的时候定义好“字段”,

但是实际应用的时候，比如特征训练中，有很多场景是“字段”或者tag不确定的情况

HBase的动态列则很好的解决了这个问题

1.建表不需要指定列名

2.一次取出一个rowkey所有动态列或者多个动态列

3.也可以table.get( list )，一次获取多个id对应的数据

在实际应用中的使用：

实际应用中，HBase的每一个Column对应一个特征，RowKey的设计为 md5(业务ID)+时间戳，md5用来对ID散列，使数据均匀分布在不同Region上，时间戳用来在SCAN操作时对时间遍历

摘抄自用户的way社区文章：http://way.xiaojukeji.com/article/13662

多版本

HBase中可以查看版本的N个历史版本，通过数据的时间戳实现的

常见场景：

查看某特征随时间变化情况

或者

当发现计算不符合预期的时候，回溯查询某一个id某特征的历史版本

原理简述：

HBase的每条数据都是带时间戳信息的，

会按rowkey，列簇，列，时间戳有序排列，默认会查询到指定的rowkey，列簇，列的最新时间戳的value

而指定查询历史N个版本，就会从最新的数据往前找N个时间戳对应的版本

快照

HBase可以导出快照文件，来进行离线分析

常见场景：

需要获取表中所有数据或者大部分数据的时候，可以通过快照方式，将截止到某一时间的数据文件导出到离线集群，来进行数据分析

原理简述：

数据实时写入HBase，触发快照操作的时候，实时写入的数据会落盘，落盘的文件不会再被修改，HBase内部会记录当前有哪些文件（生成引用），后续可以将快照引用对应的实际数据文件导出到Hadoop进行MR或Spark分析

Tips：导出文件对磁盘IO有一定压力，因此导出操作也是会进行限流的

总结
      本文介绍了HBase在特征训练数据存储方面常用的几个特性：Get，Scan，动态列，多版本，以及具体应用场景。

版权声明：本文为博主原创文章，转载请附上博文链接！