HBase-scan简介及优化(缓存与批量处理)

扫描（scan）

这种技术类似于数据库系统中的游标(cursor),并利用到了HBase提供的底层顺序存储的数据结构。

扫描操作的使用跟get方法非常类似。由于扫描操作的工作方式类似于迭代器，所以用户无需调用scan方法创建实例，只需要调用HTable的getScanner方法，此方法在返回真正的扫描器(scanner)实例的同事，用户也可以使用它迭代获取数据。

ResultScanner getScanner(Scan scan) throws IOException;
ResultScanner getScanner(byte[] family) throws IOException;
ResultScanner getScanner(byte[] family, byte[] qualifier) throws IOException;

后两个为了方便用户，隐式地帮用户创建一个scan实例，逻辑中最后调用getScanner(Scan scan)方法。

Scan类拥有以下构造器

public Scan()
public Scan(byte [] startRow, Filter filter)
public Scan(byte [] startRow)
public Scan(byte [] startRow, byte [] stopRow)

用户可以选择性的提供startRow参数，来定义扫描读取HBase表的起始行键，即行键不是必须指定的。同时可选stopRow参数用来限定读取到何处停止。起始行包括在内，而终止行是不包括在内的。一般用区间表示法表示为[startRow,stopRow)

扫描操作有一个特点：用户提供的参数不必精确匹配这两行。扫描会匹配相等或大于给定的起始行的行键。如果没有显式地指定起始行，它会从表的起始位置开始获取数据。

当遇到了与设置的终止行相同或大于终止行的行键时，扫描也会停止。如果没有指定终止行键，会扫描到表尾。

创建scan实例后，还可以给它增加更多限制条件。可以使用addFamily方法限制返回数据的列族，或者通过addColumn方法限制返回的列。

public Scan addFamily(byte [] family)
public Scan addColumn(byte [] family, byte [] qualifier)

如果用户只需要数据的子集，那么限制扫描的范围就能发挥HBase的优势。因为HBase中的数据是按列族存储的，如果扫描不读取某个列族，那么整个列族文件就都不会被读取，这就是列式存储架构的优势。

可以通过setTimeStamp设置详细的时间戳，或者通过setTimeRange设置时间范围，进一步对结果进行限制。还可以使用setMaxVersions方法，让扫描只返回每一列的一些特定版本，或者全部的版本。

public Scan setTimeRange(long minStamp, long maxStamp)
public Scan setTimeStamp(long timestamp)
public Scan setMaxVersions()
public Scan setMaxVersions(int maxVersions)

ResultScanner类

扫描操作不会通过一次RPC请求返回所有匹配的行，而是以行为单位进行返回。很明显，行的数目很大，可能会又上千条甚至更多，同时在一次请求中发送大量数据，会占用大量的系统资源并消耗很长时间

ResultScanner把扫描操作转换为类似的get操作，它将每一行数据封装成一个Result实例，并将所有的Result实例放入一个迭代器中。ResultScanner的一些方法如下

Result next() throws IOException;
Result [] next(int nbRows) throws IOException;
void close();

有两种类型的next方法。调用close方法会释放所有由扫描控制的资源。

扫描器租约

要确保尽早释放扫描器实例，一个打开的扫描器会占用不少服务端资源，累计多了会占用大量的堆空间。当使用完ResultScanner之后应调用它的close方法，同时应当把close方法放到try/finally块中，以保证其在迭代获取数据过程中出现异常和错误时，仍能执行close。

扫描器使用租约超时机制，保护其不被失效的客户端阻塞太久。可以使用修改锁租约的配置属性来修改超时时间,单位毫秒(hbase.regionserver.lease.period)

Next方法返回一个单独的Result实例，这个实例代表了下一个可用的行。此外，用户可以使用next(int nbRows)一次获取多行数据（相当于在客户端循环调用next方法），它返回一个数组，数组中包含的result实例最多可达nbRows个，每个实例代表唯一的一行。

缓存与批量处理

每一个next方法都会为每行数据生成一个单独的RPC请求，即使使用next(int nbRows)方法也是如此，因为该方法仅仅是在客户端循环地调用next方法。很显然，当单元格数据较小时，这样做的性能并不会很好。因此，如果一次RPC请求可以获取多行数据，这样会提高数据读取效率。可以由扫描器缓存(scanner caching)实现，默认情况下，这个缓存是关闭的。

Scan

public Scan setCaching(int caching)
public int getCaching()

setCaching可以控制每次RPC调用取回的行数。两种next方法都会受这些配置的影响。

需要为少量的RPC请求次数和客户端以及服务器端的内存消耗找到平衡点。很多时候，将扫描器缓存设得比较高能提高扫描的性能，不过设得太高就会产生不良影响：每次next调用将会占用更长的时间，以为要获取更多的文件并传输到客户端，如果返回给客户端的数据超出了其堆的大小，程序就会终止并抛出OutOfMemoryException异常。

当传输和处理数据的时间超过配置的扫描器租约超时时间时，用户将会收到一个以ScannerTimeOutException形式抛出的租约过期(lease expired)错误。

超时时间必须修改服务器端(region服务器)的配置文件hbase-site.xml，修改完之后需要重启服务器使配置生效。注意，在代码中修改该配置无效，因为这个值是在客户端应用中配置的，不会被传递到远程region服务器，所以这样的修改是无效的。

批量处理

数据量非常大的行，这些行有可能超过客户端进程的内存容量。使用批量解决

public Scan setBatch(int batch)
public int getBatch()

缓存是面向行一级的操作，而批量则是面向列一级的操作。批量可以让用户选择每一次ResultScanner实例的next操作要取回多少列。例如，在扫描中设置setBatch(5),则一次next返回的result实例会包括5列。如果一行包括的列数超过了批量中设置的值，则可以将这一行分片，每次next操作返回一片。

组合使用扫描器缓存和批量大小，可以让用户方便地控制扫描一个范围内的行键时所需要的RPC调用次数。

举个例子，一张表有两个列族，每个列族下有10列，表中有十条数据。

缓存	批量处理	Result个数	RPC次数	说明
1	1	200	201	每个列都作为一个result实例返回。最后还多一个RPC确认扫描完成
200	1	200	2	每个result实例都只包含一列的值，不过它们都被一次RPC请求取回(加一次完成检查)
2	10	20	11	批量参数是一行所包含的列数的一半，所以200除以10，需要20个result实例。同时需要10次RPC请求(加一次完成检查)
5	100	10	3	对于一行来讲，这个批量参数太大了，所以一行的20列都被放入一个result实例中。同时缓存为5，所以10个result实例被两次RPC请求取回(加一次完成检查)
5	20	10	3	同上，不过这次的批量值与一行的列数正好相同，所以输出与上面一种情况相同
10	10	20	3	这次把表分成了较小的result实例，但使用了较大的缓存值，所以也是只用了两次RPC请求就取回了数据(加一次完成检查)

要计算一次扫描操作的RPC请求次数，需要先计算出行数和每行列数的乘积。然后用这个值除以批量大小和每行列数中较小的那个值。最后再用除得的结果除以扫描器缓存值。

RPC请求次数 = (行数*每行的列数)/Min(每行的列数，批量大小)/扫描器缓存

此公式只计算获取数据的次数，还有一些打开或关闭扫描器的RPC请求。