什么是HBASE（三） HBase的压缩和编码

在存储层面节省空间的处理上，Hbase提供了两种方案，一个是基于key的编码，一个是基于数据块（data block）的压缩。前者用于将key重复部分进行简单处理达到节约空间的目的，后者则是对数据块进行压缩，实现节省硬盘。不过压缩和解压缩是影响处理性能的，都是那时间换空间；所以要权衡清楚。

关于key的编码，主要是这对于key很长而且有大量部分重复的场景，如果key大部分长得都不一样，那么编码几乎没有优势：

prefix

简单讲就是把key中和前一条记录相同的部分省略不计；然后再增加一列，记录省略的长度（相同部分的长度）

下图是原始数据

下图是编码后的数据，可以看到增加了prefix len一列，记录从第一位开始重复的位数，但是key一列的记录被简化了。

 

Diff

diff则是基于prefix基础之上模式，它直接将和上条记录一样部分省略；diff和prefix不同之处在于它认为每条记录都有一个唯一主键，所以，diff增加了两列，一列是timestamp，一列是type；这样处理好处是主键被分割后可以在压缩后有比较好的效率；默认diff是被禁用的，因为在scan的时候diff的性能比较差。

 

Fast Diff

处理机制和diff类似，不过它增加了一列flag来标志当前行是否和上一行一样，一样则不记录；Fast Diff是推荐的编码模式，尤其适用于key很长的情况；

 

Prefix Tree

提供的机制和上面类似，但是其随机读写速度很快，但是编码速度比较慢；适用于内存的命中率比较高的场景，在HBase 0.9.6版本中提出并处于试验阶段。可以在和FastDiff比较多时候，多做做测试；

 

压缩

关于压缩，压缩的使用主要是用在value字段比较大的场景，比如是图片，或者二进制流；如果只是普通的文本，那么压缩意义并不是很大，而且在解压的时候需要耗费资源来做，影响性能；

压缩的技术选择主要就是在Gzip， LZO和Snappy中选择，对于冷数据（很少被使用到）可以采用GZip，因为GZip的压缩率比较高，但是解压消耗的CPU比较多；

对于热数据主要是采用Snappy和LZO，Snappy是谷歌（2011年）推出的压缩算法，在CPU的使用和效率方面都比LZO要好，但是因为授权（许可证）的因素，hadoop的native library没有提供支持，只能是后安装在os上面之后才能够使用。

压缩的本质是HFile的压缩，HFile是物理存储hdfs中，所以压缩的本质是hdfs的压缩，压缩算法的支持本质是hdfs支持的算法。