从hbase读取数据优化策略和实验对比结果

起因：工作需要，我需要每5分钟从hbase中，导出一部分数据，然后导入到ES中，但是在开始阶段编写的python脚本，我发现从hbase读取数据的速度较慢，耗费大量的时间，影响整个导数过程，恐怕无法在5分钟内完成导数工作

在咨询了老人后，采取部门优化策略，并记录了实验结果。

hbase结果大致如下

粉丝表

rowKey  是粉丝ID

此hadoop集群有13台机器

任务的目标把hbase中前5分钟录入的数据录入到ES中。

1. 为了开速开发，我刚开始python通过thrift接口读取数据，显然耗时比较多

在这此实验中，提取数据以来的是ut 这列（更新时间字段）

2. 采用java client + SimpleColumnValueFilter 提取数据

使用thrift 接口非常的慢，照理说thrift server 相当于hbase client 只不过多进行一次数据转发，不应该这么慢，但现实就是这么残忍。

3. 由于hbase在插入数据时同时会记录timestamp，所以可以直接使用timestamp来提取数据（至少缩小了scan的查找范围）

4.，5 减小导数的时间范围，可以观察到，时间的下降不是线性的。我推断scan 操作有部分时间开销是基础时间开销，如果导入多少数据，时间也不会下降很多

6. 采用MapReduce后，速度有了成倍的提高。询问得知，正常情况下通过hbase client 从hbase中提取数据是线性，向一个region server发出请求后，再向另一个region sever发出请求，显然map reduce 并行比串行的速度提高了很多。

到阶段6时间已经满足业务需要了。据说还可以通过拆分region 来提高速度，有空试试。