一.简单地说，Hbase(1) HBase是一个分布式的基于列的存储数据库，由基于Hadoop的hdfs存储zookeeper管理。
) Hbase适合半结构化或非结构化数据的存储，是数据结构字段不充分确定或杂乱无章、难以用一个概念提取的数据。
)3) Hbase为空的记录不被存储。
基于(4)的表包括rowkey、时间戳和列族。 写入新数据时，时间戳更新，可以同时询问早期版本。
)5) hbase为主从结构。 hmaster为主节点，hregionserver为从节点。
说明HBase特征的1 (大)个表有数十亿行、数百万列；
2 )无模式)每行有可排序的主键和任意数量的列，列可以根据需要动态增加，数量相同
张表中的不同行可以有完全不同的列；
3 )面向列)对列(族)的存储和权限控制，列(族)的独立搜索；
4 )稀疏)空(null )列不占用存储空间，表可以设计得非常稀疏。
5 )数据的多版本)每个单元中的数据可以具有多个版本，默认情况下自动分配版本号，并且是一个单元
插入格时的时间戳；
6 )数据类型单一： Hbase数据均为字符串，无类型。
阐述HBase和Hive的区别
Hive和Hbase是两种基于Hadoop的不同技术。 Hive是一种SQL引擎，运行MapReduce任务。 Hbase是Hadoop之上的NoSQL的Key/vale数据库。 当然，这两个工具可以同时使用。 Hive可以用于统计查询，HBase可以用于实时查询，就像在谷歌上搜索或在脸书上社交一样。 数据也可以从Hive写入HBase，然后进行设置并从HBase写回Hive。
四. HBase适用方案半结构化或非结构化数据
记录非常稀疏
多版本数据
超大数据量
五、HBase的rowKey的设计原则说明rowKey的长度原则
Rowkey是二进制码流，许多开发人员建议Rowkey的长度设计为10到100字节，但建议长度不要超过16字节。
理由如下。
)1)数据持久化文件HFile中按照KeyValue进行存储，但如果Rowkey过长，例如100字节，则仅Rowkey就需要100*1000万=10亿字节，约1G的数据
)2) MemStore将部分数据缓存在内存中。 Rowkey字段太长会降低内存利用率，导致系统无法缓存更多数据，从而降低搜索效率。 因此，Rowkey的字节长度越短越好。
)3)目前操作系统均为64位系统，内存按8字节对齐。 控制为16字节、8字节
的整数倍利用操作系统的最佳特性。
原始密钥散列原则
如果Rowkey以时间戳递增，并且不在二进制代码之前放置时间，则建议在程序周期中将Rowkey的高位作为散列字段生成，并将时间字段放置在低位。 这增加了将数据分布到每个Regionserver以实现负载平衡的概率。 如果没有散列字段，则第一个字段是时间信息，会出现所有新数据都聚集在一个RegionServer上的热点现象，从而导致检索数据时负载集中在各个RegionServer上，降低查询效率。
Rowkey的唯一原则
在设计方面必须保证其唯一性。
六.扫描和get在HBase中的功能以及实现异同HBase的查询实现只提供两种方式。
1 )为每个指定的RowKey获取唯一记录。 get方法(org.Apache.Hadoop.h base.client.get ) get的方法处理主要分为两种：一些设置了ClosestRowBefore，另一些未设置ClosestRowBefore 也就是说，每个get都用row标记。 一个row可以包含很多family和column。
2 )在指定条件下获取批量记录。 scan方法(org.Apache.Hadoop.h base.client.scan )使用scan方法来实现条件查询功能。
7 .请详细说明hbase的一个cell的结构hbase中，row和columns决定的是将一个存储单元称为cell。
由cell (原始密钥，列)=familylabel )，version} )唯一确定的单元。 cell数据没有类型，全部以字节码格式存储。
八. HBase的压缩用途是什么？ 什么时候触发？ 分为哪两种？ 有什么区别？ 有哪些相关的配置参数？ 在hbase中，每当memstore数据刷新到磁盘时，就会形成storeFile，成为storef
ile的数量达到一定程度后，就需要将 storefile 文件来进行 compaction 操作。Compact 的作用：
① 合并文件
② 清除过期，多余版本的数据
③ 提高读写数据的效率
HBase 中实现了两种 compaction 的方式：minor and major. 这两种 compaction 方式的
区别是：
1、Minor 操作只用来做部分文件的合并操作以及包括 minVersion=0 并且设置 ttl 的过
期版本清理，不做任何删除数据、多版本数据的清理工作。
2、Major 操作是对 Region 下的 HStore 下的所有 StoreFile 执行合并操作，最终的结果
是整理合并出一个文件。 九.HBase 优化方式
（1）高可用
在 HBase 中 Hmaster 负责监控 RegionServer 的生命周期，均衡 RegionServer 的负载，如果 Hmaster 挂掉了，那么整个 HBase 集群将陷入不健康的状态，并且此时的工作状态并不会维持太久。所以 HBase 支持对 Hmaster 的高可用配置。
（2）预分区
每一个 region 维护着 startRow 与 endRowKey，如果加入的数据符合某个 region 维护的rowKey 范围，则该数据交给这个 region 维护。那么依照这个原则，我们可以将数据所要投放的分区提前大致的规划好，以提高 HBase 性能 .
（3）RowKey 设计
一条数据的唯一标识就是 rowkey，那么这条数据存储于哪个分区，取决于 rowkey 处于哪个一个预分区的区间内，设计 rowkey 的主要目的 ，就是让数据均匀的分布于所有的 region中，在一定程度上防止数据倾斜。
（4）7.4 内存优化
HBase 操作过程中需要大量的内存开销，毕竟 Table 是可以缓存在内存中的，一般会分配整个可用内存的 70%给 HBase 的 Java 堆。但是不建议分配非常大的堆内存，因为 GC 过程持续太久会导致 RegionServer 处于长期不可用状态，一般 16~48G 内存就可以了，如果因为框架占用内存过高导致系统内存不足，框架一样会被系统服务拖死。
（5）基础优化
十.Region 如何预建分区？预分区的目的主要是在创建表的时候指定分区数，提前规划表有多个分区，以及每个分区的区间范围，这样在存储的时候 rowkey 按照分区的区间存储，可以避免 region 热点问题。
通常有两种方案：
方案 1:shell 方法
create 'tb_splits', {NAME => 'cf',VERSIONS=> 3},{SPLITS => ['10','20','30']}
方案 2: JAVA 程序控制
· 取样，先随机生成一定数量的 rowkey,将取样数据按升序排序放到一个集合里；
· 根据预分区的 region 个数，对整个集合平均分割，即是相关的 splitKeys；
· HBaseAdmin.createTable(HTableDescriptor tableDescriptor,byte[][]splitkeys)可以指定预分区的 splitKey，即是指定 region 间的 rowkey 临界值。
1）ZooKeeper 会监控 HRegionServer 的上下线情况，当 ZK 发现某个 HRegionServer 宕机之后会通知 HMaster 进行失效备援；
2）该 HRegionServer 会停止对外提供服务，就是它所负责的 region 暂时停止对外提供服务；
3）HMaster 会将该 HRegionServer 所负责的 region 转移到其他 HRegionServer 上，并且会对 HRegionServer 上存在 memstore 中还未持久化到磁盘中的数据进行恢复；
4）这个恢复的工作是由 WAL 重播来完成，这个过程如下：
· wal 实际上就是一个文件，存在/hbase/WAL/对应 RegionServer 路径下。
· 宕机发生时，读取该 RegionServer 所对应的路径下的 wal 文件，然后根据不同的region 切分成不同的临时文件 recover.edits。
· 当 region 被分配到新的 RegionServer 中，RegionServer 读取 region 时会进行是否存在 recover.edits，如果有则进行恢复。
读：
① HRegionServer 保存着 meta 表以及表数据，要访问表数据，首先 Client 先去访问zookeeper，从 zookeeper 里面获取 meta 表所在的位置信息，即找到这个 meta 表在哪个HRegionServer 上保存着。
② 接着 Client 通过刚才获取到的 HRegionServer 的 IP 来访问 Meta 表所在的HRegionServer，从而读取到 Meta，进而获取到 Meta 表中存放的元数据。
③ Client 通过元数据中存储的信息，访问对应的 HRegionServer，然后扫描所在HRegionServer 的 Memstore 和 Storefile 来查询数据。
④ 最后 HRegionServer 把查询到的数据响应给 Client。
写：
① Client 先访问 zookeeper，找到 Meta 表，并获取 Meta 表元数据。
② 确定当前将要写入的数据所对应的 HRegion 和 HRegionServer 服务器。
③ Client 向该 HRegionServer 服务器发起写入数据请求，然后 HRegionServer 收到请求
并响应。
④ Client 先把数据写入到 HLog，以防止数据丢失。
⑤ 然后将数据写入到 Memstore。
⑥ 如果 HLog 和 Memstore 均写入成功，则这条数据写入成功
⑦ 如果 Memstore 达到阈值，会把 Memstore 中的数据 flush 到 Storefile 中。
⑧ 当 Storefile 越来越多，会触发 Compact 合并操作，把过多的 Storefile 合并成一个大
的 Storefile。
⑨ 当 Storefile 越来越大，Region 也会越来越大，达到阈值后，会触发 Split 操作，将
Region 一分为二。
Hbase 是一个能适应联机业务的数据库系统物理存储：hbase 的持久化数据是将数据存储在 HDFS 上。
存储管理：一个表是划分为很多 region 的，这些 region 分布式地存放在很多 regionserver上 Region 内部还可以划分为 store，store 内部有 memstore 和 storefile。
版本管理：hbase 中的数据更新本质上是不断追加新的版本，通过 compact 操作来做版本间的文件合并 Region 的 split。
集群管理：ZooKeeper + HMaster + HRegionServer。
Column Family 的个数具体看表的数据，一般来说划分标准是根据数据访问频度，如一张表里有些列访问相对频繁，而另一些列访问很少，这时可以把这张表划分成两个列族，分开存储，提高访问效率。
14.如何提高 HBase 客户端的读写性能？请举例说明1 开启 bloomfilter 过滤器，开启 bloomfilter 比没开启要快 3、4 倍
2 Hbase 对于内存有特别的需求，在硬件允许的情况下配足够多的内存给它
3 通过修改 hbase-env.sh 中的
export HBASE_HEAPSIZE=3000 #这里默认为 1000m
4 增大 RPC 数量
通过修改 hbase-site.xml 中的 hbase.regionserver.handler.count 属性，可以适当的放大RPC 数量，默认值为 10 有点小。
region 中的 rowkey 是有序存储，若时间比较集中。就会存储到一个 region 中，这样一个 region 的数据变多，其它的 region 数据很少，加载数据就会很慢，直到 region 分裂，此问题才会得到缓解。
16.请描述如何解决 HBase 中 region 太小和 region 太大带来的冲突？Region 过大会发生多次compaction，将数据读一遍并重写一遍到 hdfs 上，占用io，region过小会造成多次 split，region 会下线，影响访问服务，最佳的解决方法是调整 hbase.hregion.max.filesize 为 256m。
17. 解释一下布隆过滤器原理；