共计 2661 个字符，预计需要花费 7 分钟才能阅读完成。
锁屏面试题百日百刷，每个工作日保持更新面试题。锁屏面试题 app、小程序现已上线，官网地址：https://www.demosoftware.cn。已收录了每日更新的面试题的所有内容，还蕴含特色的解锁屏幕温习面试题、每日编程题目邮件推送等性能。让你在面试中后人一步! 接下来的是今日的面试题：
1.HBase 如何给 web 前端提供接口来拜访？**
应用 JavaAPI 来编写 WEB 利用，应用 HBase 提供的 RESTFul 接口。
2.请列举几个 HBase 优化办法？**
1）缩小调整
缩小调整这个如何了解呢？HBase 中有几个内容会动静调整，如 region（分区）、HFile，所以通过一些办法来缩小这些会带来 I / O 开销的调整。
· Region
如果没有预建分区的话，那么随着 region 中条数的减少，region 会进行决裂，这将减少 I / O 开销，所以解决办法就是依据你的 RowKey 设计来进行预建分区，缩小 region 的动静决裂。
· HFile
HFile 是数据底层存储文件，在每个 memstore 进行刷新时会生成一个 HFile，当 HFile 减少到肯定水平时，会将属于一个 region 的 HFile 进行合并，这个步骤会带来开销但不可避免，然而合并后 HFile 大小如果大于设定的值，那么 HFile 会从新决裂。为了缩小这样的无谓的 I / O 开销，倡议预计我的项目数据量大小，给 HFile 设定一个适合的值。
2）缩小启停
数据库事务机制就是为了更好地实现批量写入，较少数据库的开启敞开带来的开销，那么 HBase 中也存在频繁开启敞开带来的问题。
· 敞开 Compaction，在闲时进行手动 Compaction。
因为 HBase 中存在 Minor Compaction 和 Major Compaction，也就是对 HFile 进行合并，所谓合并就是 I / O 读写，大量的 HFile 进行必定会带来 I / O 开销，甚至是 I / O 风暴，所以为了防止这种不受管制的意外产生，倡议敞开主动 Compaction，在闲时进行 compaction。
· 批量数据写入时采纳 BulkLoad。
如果通过 HBase-Shell 或者 JavaAPI 的 put 来实现大量数据的写入，那么性能差是必定并且还可能带来一些意想不到的问题，所以当须要写入大量离线数据时倡议应用 BulkLoad
3）缩小数据量
尽管咱们是在进行大数据开发，然而如果能够通过某些形式在保证数据准确性同时缩小数据量，何乐而不为呢？
· 开启过滤，进步查问速度
开启 BloomFilter，BloomFilter 是列族级别的过滤，在生成一个 StoreFile 同时会生成一个 MetaBlock，用于查问时过滤数据
· 应用压缩：个别举荐应用 Snappy 和 LZO 压缩
4）正当设计
在一张 HBase 表格中 RowKey 和 ColumnFamily 的设计是十分重要，好的设计可能进步性能和保证数据的准确性
· RowKey 设计：应该具备以下几个属性
散列性：散列性可能保障雷同类似的 rowkey 聚合，相异的 rowkey 扩散，有利于查问。
简短性：rowkey 作为 key 的一部分存储在 HFile 中，如果为了可读性将 rowKey 设计得过长，那么将会减少存储压力。
唯一性：rowKey 必须具备显著的区别性。
业务性：举例来说：
如果我的查问条件比拟多，而且不是针对列的条件，那么 rowKey 的设计就应该反对多条件查问。
如果我的查问要求是最近插入的数据优先，那么 rowKey 则能够采纳叫上 Long.Max- 工夫戳的形式，这样 rowKey 就是递加排列。
· 列族的设计
列族的设计须要看利用场景
多列族设计的优劣：
劣势：HBase 中数据时按列进行存储的，那么查问某一列族的某一列时就不须要全盘扫描，只须要扫描某一列族，缩小了读 I /O；其实多列族设计对缩小的作用不是很显著，实用于读多写少的场景
劣势：升高了写的 I / O 性能。起因如下：数据写到 store 当前是先缓存在 memstore 中，同一个 region 中存在多个列族则存在多个 store，每个 store 都一个 memstore，当其实 memstore 进行 flush 时，属于同一个 region 的 store 中的 memstore 都会进行 flush，减少 I / O 开销。
3.HBase 中 RowFilter 和 BloomFilter 原理？**
1）RowFilter 原理简析
RowFilter 顾名思义就是对 rowkey 进行过滤，那么 rowkey 的过滤无非就是相等（EQUAL）、大于(GREATER)、
小于 (LESS)，大于等于(GREATER_OR_EQUAL)，小于等于(LESS_OR_EQUAL) 和不等于 (NOT_EQUAL) 几种过滤形式。
Hbase 中的 RowFilter 采纳比拟符联合比拟器的形式来进行过滤。
比拟器的类型如下：
BinaryComparator
BinaryPrefixComparator
NullComparator
BitComparator
RegexStringComparator
SubStringComparator
例子：
Filter rowFilter = new RowFilter(CompareFilter.CompareOp.EQUAL,
new BinaryComparator(Bytes.toBytes(rowKeyValue)));
Scan scan = new Scan();
scan.setFilter(rowFilter)
在下面例子中，比拟符为 EQUAL，比拟器为 BinaryComparator
2）BloomFilter 原理简析
· 次要性能：提供随机读的性能
· 存储开销：BloomFilter 是列族级别的配置，一旦表格中开启 BloomFilter，那么在生成 StoreFile 时同时会生成一份蕴含 BloomFilter 构造的文件 MetaBlock，所以会减少肯定的存储开销和内存开销
· 粒度管制：ROW 和 ROWCOL · BloomFilter 的原理
简略说一下 BloomFilter 原理：
① 外部是一个 bit 数组，初始值均为 0
② 插入元素时对元素进行 hash 并且映射到数组中的某一个 index，将其置为 1，再进行屡次不同的 hash 算法，将映射到的 index 置为 1，同一个 index 只须要置 1 次。
③ 查问时应用跟插入时雷同的 hash 算法，如果在对应的 index 的值都为 1，那么就能够认为该元素可能存在，留神，只是可能存在
④ 所以 BlomFilter 只能保障过滤掉不蕴含的元素，而不能保障误判蕴含
· 设置：在建表时对某一列设置 BloomFilter 即可
