1. 高可用
在 HBase 中 HMaster 負責監控 HRegionServer 的生命週期，均衡 RegionServer 的負載，如果 HMaster 掛掉了，那麼整個 HBase 集羣將陷入不健康的狀態，並且此時的工作狀態並不會維持太久。所以 HBase 支持對 HMaster 的高可用配置。
1．關閉 HBase 集羣（如果沒有開啓則跳過此步）
[hadoop@hadoop102 hbase]$ bin/stop-hbase.sh
2．在 conf 目錄下創建 backup-masters 文件
[hadoop@hadoop102 hbase]$ touch conf/backup-masters
3．在 backup-masters 文件中配置高可用 HMaster 節點
[hadoop@hadoop102 hbase]$ echo hadoop103 > conf/backup-masters
4．將整個 conf 目錄 scp 到其他節點
[hadoop@hadoop102 hbase]$ scp -r conf/
hadoop103:/opt/module/hbase/
[hadoop@hadoop102 hbase]$ scp -r conf/
hadoop104:/opt/module/hbase/
5．打開頁面測試查看
http://hadooo102:16010
2.預分區
每一個 region 維護着 StartRow 與 EndRow，如果加入的數據符合某個 Region 維護的RowKey 範圍，則該數據交給這個 Region 維護。那麼依照這個原則，我們可以將數據所要投放的分區提前大致的規劃好，以提高 HBase 性能。
1．手動設定預分區
Hbase> create 'staff1','info','partition1',SPLITS =>
['1000','2000','3000','4000']
2．生成 16 進制序列預分區
create 'staff2','info','partition2',{NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}
3．按照文件中設置的規則預分區
創建 splits.txt 文件內容如下：
aaaa
bbbb
cccc
dddd
然後執行：
create 'staff3','partition3',SPLITS_FILE => 'splits.txt'
4．使用 JavaAPI 創建預分區
//自定義算法，產生一系列 hash 散列值存儲在二維數組中
byte[][] splitKeys = 某個散列值函數
//創建 HbaseAdmin 實例
HBaseAdmin hAdmin = new HBaseAdmin(HbaseConfiguration.create());
//創建 HTableDescriptor 實例
HTableDescriptor tableDesc = new HTableDescriptor(tableName);
//通過 HTableDescriptor 實例和散列值二維數組創建帶有預分區的 Hbase 表
hAdmin.createTable(tableDesc, splitKeys);
3.RowKey 設計
一條數據的唯一標識就是 RowKey，那麼這條數據存儲於哪個分區，取決於 RowKey 處於哪個一個預分區的區間內，設計 RowKey 的主要目的 ，就是讓數據均勻的分佈於所有的region 中，在一定程度上防止數據傾斜。接下來我們就談一談 RowKey 常用的設計方案。
1．生成隨機數、hash、散列值
原 本 rowKey 爲 1001 的 ， SHA1 後 變 成 ：
dd01903921ea24941c26a48f2cec24e0bb0e8cc7
原 本 rowKey 爲 3001 的 ， SHA1 後 變 成 ：
49042c54de64a1e9bf0b33e00245660ef92dc7bd
原 本 rowKey 爲 5001 的 ， SHA1 後 變 成 ：
7b61dec07e02c188790670af43e717f0f46e8913
在做此操作之前，一般我們會選擇從數據集中抽取樣本，來決定什麼樣的 rowKey 來 Hash
後作爲每個分區的臨界值。
2．字符串反轉
20170524000001 轉成 10000042507102
20170524000002 轉成 20000042507102
這樣也可以在一定程度上散列逐步 put 進來的數據。
3．字符串拼接
20170524000001_a12e
20170524000001_93i7
4. 內存優化
HBase 操作過程中需要大量的內存開銷，畢竟 Table 是可以緩存在內存中的，一般會分配整個可用內存的 70%給 HBase 的 Java 堆。但是不建議分配非常大的堆內存，因爲 GC 過程持續太久會導致 RegionServer 處於長期不可用狀態，一般 16~48G 內存就可以了，如果因爲框架佔用內存過高導致系統內存不足，框架一樣會被系統服務拖死。
5. 基礎優化
1．允許在 HDFS 的文件中追加內容
hdfs-site.xml、hbase-site.xml
屬性：dfs.support.append
解釋：開啓 HDFS 追加同步，可以優秀的配合 HBase 的數據同步和持久化。默認值爲 true。
2．優化 DataNode 允許的最大文件打開數
hdfs-site.xml
屬性：dfs.datanode.max.transfer.threads 解釋：HBase 一般都會同一時間操作大量的文件，根據集羣的數量和規模以及數據動作，設置爲 4096 或者更高。默認值：4096
3．優化延遲高的數據操作的等待時間
hdfs-site.xml
屬性：dfs.image.transfer.timeout
解釋：如果對於某一次數據操作來講，延遲非常高，socket 需要等待更長的時間，建議把該值設置爲更大的值（默認 60000 毫秒），以確保 socket 不會被 timeout 掉。
4．優化數據的寫入效率
mapred-site.xml
屬性：mapreduce.map.output.compress
mapreduce.map.output.compress.codec
解釋：開啓這兩個數據可以大大提高文件的寫入效率，減少寫入時間。第一個屬性值修改爲true，第二個屬性值修改爲：org.apache.hadoop.io.compress.GzipCodec 或者其他壓縮方式。
5．設置 RPC 監聽數量
hbase-site.xml
屬性：Hbase.regionserver.handler.count
解釋：默認值爲 30，用於指定 RPC 監聽的數量，可以根據客戶端的請求數進行調整，讀寫請求較多時，增加此值。
6．優化 HStore 文件大小
hbase-site.xml
屬性：hbase.hregion.max.filesize
解釋：默認值 10737418240（10GB），如果需要運行 HBase 的 MR 任務，可以減小此值，因爲一個 region 對應一個 map 任務，如果單個 region 過大，會導致 map 任務執行時間過長。該值的意思就是，如果 HFile 的大小達到這個數值，則這個 region 會被切分爲兩個 Hfile。
7．優化 HBase 客戶端緩存
hbase-site.xml
屬性：hbase.client.write.buffer
解釋：用於指定 Hbase 客戶端緩存，增大該值可以減少 RPC 調用次數，但是會消耗更多內存，反之則反之。一般我們需要設定一定的緩存大小，以達到減少 RPC 次數的目的。
8．指定 scan.next 掃描 HBase 所獲取的行數
hbase-site.xml
屬性：hbase.client.scanner.caching
解釋：用於指定 scan.next 方法獲取的默認行數，值越大，消耗內存越大。
9．flush、compact、split 機制
當 MemStore 達到閾值，將 Memstore 中的數據 Flush 進 Storefile；compact 機制則是把 flush出來的小文件合併成大的 Storefile 文件。split 則是當 Region 達到閾值，會把過大的 Region一分爲二。