基于HBase Thrift接口的一些使用问题及相关注意事项的详解

hbase对于非java语言提供了thrift接口支持，这里结合对hbase thrift接口（hbase版本为0.92.1）的使用经验，总结其中遇到的一些问题及其相关注意事项。
1. 字节的存放顺序
hbase中，由于row（row key和column family、column qualifier、time stamp）是按照字典序进行排序的，因此，对于short、int、long等类型的数据，通过bytes.tobytes(…)转换成byte数组后，必须按照大端模式（高字节在低地址，低字节在高地址）存放。对于value，也是同样的道理。因此，在使用thrift api（c++、php、python等）方式时，最好对于row和value都统一按照大端进行pack和unpack处理。
举个例子，c++中，对于int型变量，经过以下方式转换为字典序：

string key;
  int32_t timestamp = 1352563200;
  const char* pts =(const char*) &timestamp;
  size_t n = sizeof(int32_t);
  key.append(pts, n);

通过以下方式将字典序转换为int：

const char * ts = key.c_str();
int32_t timestamp = *((int32_t*)(ts));

php中则提供了pack和unpack方法进行转换：

  $key = pack("n", $num);
  $num = unpack("n", $key);

2. tscan的使用陷阱
hbase的php thrift接口中，tscan可以直接通过设置startrow、stoprow、columns、filter等属性，默认这些属性均为null，设置后变为非null（通过tscan的构造函数或直接对tscan的成员变量进行赋值）。通过write()方法和thrift server进行rpc操作时，直接判断的依据是这些属性不为null，则通过thrift协议传输到thrift server端。
但是在c++的thrift接口中，tscan中有一个_tscan__isset __isset类型的变量，其内部结构如下：

typedef struct _tscan__isset {
  _tscan__isset() : startrow(false), stoprow(false), timestamp(false), columns(false), caching(false), filterstring(false) {}
  bool startrow;
  bool stoprow;
  bool timestamp;
  bool columns;
  bool caching;
  bool filterstring;
} _tscan__isset;

tscan的write()方法则是通过判断_tscan__isset下的各个bool变量标记是否设置了startrow、stoprow、columns、filter等属性，决定是否将这些属性通过thrift协议传输到thrift server端，而这些属性必须通过__set_xxx()方法进行设置才能生效！在tscan的默认构造函数中，并不会对这些属性对应的__isset标记设置为true！
因此，如果直接通过tscan的构造函数初始化startrow、stoprow、columns、filter等属性会导致从头遍历该表，只有调用了__set_xxx()方法才会将对应的bool标识设置为true，这样服务端才会从thrift server获取startrow、stoprow、columns、filter等属性进行扫描。
3. 并发访问线程数
首先，为了尽可能减少由于网络传输带来的时间开销，hbase的thrift server最好和应用客户端部署在同一台机器上。thrift server启动时可以通过参数配置并发线程数，否则很容易导致thrift server线程满了不响应客户端的读写请求，具体命令：bin/hbase-daemon.sh start thrift --threadpool -m 200 -w 500（更多参数参考这里：bin/hbase-daemon.sh start thrift -h）。
4. 最大堆内存配置
如果客户端与thrift server进行scan操作顺序读取数据，而且设置了一定的cache记录条数（通过tscan的int32_t caching变量设置），那么这些被caching的记录数可能会占用thrift server相当部分的堆内存，尤其在多客户端并发访问时更明显。
因此，在thrift server启动前，可以调大最大堆内存，否则可能由于java.lang.outofmemoryerror异常而导致进程被杀掉，尤其是当scan时设置了较大的caching记录条数的情况（默认为export hbase_heapsize=1000mb，可以在conf/hbase-env.sh中设置）。