1.从表的设计

从表的设计方面来讲可以对rowkey、Column Family、region分区进行优化，具体到rowkey有rowkey的长度不能太长，实际应用中一般为10~100bytes；rowkey是根据字典序排列的可以将一起读取的数据存储到一块。还可以利用散列，对rowkey做相应的处理。对于列族，一张表里的列族的最好不要超过3个，一般来说是1-2个。
关于region分区是预先创建一些空的regions，这样当数据写入HBase时，会按照region分区情况，在集群内做数据的负载均衡。

2.写表操作方面有

多HTable并发写，创建多个HTable客户端用于写操作，提高写数据的吞吐量； 对HTable参数设置进行相关设置；比如通过调用HTable.setAutoFlush(false)方法可以将HTable写客户端的自动flush关闭，这样可以批量写入数据到HBase，而不是有一条put就执行一次更新。
通过调用HTable.setWriteBufferSize(writeBufferSize)方法可以设置HTable客户端的写buffer大小。对于相对不太重要的数据，可以在Put/Delete操作时，通过调用Put.setWriteToWAL(false)或Delete.setWriteToWAL(false)函数，放弃写WAL日志，从而提高数据写入的性能。

3.读表操作

创建多个HTable客户端用于读操作，提高读数据的吞吐量。

HTable参数设置：通过调用HTable.setScannerCaching(int scannerCaching)进行配置，设置HBase scanner一次从服务端抓取的数据条数，一个合理的值（默认情况下一次一条）。scan时指定需要的Column Family，可以减少网络传输数据量。

批量读：通过调用HTable.get(List)方法可以根据一个指定的row key列表，批量获取多行记录，这样做的好处是批量执行，只需要一次网络I/O开销

4.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。接下来我们就谈一谈rowkey常用的设计方案。

  1. 生成随机数、hash、散列值
    比如：
    原本rowKey为1001的，SHA1后变成：dd01903921ea24941c26a48f2cec24e0bb0e8cc7
    原本rowKey为3001的，SHA1后变成：49042c54de64a1e9bf0b33e00245660ef92dc7bd
    原本rowKey为5001的，SHA1后变成：7b61dec07e02c188790670af43e717f0f46e8913
    在做此操作之前，一般我们会选择从数据集中抽取样本，来决定什么样的rowKey来Hash后作为每个分区的临界值。
  2. 字符串反转
    20180524000001转成10000042508102
    20180524000002转成20000042508102
    这样也可以在一定程度上散列逐步put进来的数据。
  3. 字符串拼接
    20180524000001_a12e
    20180524000001_93i7

5.其他相关优化

设置RPC监听数量

hbase-site.xml
属性：hbase.regionserver.handler.count
解释：默认值为30，用于指定RPC监听的数量，可以根据客户端的请求数进行调整，读写请求较多时，增加此值。

优化HStore文件大小

hbase-site.xml
属性：hbase.hregion.max.filesize
解释：默认值10737418240（10GB），如果需要运行HBase的MR任务，可以减小此值，因为一个region对应一个map任务，如果单个region过大，会导致map任务执行时间过长。该值的意思就是，如果HFile的大小达到这个数值，则这个region会被切分为两个Hfile。

优化hbase客户端缓存

hbase-site.xml
属性：hbase.client.write.buffer
解释：用于指定HBase客户端缓存，增大该值可以减少RPC调用次数，但是会消耗更多内存，反之则反之。一般我们需要设定一定的缓存大小，以达到减少RPC次数的目的。

不定期更新