split是什么？

HBase的某个或多个region上的文件量达到一定规模，或者人工想拆分，就会进行split， 就是将各个region上的数据拆成两份（一定是一分为二，如果想分成三份就需要进行两次split）， 拆分一定是按某个key值，从key这里一切为二，小于key的在前面，大于等于key的在后面。

split有什么用？

split的主要作用就是让数据分布更均匀，让每个region都有数据可查，你说这样的决定吼不吼啊， 当然吼啊。举个栗子，在服务上线后，发现总会有些region上的key访问很频繁，而这些key恰好 又都是相近的，那这个region就钦定为热点region(hot region)，这时就需要将这个region 切分下，让这些key分散出去，减少这个region所在的region server的访问。 但要注意的是让HBase自己来决定怎么分可能并没有手动分得好，除非key是完全随机的 （比如md5生成的）。

预split(pre-splitting)

预split就是在建表时，指定拆分的各key，可以指定多份，在HBase shell下执行就像这样：

create 'test_table', 'f1', SPLITS=> ['a', 'b', 'c']

或用外部文件表示，每一行为一个切分点(key)

$ echo -e "a\nb\nc" >/tmp/splits

create 'test_table', 'f1', SPLITSFILE=>'/tmp/splits'

自动split

如果你之前没听过region还要split也不要紧，HBase会在region量达到一定程度时，自己进行 split。什么时候自动进行split呢，这是根据Split Policy来决定的，0.94之前是一个定值 (ConstantSizeRegionSplitPolicy)，之后改成根据一个公式(IncreasingToUpperBoundRegionSplitPolicy) 来计算是否要split，这个公式如下：

R是一个表在同一个region server上的region数，flush.size为一个配置值，默认为128M， memstore的意思为memory store，表示在内存中的文件大小，当大小达到这个值时，会flush到磁盘， filesize也是配置值，表示超过这个值一定要被split了，默认为10G。

确定要被split了，那哪里是切分点呢，这里要注意的是，切分点只是一个大概的中点，比如： 一个region有key从”000”到”099”，中点应该是”050”（注意我这里故意加了前导的0保持key是等长）， 但因为”050”并不一定存在文件的正中，因此HBase取的是block index的中点(TODO)。

手动split

自动split在前面说了并不如自己管理split靠谱（但这也增加了程序员的运维成本）， 如果你也下定决心要自己动手，那还需要修改配置文件hbase-site.xml中的 hbase.hregion.max.filesize（对，就是前面公式里的第二项）为一个较大的值，比如100G。 因此这里需要说下手动split。只需要在HBase shell中执行一条语句：

split 'regionName', 'splitKey'

更多用法可以在HBase shell中查。另外也可以在HBase的GUI管理界面中直接操作，如果split point不写，相当于只指定了表要被切分，则HBase会自行将表切分一次。经过几次试验， 这类“自动”切分对于少量数据（比如100条）或没有数据的region不会切分， 每个region都会被测试一次要不要切分。

且听下回

你一定想知道split时HBase都做了些什么？

为啥上面的hbase.hregion.max.filesize的值设为100G而不是更大甚至无穷大的值？

下篇会继续深入HBase的split操作。