前面我们已经知道了，数据写入过程中，需要先写memstore，然后memstore满了以后，flush写入磁盘，形成新的HFile文件。
当HFile文件数量不断累积，Region server就会触发compaction机制，把小文件合并为大的HFIle。
当每次flush完成 或者 compaction完成后，regionSplitPolicy就会判断是否需要进行split。
split触发时机简单来说，就是看一个region里面的最大store是否超过阈值。
当然，hbase支持多种策略来设置这个阈值到底怎么计算，这就是触发策略。
- 0.94版本前默认的策略是ConstantSizeRegionSplitPolicy，这个阈值时一个固定值。
- 0.94-2.0版本的默认策略是IncreasingToUpperBoundRegionSplitPolicy。
- 2.0版本的默认策略是SteppingSplitPolicy。这两种策略设置的阈值不是一个固定值，而是会和region所属表在当前regionserver上的region个数有关。只是在计算公式上稍有差异。
另外，还有比如DisableSplitPolicy、KeyPrefixRegionSplitPolicy，DelimitedKeyPrefixRegionSplitPolicy等策略，就不一一介绍了。
一旦开始region split，那么就会创建两个daughter region。
这时候不会立刻将所有数据写到新的region里面去，而是创建引用文件，叫做Reference files，指向parent region。
reference文件作为一个数据规则文件，在split期间，新的查询会根据这个文件去父region的HStore上查询数据。当经过一次major compaction后，数据迁移到新的region中，reference文件会被删除，表示spilit真正完成。
具体过程如下：
1）regionserver在zookeeper中创建一个新的znode在/hbase/region-in-transition/region-name目录下，状态为SPLITTING
2）master通过watch zk上的region-in-transition目录，得知这个region处于split状态
3）region server在HDFS的parent region目录下创建一个子目录叫做“.splits”
4）region server关闭parent region，强制flush这个region下的cache数据，并且标记这个region为下线状态。这个时候，如果有客户端请求落在这个region上，就会抛出NotServingRegionException。
5）Region server创建新的region在.spllits目录下，我们标记为daughter region A和daughter region B,同时创建必要的数据结构。然后就会创建两个Reference文件，指向parent region的那些存储文件。
6）Region Server在HDFS中创建实际的region目录，并将daughterA和daughter B移动到HBase根目录下，形成两个新的region。
7）Region server会发送put请求给.mete. table，然后把parent region设置为offline的状态，并且给新的region添加信息。
8）region server 打开新的region接受读写请求
9）region server将region A和B的信息添加到.meta.表，可以真正对外提供服务了。
扫尾工作：
1）客户端请求.meta.表，发现新的region信息，就会把本地缓存重新设置
2）region server更新zk上/hbase/region-in-transition/region-name目录下的znode状态，改为SPLIT，然后master通过watch得知这个信息。如果有必要，负载均衡器可以选择将新的region分布到新的region server上。
3）完成split工作后，meta和HDFS还是会保留reference文件到parent region。等到下次compaction时，会完成数据到新region的迁移，然后才会删除reference文件。
当一张表被首次创建时，只会分配一个region给这个表。因此，在刚刚开始时，所有读写请求都会落在这个region所在的region server上，而不管你整个集群有多少个region server。不能充分地利用集群的分布式特性。
主要原因跟split的机制有关，一开始的时候，系统无法判断你到底需要用哪个rowkey进行split。
因此，hbase提供了工具让你能自己解决这个问题，叫做pre-splitting。
你可以在创建表的时候，指定哪些split point将region分成几份。如果切分的好，那么自然就可以一开始就充分利用分布式的特性。但是需要注意，如果切分的不好，存在热点region，那么反而会影响读写性能。
这里也没有一个特别好的原则来说到底pre split多少个region最合适，不过最好的方式，还是以region server数量的倍数（较小的倍数）来创建pre split的region数量，然后让集群本身去做自动的spliting。
2.0版本后，HBase会使用HLog存储单机事务（DDLSplitMove等）的中间状态，保证了即使事务过程中出现异常，也能安全地回滚或继续提交。
看到这里了，原创不易，点个关注、点个赞吧，你最好看了～
知识碎片重新梳理，构建Java知识图谱：https://github.com/saigu/JavaKnowledgeGraph（历史文章查阅非常方便）
扫码关注我的公众号“阿丸笔记”，第一时间获取最新更新。同时可以免费获取海量Java技术栈电子书、各个大厂面试题。
