本文是对自己了解到的HBase Compaction机制做个总结。
为什么需要Compaction:
因为HBase使用了LSM树，将写数据和索引时的随机写转变成了顺序写磁盘，提高了写入时的性能。但是小文件过多的话，查询数据时的I/O次数会增加，影响查询性能。所以HBase提供了Compaction机制，将小文件合并成大文件，目的是查询性能。
Minor and Major Compaction:
HBase的Compaction机制分成Minor Compaction和Major Compaction两种。前者只是合并部分HFile文件(老文件在前，新文件在后，此外BulkLoad进来的文件总是排在hbase内部生成的文件之前。同时文件也是按照seqId排序的，因为越是连续数据重复的可能性也就越高)，后者是将Region下的所有HFile文件合并成一个大文件，会非常影响性能。所以再生产环境一般会将前者设置成0，表示关闭Major Compaction，再业务低峰期手动触发或者干脆补触发。
Minor Compaction时会删除选取HFile中的TTL过期数据。Major Compaction会清理三类数据：被删除的数据（打了Delete标记的数据）、TTL过期数据、版本号超过设定版本号的数据。
Compaction触发条件:
HBase触发Compaction的条件有三种：memstore flush、后台线程周期性检查、手动触发。
Compaction线程池选择:
HBase CompacSplitThread类内部对于Split、Compaction等操作专门维护了各自所使用的线程池，和Compaction相关的是如下的longCompactions和shortCompactions...不清楚为什么Compaction要专门分成两个，前者用来处理大规模compaction，后者处理小规模compaction，线程池大小都默认为 1 即只分别提供了一个线程用于相应的compaction，网上看到的说法是建议将其调整到2~5之间。
并不是Major Compaction就一定会交给longCompactions线程池处理。关于HBase compaction分配给longCompactions还是shortCompactions线程池受参数hbase.regionserver.thread.compaction.throttle控制，默认值为2 *maxFlilesToCompact* hbase.hregion.memstore.flush.size。maxFilesToCompact = conf.getInt(HBASE_HSTORE_COMPACTION_MAX_KEY, 10);
如果flush size 大小是128M，该参数默认值就是2 * 10 * 128M = 2.5G。一次Compaction的文件总大小如果超过该配置，就会分配给longCompactions处理，否则分配给shortCompactions处理。
Compaction策略:
HBase Compaction的策略一共有如下四种，HBase 0.96.x版本之前，默认的压缩策略是RatioBasedCompactionPolicy，新版本中默认为ExploringCompactionPolicy：
FIFO策略只做这么一件事情，收集所有过期的数据文件并删除，并没有真正执行重写（几个小文件合并成大文件）。因此，对应业务的列族必须设置TTL，否则肯定不适合该策略。应用方式适合时序数据...
Stripe策略是将一个大Region切分成很多个小sub-region。适用于Region大小小于2G的场景，并且要求Rowkey具有一定的统一格式。使用这种策略可以规避掉Major Compaction，因为Region比较小...
ExploringCompactionPolicy详细介绍：
选择待合并文件走的是RatioBasedCompactionPolicy中的selectCompaction()方法，套用网上一张经典的图：
从旧到新遍历文件，并且BulkLoad的文件在最前面。从文件数量和文件大小两个维度上选择要合并的文件：
1. minFiles（默认值：3） <= 文件数量 <= maxFiles（默认值：10）
2. 文件大小 <= maxCompactSize（默认值：LONG.MAX_VALUE）
3. 同时文件大小 < minCompactSize 则是符合要求，如果 >= minCompactSize ，还需要判断filesInRatio
FileSize(i) <= ( Sum(0,N,FileSize(_)) - FileSize(i) ) * Ratio
也就是说组合里面的所有单个文件大小都必须满足 singleFileSize <= (totalFileSize - singleFileSize) * currentRatio，此算法的意义是为了限制太大的compaction，选择出来的文件不至于有一个很大的，应该尽可能先合并一些小的大小相差不大的文件。
ExploringCompactionPolicy算法跟RatioBasedCompactionPolicy的区别，在于它还有一个多次遍历选取最优解的操作：
符合条件的合并文件的数量越多越好，数量一样的情况下，优先合并大小比较小的那些：
简单的说就是RatioBasedCompactionPolicy是简单的从头到尾遍历StoreFile列表，遇到一个符合Ratio条件的序列就选定执行Compaction。而ExploringCompactionPolicy则是从头到尾遍历的同时记录下当前最优，然后从中选择一个全局最优列表。
Compaction以及Flush时的限速:
为了防止Compaction以及Flush对业务产生影响，hbase内部会对Compaction和Flush的磁盘I/O写入速度进行限制。限制的方法是sleep让出时间片。因为Flush和Compaction是正相关，Flush越快，需要Compaction的小文件也就越多，而两者都是非常消耗I/O的。
限速通过一个[0,1.0]之间的一个比例因子来确定，如果超过1，说明此时不应该限速，否则则需要限速。
参考：
https://blog.csdn.net/u011598442/article/details/90632702