导航：首页 > 数据库 >

学习日志---hbase优化总结

发表于：2025-01-19 作者：千家信息网编辑

千家信息网最后更新 2025年01月19日，HBase的优化总结总结起来：预分区，列族，批量读写，合并，链接池。详细见下：1. 表的设计（前三个最重要）1.1 Pre-Creating Regions默认情况下，在创建HBase表的时候会自动创

千家信息网最后更新 2025年01月19日学习日志---hbase优化总结

HBase的优化总结

总结起来：预分区，列族，批量读写，合并，链接池。详细见下：

1. 表的设计（前三个最重要）

1.1 Pre-Creating Regions

默认情况下，在创建HBase表的时候会自动创建一个region分区，当导入数据的时候，所有的HBase客户端都向这一个region写数据，直到这个region足够大了才进行切分。一种可以加快批量写入速度的方法是通过预先创建一些空的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。

有关预分区，详情参见：Table Creation: Pre-Creating Regions，下面是一个例子：

public static boolean createTable(HBaseAdmin admin, HTableDescriptor table, byte[][] splits)throws IOException {  try {    admin.createTable(table, splits);    return true;  } catch (TableExistsException e) {    logger.info("table " + table.getNameAsString() + " already exists");    // the table already exists...    return false;    }}//这个方法是传入数据的起始和末尾key，以及想要分成几个region，返回的是哪些数据分在哪些区里//实际应用中可能需要对数据的特点进行分析，以免有些key对应的数据用户传入量很大，相邻的key较为频繁集中public static byte[][] getHexSplits(String startKey, String endKey, int numRegions) {  byte[][] splits = new byte[numRegions-1][];  BigInteger lowestKey = new BigInteger(startKey, 16);  BigInteger highestKey = new BigInteger(endKey, 16);  BigInteger range = highestKey.subtract(lowestKey);  BigInteger regionIncrement = range.divide(BigInteger.valueOf(numRegions));  lowestKey = lowestKey.add(regionIncrement);  for(int i=0; i < numRegions-1;i++) {    BigInteger key = lowestKey.add(regionIncrement.multiply(BigInteger.valueOf(i)));    byte[] b = String.format("6x", key).getBytes();    splits[i] = b;  }  return splits;}

预分区是根据预估的数据量，进行预先的region分割，设计哪些rowKey的数据放在哪些region上，避免数据倾斜。

1.2 Row Key

HBase中row key用来检索表中的记录，就是用来查找表中数据的，支持以下三种方式：

通过单个row key访问：即按照某个row key键值进行get操作；
通过row key的range进行scan：即通过设置startRowKey和endRowKey，在这个范围内进行扫描；
全表扫描：即直接扫描整张表中所有行记录。

在HBase中，row key可以是任意字符串，最大长度64KB，实际应用中一般为10~100bytes，存为byte[]字节数组，一般设计成定长的。

row key是按照字典序存储，因此，设计row key时，要充分利用这个排序特点，将经常一起读取的数据存储到一块，将最近可能会被访问的数据放在一块。

举个例子：如果最近写入HBase表中的数据是最可能被访问的，可以考虑将时间戳作为row key的一部分，由于是字典序排序，所以可以使用Long.MAX_VALUE - timestamp作为row key，这样能保证新写入的数据在读取时可以被快速命中。表示就是最早插入的数据row key越大，越靠后，越晚插入的数据row key越小，越靠前，因此可以使得最近插入的数据最先被访问到，因为hbase在存储表中数据时是按row key升序排列的。外界查询时，是一次查region。

1.3 Column Family

不要在一张表里定义太多的column family（列族）。目前Hbase并不能很好的处理超过2~3个column family的表。因为某个column family在flush的时候，它邻近的column family也会因关联效应被触发flush，最终导致系统产生更多的I/O。感兴趣的同学可以对自己的HBase集群进行实际测试，从得到的测试结果数据验证一下。

1.4 In Memory

创建表的时候，可以通过HColumnDescriptor.setInMemory(true)将表放到RegionServer的缓存中，保证在读取的时候被cache命中。

缓存的一个思考：最靠近用户的地方做缓存，不可以太底层。

1.5 Max Version

创建表的时候，可以通过列族HColumnDescriptor.setMaxVersions(int maxVersions)设置表中数据的最大版本，如果只需要保存最新版本的数据，那么可以设置setMaxVersions(1)。每一个列族都可以设置这个Max Version。

hbase自身在服务器基本不设置，除了设置下zookeeper所在的位置，为了hbase可以找到zookeeper，一般在程序端，可以动态的创建表，并设置表内的属性，例如该表中，某一个列族的Max Version。

1.6 Time To Live

创建表的时候，可以通过HColumnDescriptor.setTimeToLive(int timeToLive)设置表中数据的存储生命期，过期数据将自动被删除，例如如果只需要存储最近两天的数据，那么可以设置setTimeToLive(2 * 24 * 60 * 60)。

1.7 Compact & Split

在HBase中，数据在更新时首先写入WAL 日志(HLog)和内存(MemStore)中，MemStore中的数据是排序的，当MemStore累计到一定阈值时，就会创建一个新的MemStore，并且将老的MemStore添加到flush队列，由单独的线程flush到磁盘上，成为一个StoreFile。于此同时，系统会在zookeeper中记录一个redo point，表示这个时刻之前的变更已经持久化了(minor compact)。

StoreFile是只读的，一旦创建后就不可以再修改。因此Hbase的更新其实是不断追加的操作。当一个Store中的StoreFile达到一定的阈值后，就会进行一次合并(major compact)，将对同一个key的修改合并到一起，形成一个大的StoreFile，当StoreFile的大小达到一定阈值后，又会对 StoreFile进行分割(split)，等分为两个StoreFile。

由于对表的更新是不断追加的，处理读请求时，需要访问Store中全部的StoreFile和MemStore，将它们按照row key进行合并，由于StoreFile和MemStore都是经过排序的，并且StoreFile带有内存中索引，通常合并过程还是比较快的。

实际应用中，可以考虑必要时手动进行major compact，将同一个row key的修改进行合并形成一个大的StoreFile。同时，可以将StoreFile设置大些，减少split的发生。

用户访问时，查询先从region开始，查询对应的row_key。因为插入时，是按row_key来插的数据，依序分在region上。

major compaction是将每个分区（region）下的所有store（列族）里的storeFile进行合并，方便查询和插入，很耗资源的一种操作，因此不要频繁进行，应使用程序手动操作合并。

总体有三种方式有major_compaction命令；api操作（常用）；region server自动运行，默认是24小时一次。其中region server自动的方式需要设置hbase.hregion.majorcompaction.jetter，默认为0.2,也就是为了防止多个regionserver在同一时间合并，设定合并的时间有个±0.2的浮动。

minor compaction是较小范围的合并，因为消耗资源少，因此设置好参数后，可以交由hbase自动管理，其中几个参数：

hbase.hstore.compaction.min默认为3，至少需要3个满足条件的storefile，才会启动；

hbase.hstore.compaction.max默认为10，表示最多一次合并10个；

hbase.hstore.compaction.min.size

hbase.hstore.compaction.max.size这两个表示storefile文件大小在哪个范围内才会加入合并；

hbase.hstore.compaction.ratio将storefle按年龄排序来合并，先合并老的。

2. 写表操作

2.1 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，一个例子：

htable创建时可以单独传入row-key来锁定一行查询，也可以设置scan，查询多行数据。

static final Configuration conf = HBaseConfiguration.create();static final String table_log_name = "user_log";wTableLog = new HTable[tableN];for (int i = 0; i < tableN; i++) {    wTableLog[i] = new HTable(conf, table_log_name);    wTableLog[i].setWriteBufferSize(5 * 1024 * 1024); //5MB    wTableLog[i].setAutoFlush(false);}

2.2 HTable参数设置

2.2.1 Auto Flush

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，只有当put填满客户端写缓存时，才实际向HBase服务端发起写请求。默认情况下auto flush是开启的。

2.2.2 Write Buffer

通过调用HTable.setWriteBufferSize(writeBufferSize)方法可以设置HTable客户端的写buffer大小，如果新设置的buffer小于当前写buffer中的数据时，buffer将会被flush到服务端。其中，writeBufferSize的单位是byte字节数，可以根据实际写入数据量的多少来设置该值。

2.2.3 WAL Flag

在HBae中，客户端向集群中的RegionServer提交数据时（Put/Delete操作），首先会先写WAL（Write Ahead Log）日志（即HLog，一个RegionServer上的所有Region共享一个HLog），只有当WAL日志写成功后，再接着写MemStore，然后客户端被通知提交数据成功；如果写WAL日志失败，客户端则被通知提交失败。这样做的好处是可以做到RegionServer宕机后的数据恢复。

因此，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。

值得注意的是：谨慎选择关闭WAL日志，因为这样的话，一旦RegionServer宕机，Put/Delete的数据将会无法根据WAL日志进行恢复。

2.3 批量写

通过调用HTable.put(Put)方法可以将一个指定的row key记录写入HBase，同样HBase提供了另一个方法：通过调用HTable.put(List)方法可以将指定的row key列表，批量写入多行记录，这样做的好处是批量执行，只需要一次网络I/O开销，这对于对数据实时性要求高，网络传输RTT高的情景下可能带来明显的性能提升。

2.4 多线程并发写

在客户端开启多个HTable写线程，每个写线程负责一个HTable对象的flush操作，这样结合定时flush和写buffer（writeBufferSize），可以既保证在数据量小的时候，数据可以在较短时间内被flush（如1秒内），同时又保证在数据量大的时候，写buffer一满就及时进行flush。下面给个具体的例子：

for (int i = 0; i < threadN; i++) {    Thread th = new Thread() {        public void run() {            while (true) {                try {                    sleep(1000); //1 second                } catch (InterruptedException e) {                    e.printStackTrace();                }synchronized (wTableLog[i]) {                    try {                        wTableLog[i].flushCommits();                    } catch (IOException e) {                        e.printStackTrace();                    }                }            }}    };    th.setDaemon(true);    th.start();}

3. 读表操作

3.1 多HTable并发读

创建多个HTable客户端用于读操作，提高读数据的吞吐量，一个例子：

static final Configuration conf = HBaseConfiguration.create();static final String table_log_name = "user_log";rTableLog = new HTable[tableN];for (int i = 0; i < tableN; i++) {    rTableLog[i] = new HTable(conf, table_log_name);    //每次scan数据时读50条数据    rTableLog[i].setScannerCaching(50);}

3.2 HTable参数设置

3.2.1 Scanner Caching

hbase.client.scanner.caching配置项可以设置HBase scanner一次从服务端抓取的数据条数，默认情况下一次一条。通过将其设置成一个合理的值，可以减少scan过程中next()的时间开销，代价是scanner需要通过客户端的内存来维持这些被cache的行记录。

有三个地方可以进行配置：1）在HBase的conf配置文件中进行配置；2）通过调用HTable.setScannerCaching(int scannerCaching)进行配置；3）通过调用Scan.setCaching(int caching)进行配置。三者的优先级越来越高。

3.2.2 Scan Attribute Selection

scan时指定需要的Column Family，可以减少网络传输数据量，否则默认scan操作会返回整行所有Column Family的数据。

3.2.3 Close ResultScanner

通过scan取完数据后，记得要关闭ResultScanner，否则RegionServer可能会出现问题（对应的Server资源无法释放）。

3.3 批量读

通过调用HTable.get(Get)方法可以根据一个指定的row key获取一行记录，同样HBase提供了另一个方法：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，这对于对数据实时性要求高而且网络传输RTT高的情景下可能带来明显的性能提升。

3.4 多线程并发读

在客户端开启多个HTable读线程，每个读线程负责通过HTable对象进行get操作。下面是一个多线程并发读取HBase，获取店铺一天内各分钟PV值的例子：

public class DataReaderServer {     //获取店铺一天内各分钟PV值的入口函数     public static ConcurrentHashMap getUnitMinutePV(long uid, long startStamp, long endStamp){         long min = startStamp;         int count = (int)((endStamp - startStamp) / (60*1000));         List lst = new ArrayList();         for (int i = 0; i <= count; i++) {            min = startStamp + i * 60 * 1000;            lst.add(uid + "_" + min);         }         return parallelBatchMinutePV(lst);     }      //多线程并发查询，获取分钟PV值private static ConcurrentHashMap parallelBatchMinutePV(List lstKeys){        ConcurrentHashMap hashRet = new ConcurrentHashMap();        int parallel = 3;        List> lstBatchKeys  = null;        if (lstKeys.size() < parallel ){            lstBatchKeys  = new ArrayList>(1);            lstBatchKeys.add(lstKeys);        }        else{            lstBatchKeys  = new ArrayList>(parallel);            for(int i = 0; i < parallel; i++  ){                List lst = new ArrayList();                lstBatchKeys.add(lst);            }            for(int i = 0 ; i < lstKeys.size() ; i ++ ){                lstBatchKeys.get(i%parallel).add(lstKeys.get(i));            }        }                List >> futures = new ArrayList >>(5);                ThreadFactoryBuilder builder = new ThreadFactoryBuilder();        builder.setNameFormat("ParallelBatchQuery");        ThreadFactory factory = builder.build();        ThreadPoolExecutor executor = (ThreadPoolExecutor) Executors.newFixedThreadPool(lstBatchKeys.size(), factory);                for(List keys : lstBatchKeys){            Callable< ConcurrentHashMap > callable = new BatchMinutePVCallable(keys);            FutureTask< ConcurrentHashMap > future = (FutureTask< ConcurrentHashMap >) executor.submit(callable);            futures.add(future);        }        executor.shutdown();                // Wait for all the tasks to finish        try {          boolean stillRunning = !executor.awaitTermination(              5000000, TimeUnit.MILLISECONDS);          if (stillRunning) {            try {                executor.shutdownNow();            } catch (Exception e) {                // TODO Auto-generated catch block                e.printStackTrace();            }          }        } catch (InterruptedException e) {          try {              Thread.currentThread().interrupt();          } catch (Exception e1) {            // TODO Auto-generated catch block            e1.printStackTrace();          }        }                // Look for any exception        for (Future f : futures) {          try {              if(f.get() != null)              {                  hashRet.putAll((ConcurrentHashMap)f.get());              }          } catch (InterruptedException e) {            try {                 Thread.currentThread().interrupt();            } catch (Exception e1) {                // TODO Auto-generated catch block                e1.printStackTrace();            }          } catch (ExecutionException e) {            e.printStackTrace();          }        }                return hashRet;    }     //一个线程批量查询，获取分钟PV值    protected static ConcurrentHashMap getBatchMinutePV(List lstKeys){        ConcurrentHashMap hashRet = null;        List lstGet = new ArrayList();        String[] splitValue = null;        for (String s : lstKeys) {            splitValue = s.split("_");            long uid = Long.parseLong(splitValue[0]);            long min = Long.parseLong(splitValue[1]);            byte[] key = new byte[16];            Bytes.putLong(key, 0, uid);            Bytes.putLong(key, 8, min);            Get g = new Get(key);            g.addFamily(fp);            lstGet.add(g);        }        Result[] res = null;        try {            res = tableMinutePV[rand.nextInt(tableN)].get(lstGet);        } catch (IOException e1) {            logger.error("tableMinutePV exception, e=" + e1.getStackTrace());        }        if (res != null && res.length > 0) {            hashRet = new ConcurrentHashMap(res.length);            for (Result re : res) {                if (re != null && !re.isEmpty()) {                    try {                        byte[] key = re.getRow();                        byte[] value = re.getValue(fp, cp);                        if (key != null && value != null) {                            hashRet.put(String.valueOf(Bytes.toLong(key,                                    Bytes.SIZEOF_LONG)), String.valueOf(Bytes                                    .toLong(value)));                        }                    } catch (Exception e2) {                        logger.error(e2.getStackTrace());                    }                }            }        }        return hashRet;    }}//调用接口类，实现Callable接口class BatchMinutePVCallable implements Callable>{     private List keys;     public BatchMinutePVCallable(List lstKeys ) {         this.keys = lstKeys;     }     public ConcurrentHashMap call() throws Exception {         return DataReadServer.getBatchMinutePV(keys);     }}

3.5 缓存查询结果

对于频繁查询HBase的应用场景，可以考虑在应用程序中做缓存，当有新的查询请求时，首先在缓存中查找，如果存在则直接返回，不再查询HBase；否则对HBase发起读请求查询，然后在应用程序中将查询结果缓存起来。至于缓存的替换策略，可以考虑LRU等常用的策略。

也可以利用redis做缓存，就是从hbase查询出的数据方式redis，外界访问时，可以从redis里面去取。

3.6 Blockcache

HBase上Regionserver的内存分为两个部分，一部分作为Memstore，主要用来写；另外一部分作为BlockCache，主要用于读。

写请求会先写入Memstore，Regionserver会给每个region提供一个Memstore，当Memstore满64MB以后，会启动 flush刷新到磁盘。当Memstore的总大小超过限制时（heapsize * hbase.regionserver.global.memstore.upperLimit * 0.9），会强行启动flush进程，从最大的Memstore开始flush直到低于限制。

读请求先到Memstore中查数据，查不到就到BlockCache中查，再查不到就会到磁盘上读，并把读的结果放入BlockCache。由于BlockCache采用的是LRU策略，因此BlockCache达到上限(heapsize * hfile.block.cache.size * 0.85)后，会启动淘汰机制，淘汰掉最老的一批数据。

一个Regionserver上有一个BlockCache和N个Memstore，它们的大小之和不能大于等于heapsize * 0.8，否则HBase不能启动。默认BlockCache为0.2，而Memstore为0.4。对于注重读响应时间的系统，可以将 BlockCache设大些，比如设置BlockCache=0.4，Memstore=0.39，以加大缓存的命中率。

有关链接可以参考对应链接的内部链接。

HTable和HTablePool使用注意事项

HTable是HBase客户端与HBase服务端通讯的Java API对象，客户端可以通过HTable对象与服务端进行CRUD操作（增删改查）。它的创建很简单(htable的创建)：

Configuration conf = HBaseConfiguration.create();HTable table = new HTable(conf, "tablename");//TODO CRUD Operation……

HTable使用时的一些注意事项：

1. 规避HTable对象的创建开销

因为客户端创建HTable对象后，需要进行一系列的操作：检查.META.表确认指定名称的HBase表是否存在，表是否有效等等，整个时间开销比较重，可能会耗时几秒钟之长，因此最好在程序启动时一次性创建完成需要的HTable对象，如果使用Java API，一般来说是在构造函数中进行创建，程序启动后直接重用。

2. HTable对象不是线程安全的

HTable对象对于客户端读写数据来说不是线程安全的，因此多线程时，要为每个线程单独创建复用一个HTable对象，不同对象间不要共享HTable对象使用，特别是在客户端auto flash被置为false时，由于存在本地write buffer，可能导致数据不一致。

3. HTable对象之间共享Configuration

configuration不要创建太多，一个就够了，通过zookeeper去连接hbase的类。

HTable对象共享Configuration对象，这样的好处在于：

共享ZooKeeper的连接：每个客户端需要与ZooKeeper建立连接，查询用户的table regions位置，这些信息可以在连接建立后缓存起来共享使用；
共享公共的资源：客户端需要通过ZooKeeper查找-ROOT-和.META.表，这个需要网络传输开销，客户端缓存这些公共资源后能够减少后续的网络传输开销，加快查找过程速度。

因此，与以下这种方式相比：

HTable table1 = new HTable("table1");HTable table2 = new HTable("table2");

下面的方式更有效些：

Configuration conf = HBaseConfiguration.create();HTable table1 = new HTable(conf, "table1");HTable table2 = new HTable(conf, "table2");

备注：即使是高负载的多线程程序，也并没有发现因为共享Configuration而导致的性能问题；如果你的实际情况中不是如此，那么可以尝试不共享Configuration。

HTablePool

HTablePool可以解决HTable存在的线程不安全问题，同时通过维护固定数量的HTable对象，能够在程序运行期间复用这些HTable资源对象。

Configuration conf = HBaseConfiguration.create();//创建池，使用时从池里去htable对象HTablePool pool = new HTablePool(conf, 10);

1. HTablePool可以自动创建HTable对象，而且对客户端来说使用上是完全透明的，可以避免多线程间数据并发修改问题。

2. HTablePool中的HTable对象之间是公用Configuration连接的，能够可以减少网络开销。

HTablePool的使用很简单：每次进行操作前，通过HTablePool的getTable方法取得一个HTable对象，然后进行put/get/scan/delete等操作，最后通过HTablePool的putTable方法将HTable对象放回到HTablePool中。

下面是个使用HTablePool的简单例子：

public void createUser(String username, String firstName, String lastName, String email, String password, String roles) throws IOException {   //从池里去htable对象　　HTable table = rm.getTable(UserTable.NAME);　　Put put = new Put(Bytes.toBytes(username));　　put.add(UserTable.DATA_FAMILY, UserTable.FIRSTNAME,　　Bytes.toBytes(firstName));　　put.add(UserTable.DATA_FAMILY, UserTable.LASTNAME,　　　　Bytes.toBytes(lastName));   put.add(UserTable.DATA_FAMILY, UserTable.EMAIL, Bytes.toBytes(email));   //列族，列，数据　　put.add(UserTable.DATA_FAMILY, UserTable.CREDENTIALS,　　　　Bytes.toBytes(password));　　put.add(UserTable.DATA_FAMILY, UserTable.ROLES, Bytes.toBytes(roles));　　table.put(put);　　table.flushCommits();　　rm.putTable(table);}

至于多线程使用HTablePool的真实性能情况，需要通过实际的测试工作得到。

4. 数据计算

4.1 服务端计算

Coprocessor运行于HBase RegionServer服务端，各个Regions保持对与其相关的coprocessor实现类的引用，coprocessor类可以通过RegionServer上classpath中的本地jar或HDFS的classloader进行加载。

目前，已提供有几种coprocessor：

Coprocessor：提供对于region管理的钩子，例如region的open/close/split/flush/compact等；
RegionObserver：提供用于从客户端监控表相关操作的钩子，例如表的get/put/scan/delete等；
Endpoint：提供可以在region上执行任意函数的命令触发器。一个使用例子是RegionServer端的列聚合，这里有代码示例。

以上只是有关coprocessor的一些基本介绍，本人没有对其实际使用的经验，对它的可用性和性能数据不得而知。感兴趣的同学可以尝试一下，欢迎讨论。

4.2 写端计算

4.2.1 计数

HBase本身可以看作是一个可以水平扩展的Key-Value存储系统，但是其本身的计算能力有限（Coprocessor可以提供一定的服务端计算），因此，使用HBase时，往往需要从写端或者读端进行计算，然后将最终的计算结果返回给调用者。举两个简单的例子：

PV计算：通过在HBase写端内存中，累加计数，维护PV值的更新，同时为了做到持久化，定期（如1秒）将PV计算结果同步到HBase中，这样查询端最多会有1秒钟的延迟，能看到秒级延迟的PV结果。
分钟PV计算：与上面提到的PV计算方法相结合，每分钟将当前的累计PV值，按照rowkey + minute作为新的rowkey写入HBase中，然后在查询端通过scan得到当天各个分钟以前的累计PV值，然后顺次将前后两分钟的累计PV值相减，就得到了当前一分钟内的PV值，从而最终也就得到当天各个分钟内的PV值。

4.2.2 去重

对于UV的计算，就是个去重计算的例子。分两种情况：

如果内存可以容纳，那么可以在Hash表中维护所有已经存在的UV标识，每当新来一个标识时，通过快速查找Hash确定是否是一个新的UV，若是则UV值加1，否则UV值不变。另外，为了做到持久化或提供给查询接口使用，可以定期（如1秒）将UV计算结果同步到HBase中。
如果内存不能容纳，可以考虑采用Bloom Filter来实现，从而尽可能的减少内存的占用情况。除了UV的计算外，判断URL是否存在也是个典型的应用场景。

4.3 读端计算

如果对于响应时间要求比较苛刻的情况（如单次http请求要在毫秒级时间内返回），个人觉得读端不宜做过多复杂的计算逻辑，尽量做到读端功能单一化：即从HBase RegionServer读到数据（scan或get方式）后，按照数据格式进行简单的拼接，直接返回给前端使用。当然，如果对于响应时间要求一般，或者业务特点需要，也可以在读端进行一些计算逻辑。