我正在尝试将超过100亿条记录转储到hbase中，平均每天将增长1000万条记录，然后尝试对这些记录进行全表扫描。我知道在hdfs上进行全扫描比hbase要快。
hbase被用来在hdfs上排序不同的数据。应用程序正在使用spark构建。
数据被批量加载到hbase上。由于各种2g限制，区域大小从最初的3g测试减少到了1.2g（仍需要更详细的调查）。
“扫描缓存”为1000，“缓存块”处于关闭状态
hbase的总大小在6tb范围内，可跨5个区域服务器（节点）生成数千个区域(建议低（100）。
spark作业基本上在每一行上运行，然后根据范围内的列计算一些内容。
在hbase上使用spark，内部使用tableinputformat，作业运行了7.5小时。
为了绕过区域服务器，创建了一个快照并改用tablesnapshotinputformat。这项工作在大约5.5小时内完成。
问题
当从hbase读入spark时，这些区域似乎决定了spark分区，从而决定了2g限制。因此，缓存的问题是否意味着区域大小需要很小？
tablesnapshotinputformat绕过了区域服务器并直接从快照中读取数据，它还创建了一个按区域拆分的表，因此仍然会陷入上述区域大小问题。可以直接从hfiles读取键值，在这种情况下，分割大小由hdfs块大小决定。是否有一个scanner或其他util的实现，可以直接从hfile读取行（具体来说是从快照引用的hfile）？
有没有其他的指标来说明可能有助于提高性能的配置？例如hdfs块大小等？主要的用例是大部分的全表扫描。