因官方book performance tuning部分章节 没有按配置项进行索引，不能达到快速查阅的效果。所以我以配置项驱动，重新整理了原文，并补充一些自己的理解，如有错误，欢迎指正。
配置优化zookeeper.session.timeout
默认值：3分钟(180000ms)
说明：regionserver与zookeeper间的连接超时时间。当超时时间到后，reigonserver会被zookeeper从rs集群清单中移除，hmaster收到移除通知后，会对这台server负责的regions重新balance，让其他存活的regionserver接管.
调优：
这个timeout决定了regionserver是否能够及时的failover。设置成1分钟或更低，可以减少因等待超时而被延长的failover时间。
不过需要注意的是，对于一些online应用，regionserver从宕机到恢复时间本身就很短的(网络闪断，crash等故障，运维可快速介入)，，如果调低timeout时间，反而会得不偿失。因为当reigonserver被正式从rs集群中移除时，hmaster就开始做balance了 (让其他rs根据故障机器记录的wal日志进行恢复)。当故障的rs在人工介入恢复后，这个balance动作是毫无意义的，反而会使负载不均匀，给rs 带来更多负担。特别是那些固定分配regions的场景。
hbase.regionserver.handler.count
默认值：10
说明：regionserver的请求处理io线程数。
调优：
这个参数的调优与内存息息相关。
较少的io线程，适用于处理单次请求内存消耗较高的big put场景(大容量单次put或设置了较大cache的scan，均属于big put)或reigonserver的内存比较紧张的场景。 【linux公社 】
较多的io线程，适用于单次请求内存消耗低，tps要求非常高的场景。设置该值的时候，以监控内存为主要参考。
这里需要注意的是如果server的region数量很少，大量的请求都落在一个region上，因快速充满memstore触发flush导致的读写锁会影响全局tps，不是io线程数越高越好。
压测时，开启enabling rpc-level logging ，可以同时监控每次请求的内存消耗和gc的状况，最后通过多次压测结果来合理调节io线程数。
这里是一个案例 hadoop and hbase optimization for read intensive search applications ，作者在ssd的机器上设置io线程数为100，仅供参考。
hbase.hregion.max.filesize
默认值：256m
说明：在当前reigonserver上单个reigon的最大存储空间，单个region超过该值时，这个region会被自动split成更小的region。
调优：
小region对split和compaction友好，因为拆分region或compact小region里的storefile速度很快，内存占用低。缺点是split和compaction会很频繁。
特别是数量较多的小region不停地split, compaction，会导致集群响应时间波动很大，region数量太多不仅给管理上带来麻烦，甚至会引发一些hbase的bug。
一般512以下的都算小region。
大region，则不太适合经常split和compaction，因为做一次compact和split会产生较长时间的停顿，对应用的读写性能冲击非常大。此外，大region意味着较大的storefile，compaction时对内存也是一个挑战。
当然，大region也有其用武之地。如果你的应用场景中，某个时间点的访问量较低，那么在此时做compact和split，既能顺利完成split和compaction，又能保证绝大多数时间平稳的读写性能。
既然split和compaction如此影响性能，有没有办法去掉?
compaction是无法避免的，split倒是可以从自动调整为手动。
只要通过将这个参数值调大到某个很难达到的值，比如100g，就可以间接禁用自动split(regionserver不会对未到达100g的region做split)。
再配合regionsplitter这个工具，在需要split时，手动split。
手动split在灵活性和稳定性上比起自动split要高很多，相反，管理成本增加不多，比较推荐online实时系统使用。
内存方面，小region在设置memstore的大小值上比较灵活，大region则过大过小都不行，过大会导致flush时app的io wait增高，过小则因store file过多影响读性能。