在HBase中，针对海量数据的扫描操作，通常采用哪些机制来提升速度？请列举并解释几种常见的性能优化手段。

回答思路

1. 【回答框架 1】HBase扫描基于LSM树和Region内有序存储，通过RowKey范围定位Region，利用BlockCache和BloomFilter减少IO。
2. 【回答框架 2】优化策略包括：设计合理的RowKey实现前缀过滤，避免全表扫描；使用Scan的startRow和stopRow限定范围，配合filterList下推过滤条件。
3. 【回答框架 3】调整扫描相关参数，如设置缓存块（setCaching）和批量（setBatch）以平衡网络与内存开销；启用布隆过滤器（BloomFilter）跳过不包含数据的StoreFile。
4. 【回答框架 4】针对热点问题，可预分区并采用散列或加盐RowKey；对列族和列限定符进行裁剪，只扫描必要数据；利用HFile的块索引和布隆过滤器加速定位。
5. 【回答框架 5】在架构层面，可考虑使用二级索引（如Phoenix）或物化视图，将扫描转化为点查；同时监控RegionServer负载，合理拆分Region。
6. 【关键点 1】RowKey设计是扫描性能的核心，前缀匹配可大幅减少扫描范围。
7. 【关键点 2】Scan应显式设置startRow、stopRow及必要的Filter，避免全表扫描。
8. 【关键点 3】合理设置缓存和批量参数，并启用BloomFilter可显著降低IO。
9. 【关键点 4】预分区和加盐RowKey能缓解热点，提升并行扫描效率。
10. 【关键点 5】裁剪列族和列，只读取所需数据，减少网络传输和内存占用。
11. 【易错点 1】过度依赖Filter可能导致性能下降，应优先通过RowKey设计过滤。
12. 【易错点 2】不合理的缓存设置可能引发OOM或频繁GC，需结合数据量和内存调整。
13. 【易错点 3】BloomFilter对短RowKey或高基数数据可能效果有限，需评估适用性。