HBase性能优化方法总结

迈不过友情╰ 2021-09-29 04:46 405阅读 0赞

#### 4.1 HBase性能优化方法总结（一）：表的设计 ####

4.1.1 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。

当你认为数据比较大时,先预先创建一些空的region,这样数据存入时,会加快效率

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;  
      }
    }
    
    public static byte[][] getHexSplits(String startKey, String endKey, int numRegions) {  //start:001,endkey:100, 10region [001,010] [011,020]
      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("%016x", key).getBytes();
        splits[i] = b;
      }
      return splits;
    }

6.1.2 Row Key

HBase中row key用来检索表中的记录，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。

Rowkey规则：

1.  越小越好
2.  Rowkey的设计是要根据实际业务来
3.  散列性
    
     *  取反 001 002 100 200
     *  Hash

6.1.3 Column Family

**不要在一张表里定义太多的column family**。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。最好定义两个就好

6.1.4 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。

6.1.5 Max Version

创建表的时候，可以通过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)。

6.1.6 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)。

6.1.7 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。

*  major compact要在业务不繁忙的时候去进行,这样才不会影响其它业务系统和服务系统的性能

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。

hbase为了防止小文件（被刷到磁盘的menstore）过多，以保证保证查询效率，hbase需要在必要的时候将这些小的store file合并成相对较大的store file，这个过程就称之为compaction。在hbase中，主要存在两种类型的compaction：minor compaction和major compaction。

*  minor compaction:的是较小、很少文件的合并。
 *  major compaction 的功能是将所有的store file合并成一个，触发major compaction的可能条件有：major\_compact 命令、majorCompact() API、region server自动运行（相关参数：-
    
    hbase.hregion.majoucompaction 默认为24 小时、
    
    hbase.hregion.majorcompaction.jetter 默认值为0.2 防止region server 在同一时间进行major compaction）。
    
    hbase.hregion.majorcompaction.jetter参数的作用是：对参数hbase.hregion.majoucompaction 规定的值起到浮动的作用，假如两个参数都为默认值24和0,2，那么major compact最终使用的数值为：19.2~28.8 这个范围。

优化建议

1.  关闭自动major compaction
2.  手动编程major compaction

Timer类，contab

minor compaction的运行机制要复杂一些，它由一下几个参数共同决定：

hbase.hstore.compaction.min :默认值为 3，表示至少需要三个满足条件的store file时，minor compaction才会启动

hbase.hstore.compaction.max 默认值为10，表示一次minor compaction中最多选取10个store file

hbase.hstore.compaction.min.size 表示文件大小小于该值的store file 一定会加入到minor compaction的store file中

hbase.hstore.compaction.max.size 表示文件大小大于该值的store file 一定会被minor compaction排除

hbase.hstore.compaction.ratio 将store file 按照文件年龄排序（older to younger），minor compaction总是从older store file开始选择

#### 4.2 HBase性能优化方法总结（二）：写表操作 ####

4.2.1 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：

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);
    }

4.2.2 HTable参数设置

4.2.2.1 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。

##### 4.2.2.2 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。

4.2.2.3 WAL Flag

在HBase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。**

4.2.3 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<Put>)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。

4.2.4 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();
    }

#### 4.3 HBase性能优化方法总结（三）：读表操作 ####

4.3.1 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);
        rTableLog[i].setScannerCaching(50);
    }

4.3.2 HTable参数设置

4.3.2.1 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；(如果设置,所有的查询都要按照这个来做,不太好)

2）通过调用HTable.setScannerCaching(int scannerCaching)进行配置；(**用的较多**)

3）通过调用Scan.setCaching(int caching)进行配置。

**三者的优先级越来越高。**

4.3.2.2 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。

4.3.2.3 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）。

4.3.3 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。

4.3.4 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<String, String> getUnitMinutePV(long uid, long startStamp, long endStamp){ 
             long min = startStamp;
             int count = (int)((endStamp - startStamp) / (60*1000));
             List<String> lst = new ArrayList<String>();
             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<String, String> parallelBatchMinutePV(List<String> lstKeys){ 
            ConcurrentHashMap<String, String> hashRet = new ConcurrentHashMap<String, String>();
            int parallel = 3;
            List<List<String>> lstBatchKeys  = null;
            if (lstKeys.size() < parallel ){ 
                lstBatchKeys  = new ArrayList<List<String>>(1);
                lstBatchKeys.add(lstKeys);
            }
            else{ 
                lstBatchKeys  = new ArrayList<List<String>>(parallel);
                for(int i = 0; i < parallel; i++  ){ 
                    List<String> lst = new ArrayList<String>();
                    lstBatchKeys.add(lst);
                }
    
                for(int i = 0 ; i < lstKeys.size() ; i ++ ){ 
                    lstBatchKeys.get(i%parallel).add(lstKeys.get(i));
                }
            }
            
            List<Future< ConcurrentHashMap<String, String> >> futures = new ArrayList<Future< ConcurrentHashMap<String, String> >>(5);
            
            ThreadFactoryBuilder builder = new ThreadFactoryBuilder();
            builder.setNameFormat("ParallelBatchQuery");
            ThreadFactory factory = builder.build();
            ThreadPoolExecutor executor = (ThreadPoolExecutor) Executors.newFixedThreadPool(lstBatchKeys.size(), factory);
            
            for(List<String> keys : lstBatchKeys){ 
                Callable< ConcurrentHashMap<String, String> > callable = new BatchMinutePVCallable(keys);
                FutureTask< ConcurrentHashMap<String, String> > future = (FutureTask< ConcurrentHashMap<String, String> >) 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<String, String>)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<String, String> getBatchMinutePV(List<String> lstKeys){ 
            ConcurrentHashMap<String, String> hashRet = null;
            List<Get> lstGet = new ArrayList<Get>();
            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<String, String>(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<ConcurrentHashMap<String, String>>{ 
         private List<String> keys;
    
         public BatchMinutePVCallable(List<String> lstKeys ) { 
             this.keys = lstKeys;
         }
    
         public ConcurrentHashMap<String, String> call() throws Exception { 
             return DataReadServer.getBatchMinutePV(keys);
         }
    }

4.3.5 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。

4.3.6 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。