【Hbase调优】HBase性能优化方法总结

迈不过友情╰ 2022-05-08 00:10 379阅读 0赞

本文主要是从HBase应用程序设计与开发的角度，总结几种常用的性能优化方法。有关HBase系统配置级别的优化，这里涉及的不多，这部分可以参考：[淘宝Ken Wu同学的博客][Ken Wu]。

## **Hbase优化：** ##

1.常见服务端配置优化

2.常见优化策略（以实际需求为主）

3.Hbase读写性能优化

#  1. 表的设计 #

##  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][Table Creation_ Pre-Creating Regions]，下面是一个例子：

**\[html\]** [view plain][] [copy][view plain]

1.  public static boolean createTable(HBaseAdmin admin, HTableDescriptor table, byte\[\]\[\] splits)  
2.  throws IOException \{  
3.    try \{  
4.      admin.createTable(table, splits);  
5.      return true;  
6.    \} catch (TableExistsException e) \{  
7.      logger.info("table " + table.getNameAsString() + " already exists");  
8.      // the table already exists...  
9.      return false;  
10.   \}  
11. \}  
12.    
13. public static byte\[\]\[\] getHexSplits(String startKey, String endKey, int numRegions) \{  
14.   byte\[\]\[\] splits = new byte\[numRegions-1\]\[\];  
15.   BigInteger lowestKey = new BigInteger(startKey, 16);  
16.   BigInteger highestKey = new BigInteger(endKey, 16);  
17.   BigInteger range = highestKey.subtract(lowestKey);  
18.   BigInteger regionIncrement = range.divide(BigInteger.valueOf(numRegions));  
19.   lowestKey = lowestKey.add(regionIncrement);  
20.   for(int i=0; i < numRegions-1;i++) \{  
21.     BigInteger key = lowestKey.add(regionIncrement.multiply(BigInteger.valueOf(i)));  
22.     byte\[\] b = String.format("%016x", key).getBytes();  
23.     splits\[i\] = b;  
24.   \}  
25.   return splits;  
26. \}

##  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。

##  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。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。

##  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)。

##  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。

#  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：

**\[html\]** [view plain][] [copy][view plain]

1.  static final Configuration conf = HBaseConfiguration.create();  
2.  static final String table\_log\_name = “user\_log”;  
3.  wTableLog = new HTable\[tableN\];  
4.  for (int i = 0; i < tableN; i++) \{  
5.      wTableLog\[i\] = new HTable(conf, table\_log\_name);  
6.      wTableLog\[i\].setWriteBufferSize(5 \* 1024 \* 1024); //5MB  
7.      wTableLog\[i\].setAutoFlush(false);  
8.  \}

##  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<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。

##  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：

**\[html\]** [view plain][] [copy][view plain]

1.  for (int i = 0; i < threadN; i++) \{  
2.      Thread th = new Thread() \{  
3.          public void run() \{  
4.              while (true) \{  
5.                  try \{  
6.                      sleep(1000); //1 second  
7.                  \} catch (InterruptedException e) \{  
8.                      e.printStackTrace();  
9.                  \}  
10.                                 synchronized (wTableLog\[i\]) \{  
11.                     try \{  
12.                         wTableLog\[i\].flushCommits();  
13.                     \} catch (IOException e) \{  
14.                         e.printStackTrace();  
15.                     \}  
16.                 \}  
17.             \}  
18.                 \}  
19.     \};  
20.     th.setDaemon(true);  
21.     th.start();  
22. \}

#  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：

**\[html\]** [view plain][] [copy][view plain]

1.  static final Configuration conf = HBaseConfiguration.create();  
2.  static final String table\_log\_name = “user\_log”;  
3.  rTableLog = new HTable\[tableN\];  
4.  for (int i = 0; i < tableN; i++) \{  
5.      rTableLog\[i\] = new HTable(conf, table\_log\_name);  
6.      rTableLog\[i\].setScannerCaching(50);  
7.  \}

##  3.2 HTable参数设置 ##

###  3.2.1 Scanner Caching ###

通过调用HTable.setScannerCaching(int scannerCaching)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。通过将此值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。

###  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：

**\[html\]** [view plain][] [copy][view plain]

1.  public class DataReaderServer \{  
2.       //获取店铺一天内各分钟PV值的入口函数  
3.       public static ConcurrentHashMap getUnitMinutePV(long uid, long startStamp, long endStamp)\{  
4.           long min = startStamp;  
5.           int count = (int)((endStamp - startStamp) / (60\*1000));  
6.           List lst = new ArrayList();  
7.           for (int i = 0; i <= count; i++) \{  
8.              min = startStamp + i \* 60 \* 1000;  
9.              lst.add(uid + "\_" + min);  
10.          \}  
11.          return parallelBatchMinutePV(lst);  
12.      \}  
13.       //多线程并发查询，获取分钟PV值  
14. private static ConcurrentHashMap parallelBatchMinutePV(List lstKeys)\{  
15.         ConcurrentHashMap hashRet = new ConcurrentHashMap();  
16.         int parallel = 3;  
17.         List<List<String>> lstBatchKeys  = null;  
18.         if (lstKeys.size() < parallel )\{  
19.             lstBatchKeys  = new ArrayList<List<String>>(1);  
20.             lstBatchKeys.add(lstKeys);  
21.         \}  
22.         else\{  
23.             lstBatchKeys  = new ArrayList<List<String>>(parallel);  
24.             for(int i = 0; i < parallel; i++  )\{  
25.                 List lst = new ArrayList();  
26.                 lstBatchKeys.add(lst);  
27.             \}  
28.    
29.             for(int i = 0 ; i < lstKeys.size() ; i ++ )\{  
30.                 lstBatchKeys.get(i%parallel).add(lstKeys.get(i));  
31.             \}  
32.         \}  
33.    
34.         List >> futures = new ArrayList >>(5);  
35.    
36.         ThreadFactoryBuilder builder = new ThreadFactoryBuilder();  
37.         builder.setNameFormat("ParallelBatchQuery");  
38.         ThreadFactory factory = builder.build();  
39.         ThreadPoolExecutor executor = (ThreadPoolExecutor) Executors.newFixedThreadPool(lstBatchKeys.size(), factory);  
40.    
41.         for(List keys : lstBatchKeys)\{  
42.             Callable< ConcurrentHashMap > callable = new BatchMinutePVCallable(keys);  
43.             FutureTask< ConcurrentHashMap > future = (FutureTask< ConcurrentHashMap >) executor.submit(callable);  
44.             futures.add(future);  
45.         \}  
46.         executor.shutdown();  
47.    
48.         // Wait for all the tasks to finish  
49.         try \{  
50.           boolean stillRunning = !executor.awaitTermination(  
51.               5000000, TimeUnit.MILLISECONDS);  
52.           if (stillRunning) \{  
53.             try \{  
54.                 executor.shutdownNow();  
55.             \} catch (Exception e) \{  
56.                 // TODO Auto-generated catch block  
57.                 e.printStackTrace();  
58.             \}  
59.           \}  
60.         \} catch (InterruptedException e) \{  
61.           try \{  
62.               Thread.currentThread().interrupt();  
63.           \} catch (Exception e1) \{  
64.             // TODO Auto-generated catch block  
65.             e1.printStackTrace();  
66.           \}  
67.         \}  
68.    
69.         // Look for any exception  
70.         for (Future f : futures) \{  
71.           try \{  
72.               if(f.get() != null)  
73.               \{  
74.                   hashRet.putAll((ConcurrentHashMap)f.get());  
75.               \}  
76.           \} catch (InterruptedException e) \{  
77.             try \{  
78.                  Thread.currentThread().interrupt();  
79.             \} catch (Exception e1) \{  
80.                 // TODO Auto-generated catch block  
81.                 e1.printStackTrace();  
82.             \}  
83.           \} catch (ExecutionException e) \{  
84.             e.printStackTrace();  
85.           \}  
86.         \}  
87.    
88.         return hashRet;  
89.     \}  
90.      //一个线程批量查询，获取分钟PV值  
91.     protected static ConcurrentHashMap getBatchMinutePV(List lstKeys)\{  
92.         ConcurrentHashMap hashRet = null;  
93.         List lstGet = new ArrayList();  
94.         String\[\] splitValue = null;  
95.         for (String s : lstKeys) \{  
96.             splitValue = s.split("\_");  
97.             long uid = Long.parseLong(splitValue\[0\]);  
98.             long min = Long.parseLong(splitValue\[1\]);  
99.             byte\[\] key = new byte\[16\];  
100.             Bytes.putLong(key, 0, uid);  
101.             Bytes.putLong(key, 8, min);  
102.             Get g = new Get(key);  
103.             g.addFamily(fp);  
104.             lstGet.add(g);  
105.         \}  
106.         Result\[\] res = null;  
107.         try \{  
108.             res = tableMinutePV\[rand.nextInt(tableN)\].get(lstGet);  
109.         \} catch (IOException e1) \{  
110.             logger.error("tableMinutePV exception, e=" + e1.getStackTrace());  
111.         \}  
112.    
113.         if (res != null && res.length > 0) \{  
114.             hashRet = new ConcurrentHashMap(res.length);  
115.             for (Result re : res) \{  
116.                 if (re != null && !re.isEmpty()) \{  
117.                     try \{  
118.                         byte\[\] key = re.getRow();  
119.                         byte\[\] value = re.getValue(fp, cp);  
120.                         if (key != null && value != null) \{  
121.                             hashRet.put(String.valueOf(Bytes.toLong(key,  
122.                                     Bytes.SIZEOF\_LONG)), String.valueOf(Bytes  
123.                                     .toLong(value)));  
124.                         \}  
125.                     \} catch (Exception e2) \{  
126.                         logger.error(e2.getStackTrace());  
127.                     \}  
128.                 \}  
129.             \}  
130.         \}  
131.    
132.         return hashRet;  
133.     \}  
134. \}  
135. //调用接口类，实现Callable接口  
136. class BatchMinutePVCallable implements Callable>\{  
137.      private List keys;  
138.    
139.      public BatchMinutePVCallable(List lstKeys ) \{  
140.          this.keys = lstKeys;  
141.      \}  
142.    
143.      public ConcurrentHashMap call() throws Exception \{  
144.          return DataReadServer.getBatchMinutePV(keys);  
145.      \}  
146. \}

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。

##  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BlockCache机制，请参考这里：HBase的Block cache，HBase的blockcache机制，hbase中的缓存的计算与使用。

#  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。

#  5.总结 #

作为一个Key-Value存储系统，HBase并不是万能的，它有自己独特的地方。因此，基于它来做应用时，我们往往需要从多方面进行优化改进（表设计、读表操作、写表操作、数据计算等），有时甚至还需要从系统级对HBase进行配置调优，更甚至可以对HBase本身进行优化。这属于不同的层次范畴。

总之，概括来讲，对系统进行优化时，首先定位到影响你的程序运行性能的瓶颈之处，然后有的放矢进行针对行的优化。如果优化后满足你的期望，那么就可以停止优化；否则继续寻找新的瓶颈之处，开始新的优化，直到满足性能要求。

以上就是从项目开发中总结的一点经验，如有不对之处，欢迎大家不吝赐教。

Ref: [http://blog.linezing.com/2012/03/hbase-performance-optimization][http_blog.linezing.com_2012_03_hbase-performance-optimization]

[Ken Wu]: http://kenwublog.com/hbase-performance-tuning
[Table Creation_ Pre-Creating Regions]: http://hbase.apache.org/book.html#precreate.regions
[view plain]: http://blog.csdn.net/macyang/article/details/7375721#
[http_blog.linezing.com_2012_03_hbase-performance-optimization]: http://blog.linezing.com/2012/03/hbase-performance-optimization