正文

HBase性能优化方法总结(转)

IP云
IP云V管理员/5 阅读
09/28
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

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。

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，下面是一个例子：

  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. public static byte[][] getHexSplits(String startKey, String endKey, int numRegions) {
  13. byte[][] splits = new byte[numRegions-1][];
  14. BigInteger lowestKey = new BigInteger(startKey, 16);
  15. BigInteger highestKey = new BigInteger(endKey, 16);
  16. BigInteger range = highestKey.subtract(lowestKey);
  17. BigInteger regionIncrement = range.divide(BigInteger.valueOf(numRegions));
  18. lowestKey = lowestKey.add(regionIncrement);
  19. for(int i=0; i < numRegions-1;i++) {
  20. BigInteger key = lowestKey.add(regionIncrement.multiply(BigInteger.valueOf(i)));
  21. byte[] b = String.format("%016x", key).getBytes();
  22. splits[i] = b;
  23. }
  24. return splits;
  25. }

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：

  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：

  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：

  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：

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

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。