正文

HBase的优化

IP云
IP云V管理员/5 阅读
12/02
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

flowchart 箭头图标 勿删

HBase的优化

高可用

在 HBase 中 Hmaster 负责监控 RegionServer 的生命周期，均衡 RegionServer 的负载，如果

Hmaster 挂掉了，那么整个 HBase 集群将陷入不健康的状态，并且此时的工作状态并不会维

持太久。所以 HBase 支持对 Hmaster 的高可用配置。

  1. 关闭 HBase 集群 （ 如果没有开启则跳过此 步） ） 
$ bin/stop-hbase.sh
  1. 在 在 conf 目录下创建 backup-masters 文件 
$ touch conf/backup-masters
  1. 在 在 backup-masters 文件中配置高可用 HMaster 节点 
$ echo linux02 > conf/backup-masters
  1. 将整个 conf 目录 scp 
$ scp -r conf/ linux02:/opt/modules/cdh/hbase-0.98.6-cdh5.3.6/

$ scp -r conf/ linux03:/opt/modules/cdh/hbase-0.98.6-cdh5.3.6/
  1. 打开页面测试查看 
0.98 版本之前：http://linux01:60010

0.98 版本之后：http://linux01:16010

Hadoop 的通用性优化

  1. NameNode 元数据备份使用 SSD

  2. 定时备份 NameNode 上的元数据 据

    每小时或者每天备份，如果数据极其重要，可以 5~10 分钟备份一次。备份可以通过定时任

    务复制元数据目录即可。

  3. 为 为 NameNode 指定多个元数据目录

    使用 dfs.name.dir 或者 dfs.namenode.name.dir 指定。这样可以提供元数据的冗余和健壮性，

    以免发生故障。

  4. NameNode 的 的 dir 自恢复

    设置 dfs.namenode.name.dir.restore 为 true，允许尝试恢复之前失败的 dfs.namenode.name.dir

    目录，在创建 checkpoint 时做此尝试，如果设置了多个磁盘，建议允许。

  5. HDFS 保证 RPC 调用会有较多的线程数

    hdfs-site.xml 

属性：dfs.namenode.handler.count

解释：该属性是 NameNode 服务默认线程数，的默认值是 10，根据机器的可用内存可以调

整为 50~100

属性：dfs.datanode.handler.count

解释：该属性默认值为 10，是 DataNode 的处理线程数，如果 HDFS 客户端程序读写请求比

较多，可以调高到 15~20，设置的值越大，内存消耗越多，不要调整的过高，一般业务中，

5~10 即可。
  1. HDFS 副本数的调整

    hdfs-site.xml 
属性：dfs.replication

解释：如果数据量巨大，且不是非常之重要，可以调整为 2~3，如果数据非常之重要，可以

调整为 3~5。
  1. HDFS 文件块大小的调整

    hdfs-site.xml 
属性：dfs.blocksize

解释：块大小定义，该属性应该根据存储的大量的单个文件大小来设置，如果大量的单个文

件都小于 100M，建议设置成 64M 块大小，对于大于 100M 或者达到 GB 的这种情况，建议

设置成 256M，一般设置范围波动在 64M~256M 之间。
  1. MapReduce Job 任务服务线程数调整

    mapred-site.xml 
属性：mapreduce.jobtracker.handler.count

解释：该属性是 Job 任务线程数，默认值是 10，根据机器的可用内存可以调整为 50~100
  1. Http 服务器工作线程数

    mapred-site.xml 


属性：mapreduce.tasktracker.http.threads

解释：定义 HTTP 服务器工作线程数，默认值为 40，对于大集群可以调整到 80~100
  1. 文件排序合并 优化

    mapred-site.xml 
属性：mapreduce.task.io.sort.factor

解释：文件排序时同时合并的数据流的数量，这也定义了同时打开文件的个数，默认值为

10，如果调高该参数，可以明显减少磁盘 IO，即减少文件读取的次数。
  1. 设置任务并发

    mapred-site.xml 
属性：mapreduce.map.speculative

解释：该属性可以设置任务是否可以并发执行，如果任务多而小，该属性设置为 true 可以

明显加快任务执行效率，但是对于延迟非常高的任务，建议改为 false，这就类似于迅雷下

载。
  1. MR 输出数据的压缩

    mapred-site.xml 
属性：mapreduce.map.output.compress、mapreduce.output.fileoutputformat.compress

解释：对于大集群而言，建议设置 Map-Reduce 的输出为压缩的数据，而对于小集群，则不

需要。
  1. 优化 Mapper 和 和 Reducer 的个数

    mapred-site.xml 
属性：

mapreduce.tasktracker.map.tasks.maximum

mapreduce.tasktracker.reduce.tasks.maximum

解释：以上两个属性分别为一个单独的 Job 任务可以同时运行的 Map 和 Reduce 的数量。

设置上面两个参数时，需要考虑 CPU 核数、磁盘和内存容量。假设一个 8 核的 CPU，业务

内容非常消耗 CPU，那么可以设置 map 数量为 4，如果该业务不是特别消耗 CPU 类型的，

那么可以设置 map 数量为 40，reduce 数量为 20。这些参数的值修改完成之后，一定要观察

是否有较长等待的任务，如果有的话，可以减少数量以加快任务执行，如果设置一个很大的

值，会引起大量的上下文切换，以及内存与磁盘之间的数据交换，这里没有标准的配置数值，

需要根据业务和硬件配置以及经验来做出选择。

在同一时刻，不要同时运行太多的 MapReduce，这样会消耗过多的内存，任务会执行的非

常缓慢，我们需要根据 CPU 核数，内存容量设置一个 MR 任务并发的最大值，使固定数据

量的任务完全加载到内存中，避免频繁的内存和磁盘数据交换，从而降低磁盘 IO，提高性

能。

大概估算公式：

map = 2 + ⅔cpu_core

reduce = 2 + ⅓cpu_core

Linux 优化
  1. 开启 文件系统的预读缓存可以提高读取速度 
$ sudo blockdev --setra 32768 /dev/sda

尖叫提示：ra 是 readahead 的缩写
  1. 关闭进程睡眠池 
即不允许后台进程进入睡眠状态，如果进程空闲，则直接 kill 掉释放资源

$ sudo sysctl -w vm.swappiness=0
  1. 调整 ulimit 上限，默认值为比较小的数字 
$ ulimit -n 查看允许最大进程数

$ ulimit -u 查看允许打开最大文件数

优化修改：

$ sudo vi /etc/security/limits.conf 修改打开文件数限制

末尾添加：

* soft nofile 1024000

* hard nofile 1024000

Hive - nofile 1024000

hive - nproc 1024000

$ sudo vi /etc/security/limits.d/20-nproc.conf 修改用户打开进程数限制

修改为：

#* soft nproc 4096

#root soft nproc unlimited

* soft nproc 40960

root soft nproc unlimited
  1. 开启集群的时间同步 NTP 
集群中某台机器同步网络时间服务器的时间，集群中其他机器则同步这台机器的时间。
  1. 更新系统补丁 
更新补丁前，请先测试新版本补丁对集群节点的兼容性。

Zookeeper 优化
  1. 优化 Zookeeper 会话超时时间

    hbase-site.xml 
参数：zookeeper.session.timeout

解释：In hbase-site.xml, set zookeeper.session.timeout to 30 seconds or less to bound failure

detection (20-30 seconds is a good start).该值会直接关系到 master 发现服务器宕机的最大周

期，默认值为 30 秒，如果该值过小，会在 HBase 在写入大量数据发生而 GC 时，导致

RegionServer 短暂的不可用，从而没有向 ZK 发送心跳包，最终导致认为从节点 shutdown。

一般 20 台左右的集群需要配置 5 台 zookeeper。

HBase 优化

预分区

每一个region维护着startRow与endRowKey，如果加入的数据符合某个region维护的rowKey

范围，则该数据交给这个 region 维护。那么依照这个原则，我们可以将数据索要投放的分

区提前大致的规划好，以提高 HBase 性能。

  1. 手动设定分区 
hbase> create 'staff','info','partition1',SPLITS => ['1000','2000','3000','4000']
  1. 生成 16 进制序列预分区 
create 'staff2','info','partition2',{NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}
  1. 按照文件中设置的规则预分区 
创建 splits.txt 文件内容如下：

aaaa

bbbb

cccc

dddd

然后执行：

create 'staff3','partition3',SPLITS_FILE => 'splits.txt'
  1. 使用 JavaAPI 创建预分区 
//自定义算法，产生一系列 Hash 散列值存储在二维数组中

byte[][] splitKeys = 某个散列值函数

//创建 HBaseAdmin 实例

HBaseAdmin hAdmin = new HBaseAdmin(HBaseConfiguration.create());

//创建 HTableDescriptor 实例

HTableDescriptor tableDesc = new HTableDescriptor(tableName);

//通过 HTableDescriptor 实例和散列值二维数组创建带有预分区的 HBase 表

hAdmin.createTable(tableDesc, splitKeys);

RowKey 设计

一条数据的唯一标识就是 rowkey，那么这条数据存储于哪个分区，取决于 rowkey 处于哪个

一个预分区的区间内，设计 rowkey 的主要目的 ，就是让数据均匀的分布于所有的 region

中，在一定程度上防止数据倾斜。接下来我们就谈一谈 rowkey 常用的设计方案。

  1. 生成随机数、hash、散列值 
比如：

原本 rowKey 为 1001 的，SHA1 后变成：dd01903921ea24941c26a48f2cec24e0bb0e8cc7

原本 rowKey 为 3001 的，SHA1 后变成：49042c54de64a1e9bf0b33e00245660ef92dc7bd

原本 rowKey 为 5001 的，SHA1 后变成：7b61dec07e02c188790670af43e717f0f46e8913

在做此操作之前，一般我们会选择从数据集中抽取样本，来决定什么样的 rowKey 来 Hash

后作为每个分区的临界值。
  1. 字符串反转 
20170524000001 转成 10000042507102

20170524000002 转成 20000042507102

这样也可以在一定程度上散列逐步 put 进来的数据。
  1. 字符串拼接 
20170524000001_a12e

20170524000001_93i7

内存优化 

HBase 操作过程中需要大量的内存开销，毕竟 Table 是可以缓存在内存中的，一般会分配整

个可用内存的 70%给 HBase 的 Java 堆。但是不建议分配非常大的堆内存，因为 GC 过程持

续太久会导致 RegionServer 处于长期不可用状态，一般 16~48G 内存就可以了，如果因为框

架占用内存过高导致系统内存不足，框架一样会被系统服务拖死。

基础优化

  1. 允许在 在 HDFS 的文件中追加内容 
不是不允许追加内容么？没错，请看背景故事：

http://blog.cloudera.com/blog/2009/07/file-appends-in-hdfs/

hdfs-site.xml 、hbase-site.xml

属性：dfs.support.append

解释：开启 HDFS 追加同步，可以优秀的配合 HBase 的数据同步和持久化。默认值为 true。
  1. 优化 DataNode 允许的最大文件打开数

    hdfs-site.xml 
属性：dfs.datanode.max.transfer.threads

解释：HBase 一般都会同一时间操作大量的文件，根据集群的数量和规模以及数据动作，设

置为 4096 或者更高。默认值：4096
  1. 优化延迟高的数据操作的等待时间

    hdfs-site.xml 
属性：dfs.image.transfer.timeout

解释：如果对于某一次数据操作来讲，延迟非常高，socket 需要等待更长的时间，建议把该

值设置为更大的值（默认 60000 毫秒），以确保 socket 不会被 timeout 掉。
  1. 优化数据的写入效率

    mapred-site.xml 
属性：

mapreduce.map.output.compress

mapreduce.map.output.compress.codec

解释：开启这两个数据可以大大提高文件的写入效率，减少写入时间。第一个属性值修改为

true，第二个属性值修改为：org.apache.hadoop.io.compress.GzipCodec 或者其他压缩方式。
  1. 优化 DataNode 存储 
属性：dfs.datanode.failed.volumes.tolerated

解释： 默认为 0，意思是当DataNode中有一个磁盘出现故障，则会认为该DataNode shutdown

了。如果修改为 1，则一个磁盘出现故障时，数据会被复制到其他正常的 DataNode 上，当

前的 DataNode 继续工作。
  1. 设置 RPC 监听数量

    hbase-site.xml 
属性：hbase.regionserver.handler.count

解释：默认值为 30，用于指定 RPC 监听的数量，可以根据客户端的请求数进行调整，读写

请求较多时，增加此值。
  1. 优化 HStore 文件大小

    hbase-site.xml 
属性：hbase.hregion.max.filesize

解释：默认值 10737418240（10GB），如果需要运行 HBase 的 MR 任务，可以减小此值，

因为一个 region 对应一个 map 任务，如果单个 region 过大，会导致 map 任务执行时间过长。

该值的意思就是，如果 HFile 的大小达到这个数值，则这个 region 会被切分为两个 Hfile。
  1. 优化 hbase 客户端缓存

    hbase-site.xml 
属性：hbase.client.write.buffer

解释：用于指定 HBase 客户端缓存，增大该值可以减少 RPC 调用次数，但是会消耗更多内

存，反之则反之。一般我们需要设定一定的缓存大小，以达到减少 RPC 次数的目的。
  1. 指定 scan.next 扫描 HBase 所获取的行数

    hbase-site.xml 
属性：hbase.client.scanner.caching

解释：用于指定 scan.next 方法获取的默认行数，值越大，消耗内存越大。
  1. flush 、compact 、split 机制 
当 MemStore 达到阈值，将 Memstore 中的数据 Flush 进 Storefile；compact 机制则是把 flush

出来的小文件合并成大的 Storefile 文件。split 则是当 Region 达到阈值，会把过大的 Region

一分为二。

涉及属性：

即：128M 就是 Memstore 的默认阈值

hbase.hregion.memstore.flush.size：134217728

即：这个参数的作用是当单个 HRegion 内所有的 Memstore 大小总和超过指定值时，flush

该 HRegion 的所有 memstore。RegionServer 的 flush 是通过将请求添加一个队列，模拟

生产消费模型来异步处理的。那这里就有一个问题，当队列来不及消费，产生大量积压请求

时，可能会导致内存陡增，最坏的情况是触发 OOM。

hbase.regionserver.global.memstore.upperLimit：0.4

hbase.regionserver.global.memstore.lowerLimit：0.38

即：当 MemStore 使用内存总量达到 hbase.regionserver.global.memstore.upperLimit 指定

值时，将会有多个 MemStores flush 到文件中，MemStore flush 顺序是按照大小降序执行

的，直到刷新到 MemStore 使用内存略小于 lowerLimit

本博客仅为博主学习总结，感谢各大网络平台的资料。蟹蟹!!

相关阅读

目录[+]