HBase性能优化方法总结

数据库 其他数据库
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; 

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,***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***版本,如果只需要保存***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); 

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(); 

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); 

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.   
  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. //调用接口类,实现Callable接口 
  135. class BatchMinutePVCallable implements Callable>{ 
  136.      private List keys; 
  137.   
  138.      public BatchMinutePVCallable(List lstKeys ) { 
  139.          this.keys = lstKeys; 
  140.      } 
  141.   
  142.      public ConcurrentHashMap call() throws Exception { 
  143.          return DataReadServer.getBatchMinutePV(keys); 
  144.      } 

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***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***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。

原文链接:http://blog.linezing.com/2012/03/hbase-performance-optimization

【编辑推荐】

  1. 让数据库变快的10个建议
  2. 利用Java进行MySql数据库的导入和导出
  3. 20个数据库设计***实践
  4. 超越MySQL 对流行数据库进行分支
  5. 迎接大数据时代,高手较量数据库迁移实战方案

责任编辑:彭凡 来源: 量子恒道官方博客
相关推荐

2021-08-27 14:26:06

开发技能React

2022-05-23 13:44:53

前端开发优化

2019-02-25 07:07:38

技巧React 优化

2017-03-01 20:53:56

HBase实践

2016-11-17 09:00:46

HBase优化策略

2013-09-16 15:16:20

Android性能优化

2013-01-10 09:47:09

HBase性能优化

2016-12-19 10:00:00

React性能优化

2009-12-24 16:46:03

WPF性能优化

2019-12-10 08:10:35

LinuxCPU性能优化

2017-12-04 12:29:15

前端JavaScript性能优化

2015-07-09 13:19:17

Ceph分布式存储性能调优

2015-11-05 09:02:05

Java代码性能优化

2022-09-13 12:56:28

前端优化

2021-07-16 23:01:03

SQL索引性能

2011-06-20 14:22:58

外链

2014-04-04 10:16:51

Nginx配置Nginx性能优化

2021-07-26 18:23:23

SQL策略优化

2010-12-10 10:17:21

关系型数据库

2015-07-02 11:17:30

MySQLSlave延迟优化
点赞
收藏

51CTO技术栈公众号