HBase性能优化方法总结

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); 
} 

2.2 HTable参数设置

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：

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(); 
} 

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：

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); 
} 

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：

public class DataReaderServer { 
     //获取店铺一天内各分钟PV值的入口函数 
     public static ConcurrentHashMap getUnitMinutePV(long uid, long startStamp, long endStamp){ 
         long min = startStamp; 
         int count = (int)((endStamp - startStamp) / (60*1000)); 
         List lst = new ArrayList(); 
         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 parallelBatchMinutePV(List lstKeys){ 
        ConcurrentHashMap hashRet = new ConcurrentHashMap(); 
        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 lst = new ArrayList(); 
                lstBatchKeys.add(lst); 
            } 
  
            for(int i = 0 ; i < lstKeys.size() ; i ++ ){ 
                lstBatchKeys.get(i%parallel).add(lstKeys.get(i)); 
            } 
        } 
  
        List >> futures = new ArrayList >>(5); 
  
        ThreadFactoryBuilder builder = new ThreadFactoryBuilder(); 
        builder.setNameFormat("ParallelBatchQuery"); 
        ThreadFactory factory = builder.build(); 
        ThreadPoolExecutor executor = (ThreadPoolExecutor) Executors.newFixedThreadPool(lstBatchKeys.size(), factory); 
  
        for(List keys : lstBatchKeys){ 
            Callable< ConcurrentHashMap > callable = new BatchMinutePVCallable(keys); 
            FutureTask< ConcurrentHashMap > future = (FutureTask< ConcurrentHashMap >) 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)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 getBatchMinutePV(List lstKeys){ 
        ConcurrentHashMap hashRet = null; 
        List lstGet = new ArrayList(); 
        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(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>{ 
     private List keys; 
  
     public BatchMinutePVCallable(List lstKeys ) { 
         this.keys = lstKeys; 
     } 
  
     public ConcurrentHashMap call() throws Exception { 
         return DataReadServer.getBatchMinutePV(keys); 
     } 
} 

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