Hhase性能调优（总结9）

 因官方Book Performance Tuning部分章节没有按配置项进行索引&＃xff0c;不能达到快速查阅的效果。所以我以配置项驱动&＃xff0c;重新整理了原文&＃xff0c;并补充一些自己的理解&＃xff0c;如有错误&＃xff0c;欢迎指正。

配置优化

zookeeper.session.timeout
默认值&＃xff1a;3分钟&＃xff08;180000ms&＃xff09;
说明&＃xff1a;RegionServer与Zookeeper间的连接超时时间。当超时时间到后&＃xff0c;ReigonServer会被Zookeeper从RS集群清单中移除&＃xff0c;HMaster收到移除通知后&＃xff0c;会对这台server负责的regions重新balance&＃xff0c;让其他存活的RegionServer接管.
调优&＃xff1a;
这个timeout决定了RegionServer是否能够及时的failover。设置成1分钟或更低&＃xff0c;可以减少因等待超时而被延长的failover时间。
不过需要注意的是&＃xff0c;对于一些Online应用&＃xff0c;RegionServer从宕机到恢复时间本身就很短的&＃xff08;网络闪断&＃xff0c;crash等故障&＃xff0c;运维可快速介入&＃xff09;&＃xff0c;如果调低timeout时间&＃xff0c;反而会得不偿失。因为当ReigonServer被正式从RS集群中移除时&＃xff0c;HMaster就开始做balance了&＃xff08;让其他RS根据故障机器记录的WAL日志进行恢复&＃xff09;。当故障的RS在人工介入恢复后&＃xff0c;这个balance动作是毫无意义的&＃xff0c;反而会使负载不均匀&＃xff0c;给RS带来更多负担。特别是那些固定分配regions的场景。

hbase.regionserver.handler.count
默认值&＃xff1a;10
说明&＃xff1a;RegionServer的请求处理IO线程数。
调优&＃xff1a;
这个参数的调优与内存息息相关。
较少的IO线程&＃xff0c;适用于处理单次请求内存消耗较高的Big PUT场景&＃xff08;大容量单次PUT或设置了较大cache的scan&＃xff0c;均属于Big PUT&＃xff09;或ReigonServer的内存比较紧张的场景。
较多的IO线程&＃xff0c;适用于单次请求内存消耗低&＃xff0c;TPS要求非常高的场景。设置该值的时候&＃xff0c;以监控内存为主要参考。
这里需要注意的是如果server的region数量很少&＃xff0c;大量的请求都落在一个region上&＃xff0c;因快速充满memstore触发flush导致的读写锁会影响全局TPS&＃xff0c;不是IO线程数越高越好。
压测时&＃xff0c;开启Enabling RPC-level logging&＃xff0c;可以同时监控每次请求的内存消耗和GC的状况&＃xff0c;最后通过多次压测结果来合理调节IO线程数。
这里是一个案例?Hadoop and HBase Optimization for Read Intensive Search Applications&＃xff0c;作者在SSD的机器上设置IO线程数为100&＃xff0c;仅供参考。

hbase.hregion.max.filesize
默认值&＃xff1a;256M
说明&＃xff1a;在当前ReigonServer上单个Reigon的最大存储空间&＃xff0c;单个Region超过该值时&＃xff0c;这个Region会被自动split成更小的region。
调优&＃xff1a;
小region对split和compaction友好&＃xff0c;因为拆分region或compact小region里的storefile速度很快&＃xff0c;内存占用低。缺点是split和compaction会很频繁。
特别是数量较多的小region不停地split, compaction&＃xff0c;会导致集群响应时间波动很大&＃xff0c;region数量太多不仅给管理上带来麻烦&＃xff0c;甚至会引发一些Hbase的bug。
一般512以下的都算小region。

大region&＃xff0c;则不太适合经常split和compaction&＃xff0c;因为做一次compact和split会产生较长时间的停顿&＃xff0c;对应用的读写性能冲击非常大。此外&＃xff0c;大region意味着较大的storefile&＃xff0c;compaction时对内存也是一个挑战。
当然&＃xff0c;大region也有其用武之地。如果你的应用场景中&＃xff0c;某个时间点的访问量较低&＃xff0c;那么在此时做compact和split&＃xff0c;既能顺利完成split和compaction&＃xff0c;又能保证绝大多数时间平稳的读写性能。

既然split和compaction如此影响性能&＃xff0c;有没有办法去掉&＃xff1f;
compaction是无法避免的&＃xff0c;split倒是可以从自动调整为手动。
只要通过将这个参数值调大到某个很难达到的值&＃xff0c;比如100G&＃xff0c;就可以间接禁用自动split&＃xff08;RegionServer不会对未到达100G的region做split&＃xff09;。
再配合RegionSplitter这个工具&＃xff0c;在需要split时&＃xff0c;手动split。
手动split在灵活性和稳定性上比起自动split要高很多&＃xff0c;相反&＃xff0c;管理成本增加不多&＃xff0c;比较推荐online实时系统使用。

内存方面&＃xff0c;小region在设置memstore的大小值上比较灵活&＃xff0c;大region则过大过小都不行&＃xff0c;过大会导致flush时app的IO wait增高&＃xff0c;过小则因store file过多影响读性能。

hbase.regionserver.global.memstore.upperLimit/lowerLimit

默认值&＃xff1a;0.4/0.35
upperlimit说明&＃xff1a;hbase.hregion.memstore.flush.size 这个参数的作用是当单个Region内所有的memstore大小总和超过指定值时&＃xff0c;flush该region的所有memstore。RegionServer的flush是通过将请求添加一个队列&＃xff0c;模拟生产消费模式来异步处理的。那这里就有一个问题&＃xff0c;当队列来不及消费&＃xff0c;产生大量积压请求时&＃xff0c;可能会导致内存陡增&＃xff0c;最坏的情况是触发OOM。
这个参数的作用是防止内存占用过大&＃xff0c;当ReigonServer内所有region的memstores所占用内存总和达到heap的40%时&＃xff0c;HBase会强制block所有的更新并flush这些region以释放所有memstore占用的内存。
lowerLimit说明&＃xff1a; 同upperLimit&＃xff0c;只不过lowerLimit在所有region的memstores所占用内存达到Heap的35%时&＃xff0c;不flush所有的memstore。它会找一个memstore内存占用最大的region&＃xff0c;做个别flush&＃xff0c;此时写更新还是会被block。lowerLimit算是一个在所有region强制flush导致性能降低前的补救措施。在日志中&＃xff0c;表现为 “** Flush thread woke up with memory above low water.”
调优&＃xff1a;这是一个Heap内存保护参数&＃xff0c;默认值已经能适用大多数场景。
参数调整会影响读写&＃xff0c;如果写的压力大导致经常超过这个阀值&＃xff0c;则调小读缓存hfile.block.cache.size增大该阀值&＃xff0c;或者Heap余量较多时&＃xff0c;不修改读缓存大小。
如果在高压情况下&＃xff0c;也没超过这个阀值&＃xff0c;那么建议你适当调小这个阀值再做压测&＃xff0c;确保触发次数不要太多&＃xff0c;然后还有较多Heap余量的时候&＃xff0c;调大hfile.block.cache.size提高读性能。
还有一种可能性是?hbase.hregion.memstore.flush.size保持不变&＃xff0c;但RS维护了过多的region&＃xff0c;要知道 region数量直接影响占用内存的大小。

hfile.block.cache.size

默认值&＃xff1a;0.2
说明&＃xff1a;storefile的读缓存占用Heap的大小百分比&＃xff0c;0.2表示20%。该值直接影响数据读的性能。
调优&＃xff1a;当然是越大越好&＃xff0c;如果写比读少很多&＃xff0c;开到0.4-0.5也没问题。如果读写较均衡&＃xff0c;0.3左右。如果写比读多&＃xff0c;果断默认吧。设置这个值的时候&＃xff0c;你同时要参考?hbase.regionserver.global.memstore.upperLimit?&＃xff0c;该值是memstore占heap的最大百分比&＃xff0c;两个参数一个影响读&＃xff0c;一个影响写。如果两值加起来超过80-90%&＃xff0c;会有OOM的风险&＃xff0c;谨慎设置。

hbase.hstore.blockingStoreFiles

默认值&＃xff1a;7
说明&＃xff1a;在flush时&＃xff0c;当一个region中的Store&＃xff08;Coulmn Family&＃xff09;内有超过7个storefile时&＃xff0c;则block所有的写请求进行compaction&＃xff0c;以减少storefile数量。
调优&＃xff1a;block写请求会严重影响当前regionServer的响应时间&＃xff0c;但过多的storefile也会影响读性能。从实际应用来看&＃xff0c;为了获取较平滑的响应时间&＃xff0c;可将值设为无限大。如果能容忍响应时间出现较大的波峰波谷&＃xff0c;那么默认或根据自身场景调整即可。

hbase.hregion.memstore.block.multiplier

默认值&＃xff1a;2
说明&＃xff1a;当一个region里的memstore占用内存大小超过hbase.hregion.memstore.flush.size两倍的大小时&＃xff0c;block该region的所有请求&＃xff0c;进行flush&＃xff0c;释放内存。
虽然我们设置了region所占用的memstores总内存大小&＃xff0c;比如64M&＃xff0c;但想象一下&＃xff0c;在最后63.9M的时候&＃xff0c;我Put了一个200M的数据&＃xff0c;此时memstore的大小会瞬间暴涨到超过预期的hbase.hregion.memstore.flush.size的几倍。这个参数的作用是当memstore的大小增至超过hbase.hregion.memstore.flush.size 2倍时&＃xff0c;block所有请求&＃xff0c;遏制风险进一步扩大。
调优&＃xff1a; 这个参数的默认值还是比较靠谱的。如果你预估你的正常应用场景&＃xff08;不包括异常&＃xff09;不会出现突发写或写的量可控&＃xff0c;那么保持默认值即可。如果正常情况下&＃xff0c;你的写请求量就会经常暴长到正常的几倍&＃xff0c;那么你应该调大这个倍数并调整其他参数值&＃xff0c;比如hfile.block.cache.size和hbase.regionserver.global.memstore.upperLimit/lowerLimit&＃xff0c;以预留更多内存&＃xff0c;防止HBase server OOM。

hbase.hregion.memstore.mslab.enabled

默认值&＃xff1a;true
说明&＃xff1a;减少因内存碎片导致的Full GC&＃xff0c;提高整体性能。
调优&＃xff1a;详见 http://kenwublog.com/avoid-full-gc-in-hbase-using-arena-allocation

其他

启用LZO压缩
LZO对比Hbase默认的GZip&＃xff0c;前者性能较高&＃xff0c;后者压缩比较高&＃xff0c;具体参见?Using LZO Compression 。对于想提高HBase读写性能的开发者&＃xff0c;采用LZO是比较好的选择。对于非常在乎存储空间的开发者&＃xff0c;则建议保持默认。

不要在一张表里定义太多的Column Family

Hbase目前不能良好的处理超过包含2-3个CF的表。因为某个CF在flush发生时&＃xff0c;它邻近的CF也会因关联效应被触发flush&＃xff0c;最终导致系统产生更多IO。

批量导入

在批量导入数据到Hbase前&＃xff0c;你可以通过预先创建regions&＃xff0c;来平衡数据的负载。详见?Table Creation: Pre-Creating Regions

避免CMS concurrent mode failure

HBase使用CMS GC。默认触发GC的时机是当年老代内存达到90%的时候&＃xff0c;这个百分比由 -XX:CMSInitiatingOccupancyFraction&＃61;N 这个参数来设置。concurrent mode failed发生在这样一个场景&＃xff1a;
当年老代内存达到90%的时候&＃xff0c;CMS开始进行并发垃圾收集&＃xff0c;于此同时&＃xff0c;新生代还在迅速不断地晋升对象到年老代。当年老代CMS还未完成并发标记时&＃xff0c;年老代满了&＃xff0c;悲剧就发生了。CMS因为没内存可用不得不暂停mark&＃xff0c;并触发一次stop the world&＃xff08;挂起所有jvm线程&＃xff09;&＃xff0c;然后采用单线程拷贝方式清理所有垃圾对象。这个过程会非常漫长。为了避免出现concurrent mode failed&＃xff0c;建议让GC在未到90%时&＃xff0c;就触发。

通过设置?-XX:CMSInitiatingOccupancyFraction&＃61;N

这个百分比&＃xff0c; 可以简单的这么计算。如果你的?hfile.block.cache.size 和?hbase.regionserver.global.memstore.upperLimit 加起来有60%&＃xff08;默认&＃xff09;&＃xff0c;那么你可以设置 70-80&＃xff0c;一般高10%左右差不多。

Hbase客户端优化

AutoFlush

将HTable的setAutoFlush设为false&＃xff0c;可以支持客户端批量更新。即当Put填满客户端flush缓存时&＃xff0c;才发送到服务端。
默认是true。

Scan Caching

scanner一次缓存多少数据来scan&＃xff08;从服务端一次抓多少数据回来scan&＃xff09;。
默认值是 1&＃xff0c;一次只取一条。

Scan Attribute Selection

scan时建议指定需要的Column Family&＃xff0c;减少通信量&＃xff0c;否则scan操作默认会返回整个row的所有数据&＃xff08;所有Coulmn Family&＃xff09;。

Close ResultScanners

通过scan取完数据后&＃xff0c;记得要关闭ResultScanner&＃xff0c;否则RegionServer可能会出现问题&＃xff08;对应的Server资源无法释放&＃xff09;。

Optimal Loading of Row Keys

当你scan一张表的时候&＃xff0c;返回结果只需要row key&＃xff08;不需要CF, qualifier,values,timestaps&＃xff09;时&＃xff0c;你可以在scan实例中添加一个filterList&＃xff0c;并设置 MUST_PASS_ALL操作&＃xff0c;filterList中add?FirstKeyOnlyFilter或KeyOnlyFilter。这样可以减少网络通信量。

Turn off WAL on Puts

当Put某些非重要数据时&＃xff0c;你可以设置writeToWAL(false)&＃xff0c;来进一步提高写性能。writeToWAL(false)会在Put时放弃写WAL log。风险是&＃xff0c;当RegionServer宕机时&＃xff0c;可能你刚才Put的那些数据会丢失&＃xff0c;且无法恢复。

启用Bloom Filter

Bloom Filter通过空间换时间&＃xff0c;提高读操作性能。

最后&＃xff0c;感谢嬴北望同学对”hbase.hregion.memstore.flush.size”和“hbase.hstore.blockingStoreFiles”错误观点的修正。

原文&＃xff1a;http://write.blog.csdn.net/postedit?ref&＃61;toolbar

另外找了网上的Hbase调优的内容&＃xff1a;

1、使用bloomfilter和mapfile_index_interval

    注意&＃xff1a;在1.9.3版本的hbase中&＃xff0c;bloomfilter是不支持的&＃xff0c;存在一个bug&＃xff0c;可以通过如下的修改加以改正&＃xff1a;
    (1)、在方法org.apache.hadoop.hbase.regionserver.HStore.createReaders()中&＃xff0c;找到如下行
    BloomFilterMapFile.Reader reader &＃61; file.getReader(fs, false, false);
    将其改成
    BloomFilterMapFile.Reader reader &＃61; file.getReader(fs, this.family.isBloomfilter(), false);
    (2)、在方法org.apache.hadoop.hbase.HColumnDescriptor.toString()中&＃xff0c;找到如下的代码行
      if (key !&＃61; null && key.toUpperCase().equals(BLOOMFILTER)) {
        // Don&＃39;t emit bloomfilter.  Its not working.
        continue;
      }
    将其注释掉

2、hbase对于内存有特别的嗜好&＃xff0c;在硬件允许的情况下配足够多的内存给它。
    通过修改hbase-env.sh中的
    export HBASE_HEAPSIZE&＃61;3000 #这里默认为1000m

3、修改java虚拟机属性
    (1)、在环境允许的情况下换64位的虚拟机
    (2)、替换掉默认的垃圾回收器&＃xff0c;因为默认的垃圾回收器在多线程环境下会有更多的wait等待
    export HBASE_OPTS&＃61;"-server -XX:NewSize&＃61;6m -XX:MaxNewSize&＃61;6m -XX:&＃43;UseConcMarkSweepGC -XX:&＃43;CMSIncrementalMode"

4、增大RPC数量
    通过修改hbase-site.xml中的    
    hbase.regionserver.handler.count属性&＃xff0c;可以适当的放大。默认值为10有点小

5、做程序开发是注意的地方
    (1)、需要判断所求的数据行是否存在时&＃xff0c;尽量不要用HTable.exists(final byte [] row) 而用HTable.exists(final byte [] row, final byte[] column)等带列族的方法替代。
    (2)、不要使用HTable.get(final byte [] row, final byte [] column) &＃61;&＃61; null来判断所求的数据存在&＃xff0c;而是用HTable.exists(final byte [] row, final byte[] column)替代
    (3)、HTable.close()方法少用.因为我遇到过一些很令人费解的错误

6、记住HBase是基于列模式的存储&＃xff0c;如果一个列族能搞定就不要把它分开成两个&＃xff0c;关系数据库的那套在这里很不实用.分成多个列来存储会浪费更多的空间&＃xff0c;除非你认为现在的硬盘和白菜一个价。

7、如果数据量没有达到TB级别或者没有上亿条记录&＃xff0c;很难发挥HBase的优势&＃xff0c;建议换关系数据库或别的存储技术。