HBase优化

| 标签 HBase 

1. 高可用

在 HBase 中 HMaster 负责监控 HRegionServer 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。

HBase自带高可用，比如可以在hadoop102和hadoop103上同时单点启动master，此时hadoop103上的master就是backup master

[mhk@hadoop102 hbase-1.3.1]$ bin/hbase-daemon.sh start master
[mhk@hadoop103 hbase-1.3.1]$ bin/hbase-daemon.sh start master

image.png image.png 配置自动高可用 1．关闭 HBase 集群（如果没有开启则跳过此步）

[mhk@hadoop102 hbase-1.3.1]$ bin/stop-hbase.sh

2．在 conf 目录下创建 backup-masters 文件

[mhk@hadoop102 hbase-1.3.1]$ touch conf/backup-masters

3．在 backup-masters 文件中配置高可用 HMaster 节点

[mhk@hadoop102 conf]$ cat backup-masters 
hadoop103
hadoop104

4．将整个 conf 目录 scp 到其他节点

[mhk@hadoop102 hbase-1.3.1]$ xsync conf/

5．启动集群

[mhk@hadoop102 hbase-1.3.1]$ bin/start-hbase.sh 
starting master, logging to /opt/module/hbase-1.3.1/bin/../logs/hbase-mhk-master-hadoop102.out
hadoop103: starting regionserver, logging to /opt/module/hbase-1.3.1/bin/../logs/hbase-mhk-regionserver-hadoop103.out
hadoop104: starting regionserver, logging to /opt/module/hbase-1.3.1/bin/../logs/hbase-mhk-regionserver-hadoop104.out
hadoop102: starting regionserver, logging to /opt/module/hbase-1.3.1/bin/../logs/hbase-mhk-regionserver-hadoop102.out
hadoop104: starting master, logging to /opt/module/hbase-1.3.1/bin/../logs/hbase-mhk-master-hadoop104.out
hadoop103: starting master, logging to /opt/module/hbase-1.3.1/bin/../logs/hbase-mhk-master-hadoop103.out

6．打开页面测试查看 http://hadooo102:16010 image.png

2. 预分区

每一个 region 维护着 StartRow 与 EndRow，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，我们可以将数据所要投放的分区提前大致的规划好，以提高 HBase 性能。 预分区和什么有关？未来发展的数据量+机器规模 一般生产环境中，一台机器放2~3个region

1．手动设定预分区

hbase(main):001:0> create 'staff1','info','partition1',SPLITS => ['1000','2000','3000','4000']

image.png image.png 2．生成 16 进制序列预分区

hbase(main):002:0> create 'staff2','info','partition2',{NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}

image.png image.pngimage.png

3．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：

hbase(main):005:0> create 'staff3','partition3',SPLITS_FILE => 'spilts.txt'

image.png

4．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);

3. RowKey 设计

散列性 唯一性 长度原则 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。

2．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。

3．字符串拼接 20170524000001_a12e 20170524000001_93i7

Rowkey设计时需要遵循三大原则： 1） 唯一性原则 rowkey在设计上保证其唯一性。rowkey是按照字典顺序排序存储的，因此，设计rowkey的时候，要充分利用这个排序的特点，将经常读取的数据存储到一块，将最近可能会被访问的数据放到一块。

2）长度原则 rowkey是一个二进制码流，可以是任意字符串，最大长度 64kb ，实际应用中一般为10-100bytes，以byte[] 形式保存，一般设计成定长。建议越短越好，不要超过16个字节，原因如下：数据的持久化文件HFile中是按照KeyValue存储的，如果rowkey过长，比如超过100字节，1000w行数据，光rowkey就要占用100*1000w=10亿个字节，将近1G数据，这样会极大影响HFile的存储效率；MemStore将缓存部分数据到内存，如果rowkey字段过长，内存的有效利用率就会降低，系统不能缓存更多的数据，这样会降低检索效率。目前操作系统都是64位系统，内存8字节对齐，控制在16个字节，8字节的整数倍利用了操作系统的最佳特性。

3）散列原则 如果rowkey按照时间戳的方式递增，不要将时间放在二进制码的前面，建议将rowkey的高位作为散列字段，由程序随机生成，低位放时间字段，这样将提高数据均衡分布在每个RegionServer，以实现负载均衡的几率。如果没有散列字段，首字段直接是时间信息，所有的数据都会集中在一个RegionServer上，这样在数据检索的时候负载会集中在个别的RegionServer上，造成热点问题，会降低查询效率

加盐：这里所说的加盐不是密码学中的加盐，而是在rowkey的前面增加随机数，具体就是给rowkey分配一个随机前缀以使得它和之前的rowkey的开头不同。分配的前缀种类数量应该和你想使用数据分散到不同的region的数量一致。加盐之后的rowkey就会根据随机生成的前缀分散到各个region上，以避免热点

哈希：哈希会使同一行永远用一个前缀加盐。哈希也可以使负载分散到整个集群，但是读却是可以预测的。使用确定的哈希可以让客户端重构完整的rowkey，可以使用get操作准确获取某一个行数据

反转：第三种防止热点的方法时反转固定长度或者数字格式的rowkey。这样可以使得rowkey中经常改变的部分（最没有意义的部分）放在前面。这样可以有效的随机rowkey，但是牺牲了rowkey的有序性。反转rowkey的例子以手机号为rowkey，可以将手机号反转后的字符串作为rowkey，这样的就避免了以手机号那样比较固定开头导致热点问题

时间戳反转：一个常见的数据处理问题是快速获取数据的最近版本，使用反转的时间戳作为rowkey的一部分对这个问题十分有用，可以用Long.Max_Value - timestamp 追加到key的末尾，例如[key][reverse_timestamp] ,[key] 的最新值可以通过scan [key]获得[key]的第一条记录，因为HBase中rowkey是有序的，第一条记录是最后录入的数据。比如需要保存一个用户的操作记录，按照操作时间倒序排序，在设计rowkey的时候，可以这样设计[userId反转][Long.Max_Value - timestamp]，在查询用户的所有操作记录数据的时候，直接指定反转后的userId，startRow是[userId反转][000000000000],stopRow是[userId反转][Long.Max_Value - timestamp]如果需要查询某段时间的操作记录，startRow是[user反转][Long.Max_Value - 起始时间]，stopRow是[userId反转][Long.Max_Value - 结束时间]

4. 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。

5. 基础优化

1．允许在 HDFS 的文件中追加内容 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。

2．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

3．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。

4．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。

5．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。

6．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。

7．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。

8．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。

9．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

上一篇     下一篇