#|hbase的调优 #|hbase

一、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。
下面是一个例子：

/** * 通过Adminc.create(HTableDescriptor , byte[][] splits)创建多个空的region * @param admin * @param table * @param splits * @return * @throws IOException */ public static boolean createTable(Admin admin, HTableDescriptor table, byte[][] splits) throws IOException { try { admin.createTable(table, splits); return true; } catch (TableExistsException e) { System.out.println("table " + table.getNameAsString() + " already exists"); // the table already exists... return false; } } /** * 获取拆分间splitkeys * @param startKey * @param endKey * @param numRegions * @return */ public static byte[][] getHexSplits(String startKey, String endKey, int numRegions) { //start:001,endkey:100,10region [001,010] [011,020] byte[][] splits = new byte[numRegions-1][]; BigInteger lowestKey = new BigInteger(startKey, 16); BigInteger highestKey = new BigInteger(endKey, 16); BigInteger range = highestKey.subtract(lowestKey); BigInteger regionIncrement = range.divide(BigInteger.valueOf(numRegions)); lowestKey = lowestKey.add(regionIncrement); for(int i=0; i < numRegions-1; i++) { BigInteger key = lowestKey.add(regionIncrement.multiply(BigInteger.valueOf(i))); byte[] b = String.format("%016x", key).getBytes(); splits[i] = b; } 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，最大长度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。
rowkey是按照字典序存储
??设计rowkey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。
Rowkey:

1、长度越小越好
2、值根据功能需求决定，满足查询业务要求
3、Row最好有散列原则。
- 取反
- Hash
4、region数据均衡（单region 10~20G）

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)
设置表中数据的最大版本，如果只需要保存最新版本的数据，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。
### ?? hbase为了防止小文件（被刷到磁盘的menstore）过多，以保证保证查询效率，hbase需要在必要的时候将这些小的store file合并成相对较大的store file，这个过程就称之为compaction。在hbase中，主要存在两种类型的compaction：minor compaction和major compaction。 ??minor compaction:的是较小、很少文件的合并。
??major compaction 的功能是将所有的store file合并成一个，触发major compaction的可能条件有：
??major_compact 命令、
??majorCompact() API、
??region server自动运行（相关参数：

hbase.hregion.majoucompaction 默认为24 小时、 //默认值为0.2 防止region server 在同一时间进行major compaction）。 hbase.hregion.majorcompaction.jetter //参数的作用是：对参数hbase.hregion.majoucompaction 规定的值起到浮动的作用，假如两个参数都为默认值24和0,2，那么major compact最终使用的数值为：19.2~28.8 这个范围。

1、关闭自动major compaction
2、手动编程major compaction

minor compaction的运行机制要复杂一些，它由一下几个参数共同决定：

//表示至少需要三个满足条件的store file时，minor compaction才会启动 hbase.hstore.compaction.min :默认值为 3，//表示一次minor compaction中最多选取10个store file hbase.hstore.compaction.max 默认值为10，//表示文件大小小于该值的store file 一定会加入到minor compaction的store file中 hbase.hstore.compaction.min.size //表示文件大小大于该值的store file 一定会被minor compaction排除 hbase.hstore.compaction.max.size //将store file 按照文件年龄排序（older to younger），minor compaction总是从older store file开始选择 hbase.hstore.compaction.ratio

2、写操作 2.1 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【#|hbase的调优】)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。
2.2 HTable参数设置 2.2.1 Auto Flush 关闭
??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 修改写缓冲区大小
??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（HLog）
??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。
3. 读表操作 3.1、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。
3.2 HTable参数设置 3.2.1 Scanner Caching
```hbase.client.scanner.caching``配置项可以设置HBase scanner一次从服务端抓取的数据条数，默认情况下一次一条。通过将其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。
有三个地方可以进行配置：

1）在HBase的conf配置文件中进行配置；
2）通过调用HTable.setScannerCaching(int scannerCaching)进行配置；
3）通过调用Scan.setCaching(int caching)进行配置。三者的优先级越来越高。

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 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。
3.4 Blockcache机制 HBase上Regionserver的内存分为两个部分：
(1)、一部分作为Memstore，主要用来写；
??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，从最大的Memstore开始flush直到低于限制。
(2)、另外一部分作为BlockCache，主要用于读。
??读请求:
????a)先到Memstore中查数据，
????b)查不到就到BlockCache中查，
????c)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。