HBase快速入门系列(9) | HBase优化

  大家好，我是不温卜火，是一名计算机学院大数据专业大二的学生，昵称来源于成语—不温不火，本意是希望自己性情温和。作为一名互联网行业的小白，博主写博客一方面是为了记录自己的学习过程，另一方面是总结自己所犯的错误希望能够帮助到很多和自己一样处于起步阶段的萌新。但由于水平有限，博客中难免会有一些错误出现，有纰漏之处恳请各位大佬不吝赐教！暂时只有csdn这一个平台，博客主页：https://buwenbuhuo.blog.csdn.net/

  此篇为大家带来的是HBase优化。

---

标注：
此处为反爬虫标记：读者可自行忽略

原文地址：https://buwenbuhuo.blog.csdn.net/

1. HBase HA(高可用)

  在HBase中Hmaster负责监控RegionServer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。

• 1. 关闭HBase集群（如果没有开启则跳过此步）

[bigdata@hadoop002 hbase]$ bin/stop-hbase.sh 

• 2. 在conf目录下创建backup-masters文件(要整个集群都有)

[bigdata@hadoop002 conf]$ vim backup-masters

// 想让谁称为备用机就填谁
hadoop003

• 3. 将整个conf目录scp到其他节点

[bigdata@hadoop002 hbase]$ scp -r conf/ hadoop003:/opt/module/hbase/
[bigdata@hadoop002 hbase]$ scp -r conf/ hadoop004:/opt/module/hbase/

• 4. 启动测试

[bigdata@hadoop002 hbase]$ bin/start-hbase.sh 

http://hadooo002:16010

2. 预分区

  每一个region维护着startRow与endRowKey，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。

• 1. 手动设定预分区

// 分区键 SPLITS
hbase> create 'staff','info','partition',SPLITS => ['1000','2000','3000']

  查看分区情况(web)

• 2. 生成16进制序列预分区

// 指定分区自动生成分区
hbase> create 'staff1','info',{NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}

  查看分区情况(web)

  放入一条数据

hbase(main):003:0> put 'staff1','abc','info:name','101010'

• 3. 按照文件中设置的规则预分区

① 创建splits.txt文件内容如下：

[bigdata@hadoop002 hbase]$ vim split.txt

// 下列为分区键
aaaa
bbbb
cccc
dddd

② 然后执行

hbase(main):005:0> create 'staff2','partition2',SPLITS_FILE => './split.txt'

• 4. 使用JavaAPI创建预分区

    public static void main(String[] args) throws IOException {
        Admin admin = connection.getAdmin();

        byte[][] splitKeys = new byte[3][];

        splitKeys[0]=Bytes.toBytes("1000");
        splitKeys[1]=Bytes.toBytes("2000");
        splitKeys[2]=Bytes.toBytes("3000");

        HTableDescriptor desc = new HTableDescriptor(TableName.valueOf("staff3"));

        desc.addFamily(new HColumnDescriptor("info"));

        admin.createTable(desc,splitKeys);

        admin.close();

    }

3. RowKey设计

  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

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

  本次的分享就到这里了,

---

  好书不厌读百回，熟读课思子自知。而我想要成为全场最靓的仔，就必须坚持通过学习来获取更多知识，用知识改变命运，用博客见证成长，用行动证明我在努力。
  如果我的博客对你有帮助、如果你喜欢我的博客内容，请“点赞” “评论”“收藏”一键三连哦！听说点赞的人运气不会太差，每一天都会元气满满呦！如果实在要白嫖的话，那祝你开心每一天，欢迎常来我博客看看。
  码字不易，大家的支持就是我坚持下去的动力。点赞后不要忘了关注我哦！