HBase api优化设计

来源：互联网发布：c 游戏编程贪吃蛇编辑：程序博客网时间：2024/04/29 03:39

1. 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。

有关预分区，详情参见：Table Creation: Pre-Creating Regions，下面是一个例子：

public static boolean createTable(HBaseAdmin admin, HTableDescriptor table, byte[][] splits)
throws IOException {
  try {
    admin.createTable(table, splits);
    return true;
  } catch (TableExistsException e) {
    logger.info("table " + table.getNameAsString() + " already exists");
    // the table already exists...
    return false;  
  }
}

public static byte[][] getHexSplits(String startKey, String endKey, int numRegions) {
  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 = 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。

row key是按照字典序存储，因此，设计row key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。

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。感兴趣的同学可以对自己的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。

2. 写表操作

2.1 多HTable并发写

创建多个HTable客户端用于写操作，提高写数据的吞吐量，一个例子：

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

2.2.1 Auto Flush

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：

复制代码

  Configuration conf = HBaseConfiguration.create();  String table_log_name = “user_log”;rTableLog =  HTable[tableN]; ( i = 0; i < tableN; i++) {    rTableLog[i] =  HTable(conf, table_log_name);    rTableLog[i].setScannerCaching(50);}

复制代码

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 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<Get>)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：

复制代码

  DataReaderServer {            ConcurrentHashMap<String, String> getUnitMinutePV( uid,  startStamp,  endStamp){          min = startStamp;          count = ()((endStamp - startStamp) / (60*1000));         List<String> lst =  ArrayList<String>();          ( i = 0; i <= count; i++) {            min = startStamp + i * 60 * 1000;            lst.add(uid + "_" + min);         }          parallelBatchMinutePV(lst);     }        ConcurrentHashMap<String, String> parallelBatchMinutePV(List<String> lstKeys){        ConcurrentHashMap<String, String> hashRet =  ConcurrentHashMap<String, String>();         parallel = 3;        List<List<String>> lstBatchKeys  = ;         (lstKeys.size() < parallel ){            lstBatchKeys  =  ArrayList<List<String>>(1);            lstBatchKeys.add(lstKeys);        }        {            lstBatchKeys  =  ArrayList<List<String>>(parallel);            ( i = 0; i < parallel; i++  ){                List<String> lst =  ArrayList<String>();                lstBatchKeys.add(lst);            }            ( i = 0 ; i < lstKeys.size() ; i ++ ){                lstBatchKeys.get(i%parallel).add(lstKeys.get(i));            }        }                List<Future< ConcurrentHashMap<String, String> >> futures =  ArrayList<Future< ConcurrentHashMap<String, String> >>(5);                ThreadFactoryBuilder builder =  ThreadFactoryBuilder();        builder.setNameFormat("ParallelBatchQuery");        ThreadFactory factory = builder.build();        ThreadPoolExecutor executor = (ThreadPoolExecutor) Executors.newFixedThreadPool(lstBatchKeys.size(), factory);                (List<String> keys : lstBatchKeys){            Callable< ConcurrentHashMap<String, String> > callable =  BatchMinutePVCallable(keys);            FutureTask< ConcurrentHashMap<String, String> > future = (FutureTask< ConcurrentHashMap<String, String> >) executor.submit(callable);            futures.add(future);        }        executor.shutdown();                         {           stillRunning = !executor.awaitTermination(              5000000, TimeUnit.MILLISECONDS);           (stillRunning) {             {                executor.shutdownNow();            }  (Exception e) {                                e.printStackTrace();            }          }        }  (InterruptedException e) {           {              Thread.currentThread().interrupt();          }  (Exception e1) {                        e1.printStackTrace();          }        }                         (Future f : futures) {           {              (f.get() != )              {                  hashRet.putAll((ConcurrentHashMap<String, String>)f.get());              }          }  (InterruptedException e) {             {                 Thread.currentThread().interrupt();            }  (Exception e1) {                                e1.printStackTrace();            }          }  (ExecutionException e) {            e.printStackTrace();          }        }                 hashRet;    }           ConcurrentHashMap<String, String> getBatchMinutePV(List<String> lstKeys){        ConcurrentHashMap<String, String> hashRet = ;        List<Get> lstGet =  ArrayList<Get>();        String[] splitValue = ;         (String s : lstKeys) {            splitValue = s.split("_");             uid = Long.parseLong(splitValue[0]);             min = Long.parseLong(splitValue[1]);            [] key =  [16];            Bytes.putLong(key, 0, uid);            Bytes.putLong(key, 8, min);            Get g =  Get(key);            g.addFamily(fp);            lstGet.add(g);        }        Result[] res = ;         {            res = tableMinutePV[rand.nextInt(tableN)].get(lstGet);        }  (IOException e1) {            logger.error("tableMinutePV exception, e=" + e1.getStackTrace());        }         (res !=  && res.length > 0) {            hashRet =  ConcurrentHashMap<String, String>(res.length);             (Result re : res) {                 (re !=  && !re.isEmpty()) {                     {                        [] key = re.getRow();                        [] value = re.getValue(fp, cp);                         (key !=  && value != ) {                            hashRet.put(String.valueOf(Bytes.toLong(key,                                    Bytes.SIZEOF_LONG)), String.valueOf(Bytes                                    .toLong(value)));                        }                    }  (Exception e2) {                        logger.error(e2.getStackTrace());                    }                }            }        }         hashRet;    }} BatchMinutePVCallable  Callable<ConcurrentHashMap<String, String>>{      List<String> keys;      BatchMinutePVCallable(List<String> lstKeys ) {         .keys = lstKeys;     }      ConcurrentHashMap<String, String> call()  Exception {          DataReadServer.getBatchMinutePV(keys);     }}

复制代码

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，从最大的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。

0 0