HBase优化|高可用|预分区|内存|基础优化

忘是亡心i 2023-01-10 01:29 129阅读 0赞

# HBase优化 #

### 目录 ###

*  HBase优化
 *   *  一、高可用
     *  二、预分区
     *  三、RowKey设计
     *  四、内存优化
     *  五、基础优化

## 一、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。  
> **核心：避免单点故障**。  
> Master: **保证Master不会单点故障！**  
> RegionServer: 多个！

1．关闭HBase集群（如果没有开启则跳过此步）

[hadoop@hadoop102 HBase]$ bin/stop-HBase.sh

2．在conf目录下创建backup-masters文件

[hadoop@hadoop102 HBase]$ touch conf/backup-masters

3．在backup-masters文件中配置高可用HMaster节点

[hadoop@hadoop102 HBase]$ echo hadoop103 > conf/backup-masters

4．将整个conf目录scp到其他节点

[hadoop@hadoop102 HBase]$ scp -r conf/ hadoop103:/opt/module/HBase/
    [hadoop@hadoop102 HBase]$ scp -r conf/ hadoop104:/opt/module/HBase/

5．打开页面测试查看

http://hadooo102:16010

## 二、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。

> 预分区指在建表时提前分区！  
> Region会自动切分的，切分Region的目的是为了负载均衡！ 但是因为切分时，只会将region中的rowkey排序后，按照中间的rowkey进行切分，切分后有可能依然无法达到负载均衡！  
> 解决： 使用预分区！  
> **目的：在熟悉数据的时候，自己决定每个region的startkey和endkey，保证负载均衡！**

**1．手动设定预分区**

HBase> create 'staff1','info','partition1',SPLITS => ['1000','2000','3000','4000']

**2．生成16进制序列预分区**

create 'staff2','info','partition2',{NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}

**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：

create 'staff3','partition3',SPLITS_FILE => 'splits.txt'

**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);

## 三、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。

> Rowkey是一行的唯一标识！Rowkey的最大长度是64K,一般设计10-100个byte。  
> 不能太长，太长会带来大量的存储冗余！  
> 列族也不能太长，一般情况下，列族只取一个字符！

> 数据在flush时，会按照rowkey进行排序！rowkey相同的数据，会被flush到同一个文件中！  
> 在HFile文件增多时，会有compact，在compact时，读取的所有的文件的rowkey会继续排序，rowkey相同的数据会被聚合到一个HFile中！

RowKey设计需要考虑到读操作和写操作两种不同的需求情况！

> **读操作**： 希望读取的数据，尽量在一个region中，在扫描时，只需要向当前region的regionserver发请求！rowkey的前缀都一致即可！  
> **写操作**： 在高并发写入时，吞吐量要上去！ 必须将一批数据的rowkey进行离散化(对rowkey进行处理，处理后，他们可以分散到多个region!)！

**1．生成随机数、hash、散列值**

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

## 四、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。

> **经验值：HMaster 使用 4G 内存**  
> **RegionServer,每100T的数据，分配12-16G内存！**

## 五、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。
    Hbase3.XX以上版本已经默认为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
    一般不用修改

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。
    
    还可以通过建表时指定压缩方式

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