记：大量请求引起hbase regionserver故障

一、背景

公司一个比较火的app量级上来了，需要接入推荐和搜索功能，为了快速提供支持，我们把用户、物品的特征直接用hbase存储，而没有接入到基于redis的特征平台(来不及改造)。上线一段时间之后，hbase突然报了慢请求(>400ms)，我们介入排查...

1. 涉及到3张表，A，B，C，只有A表数据量大小超过2G，B、C 2张表只有几M而已。情景：1次用户请求查询，A表1次get，B、C表1次200个id的批量rowkey查询(mget)。
2. hbase集群总共10台机，10个regionserver，监控大盘看请求handler、queue等都比较正常(此时忽略了Read Request较大，埋下伏笔)。由于某些原因，监控无法准确看到每个regionserver的GC STW情况。我们怀疑是mget场景，有个别regionserver STW导致整体请求慢。

附一张hbase get请求架构图：

注：client从缓存获取到table对应的regionserver列表之后，执行mget请求，如果查询的数据没有全部在block cache(我们是bucket cache)和memcache命中，则会去磁盘查找(HFileBlockIndex索引查找最多3次IO，有可能没有IO，总之还算快)。

二、行动&故障

为了验证是某个regionserver gc STW引起慢请求的猜想，我们手动merge B、C表的10个region到2个(即落在2个regionserver)，因为B、C两个表数据量很小，却未留意Read Request这个指标。merge操作执行完后不久，某个regionserver请求量暴增，之前9/10流量跑到这里，约1分钟1000多W Read Request(20W QPS)，接着STW居高不下，jstat观察，所有时间都在young gc，JVM无法处理用户请求，JVM瘫痪。

接着服务大面积出现cat报警，好在服务我们都做了熔断，不会直接影响用户访问。

三、处理&总结

我们留意到merge后的regionserver QPS暴增，自动熔断后，我们接着快速重启regionserver，并重新split到10个regionserver分担请求，同时增加redis缓存(后续使用RocksDB封装的本地化存储)。

原因：只考虑表数据量小，就觉得merge region影响不大，实际上几M的hbase表，请求量有20W QPS，大量请求导致regionserver持续young gc，无法处理用户请求。

解决：使用“本地化”存储，将RocksDB作为kv引擎，load hive数据到本地查询，替换查询hbase。

反思：

• hbase region不能随意merge，如果要merge，需要考虑table数据量大的同时，还要考虑读写QPS大的问题。
• hbase虽然是比较好的大数据DB，但QPS非常大的时候，还是要做缓存。hbase write性能>read性能，很可能要走磁盘查找，尤其mget和scan操作，虽然有缓存和索引，查找也不像hbase纯内存读那么快。