项目场景:
业务场景 通过Spark将hive表的一部分数据取出来 通过phoenix批量对hbase做 put操作,batch设置过大,于是 出现 Hbase RegionTooBusyException、over memstore limit =512.0m
问题描述
异常代码片段
Region在每次进行put时,会进行resource的检查。
默认情况下:512M = memstore(128M) * multiplier(4)
原因分析:
问题分析:
一般来说memstore超过hbase.hregion.memstore.flush.size(默认128M)
,会flush形成HFile。
当写入数据过快时,导致产生大量HFile,当HFile数量超过配置hbase.hstore.blockingStoreFiles(默认10)
,hbase会进行compaction(合并),compaction会阻塞memstore flush操作,阻塞最长时长hbase.hstore.blockingWaitTime(默认值90000,即90s)
,当超过该时间后,如果compaction还未完成,memstore flush也会停止阻塞。
但是正是在flush阻塞这段时间内,memstore的大小超过了上限:
hbase.hregion.memstore.flush.size*hbase.hregion.memstore.block.multiplier(默认为4)=512M
,此时,region将拒绝所有写请求,所以客户端抛出RegionTooBusyException,并在一定时间后重试。
解决方案:
1.如果你和我一样写入数据量不是太多使用jdbc
方式来操作phoenix的写入,那就评估一下hbase的处理速度(和集群性能有关)和put速度,适当降低写入的批次大小
2.在hbase内存允许的前提下,提高hbase.hregion.memstore.block.multiplier
参数,在flush阻塞的这段时间,允许更多的数据写到memstore。
风险:增加了regionserver oom概率,修改该参数,需要进行大数据量写入测试。
3.减少阻塞时间hbase.hstore.blockingwaittime(比如到30s)
,加快memstore flush到hdfs上的速度,从而减少memstore数据大小触碰到上限的时间,也就能减少拒绝写请求的时间。
风险:1、增加了compaction的压力,
2、占用磁盘IO,可能会影响到其他服务。
4.一般出现RegionTooBusyException,表示大量写入数据量比较大,这种场景更好的选择可能是采用bulkload导入方式。
转载请注明来源:https://blog.csdn.net/jiandabang/article/details/88704205