HBASE的优化

最新推荐文章于 2022-04-24 07:58:00 发布
最新推荐文章于 2022-04-24 07:58:00 发布
阅读量479 收藏 2
点赞数
分类专栏： 大数据专栏。 HBASE专栏。 文章标签： hbase
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/l_dsj/article/details/120832403
版权

目录

有关HBASE的优化应该有许多方面，但是重点应该还在这三个部分，一个是预分区，一个是Rowkey的设计原则，一个是BulkLoading直接将数据导入到HFile中；这里面的重中之重又是Rowkey的设计原则，因为HBASE查询数据之快一定和Rowkey分不开

预分区

默认情况下，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客户端都会向这一个region中写入数据，直到这个region足够大了之后才会进行切分。
如果提前知道了hbase中数据表的key的分布情况，就可以在创建表的时候对hbase进行region预分区，这样可以防止大量数据插入的热点问题，提高数据的插入效率

划分hbase预分区

首先要知道数据的key是如何分布的，然后规划一下要分成多少个region，每个region的startkey和endkey是多少，之后将规划好的key写入到一个文件中
假设我们将一个文件分成十个预分区
那我们可以这样写：

0001|
0002|
0003|
0004|
0005|
0006|
0007|
0008|
0009|

创建的时候直接指定位置即可
在这里插入图片描述
可以看到这里分了十个区
在这里插入图片描述
在这里插入图片描述

Rowkey设计

HBase是三维有序存储的，通过rowkey（行键），column key（column family和qualifier）和TimeStamp（时间戳）这个三个维度可以对HBase中的数据进行快速定位。
HBase中rowkey可以唯一标识一行记录，在HBase查询的时候，有三种方式：

  1. 通过get方式，指定rowkey获取唯一一条记录
  2. 通过scan方式，设置startRow和stopRow参数进行范围匹配
  3. 全表扫描，即直接扫描整张表中所有行记录

rowkey长度原则

rowkey是一个二进制码流，可以是任意字符串，最大长度 64kb ，实际应用中一般为10-100bytes，以 byte[] 形式保存，一般设计成定长。

建议越短越好，不要超过16个字节，原因如下：

数据的持久化文件HFile中是按照KeyValue存储的，如果rowkey过长，比如超过100字节，1000w行数据，光rowkey就要占用100*1000w=10亿个字节，将近1G数据，这样会极大影响HFile的存储效率；

MemStore将缓存部分数据到内存，如果rowkey字段过长，内存的有效利用率就会降低，系统不能缓存更多的数据，这样会降低检索效率。

rowkey散列原则

下面的高位、低位指的是一串数字的前几位和后几位
如果rowkey按照时间戳的方式递增，不要将时间放在二进制码的前面，建议将rowkey的高位作为散列字段，由程序随机生成，低位放时间字段，这样将提高数据均衡分布在每个RegionServer，以提高实现负载均衡的几率。如果没有散列字段，首字段直接是时间信息，所有的数据都会集中在一个RegionServer上，这样在数据检索的时候负载会集中在个别的RegionServer上，造成热点问题，会降低查询效率。

rowkey唯一原则

必须在设计上保证其唯一性，rowkey是按照字典顺序排序存储的，因此，设计rowkey的时候，要充分利用这个排序的特点，将经常读取的数据存储到一块，将最近可能会被访问的数据放到一块。

热点问题

HBase中的行是按照rowkey的字典顺序排序的，这种设计优化了scan操作，可以将相关的行以及会被一起读取的行存取在临近位置，便于scan。然而糟糕的rowkey设计是热点的源头。 热点发生在大量的client直接访问集群的一个或极少数个节点（访问可能是读，写或者其他操作）。大量访问会使热点region所在的单个机器超出自身承受能力，引起性能下降甚至region不可用，这也会影响同一个RegionServer上的其他region，由于主机无法服务其他region的请求。 设计良好的数据访问模式以使集群被充分，均衡的利用。

为了避免写热点，设计rowkey使得不同行在同一个region，但是在更多数据情况下，数据应该被写入集群的多个region，而不是一个。

下面是一些常见的避免热点的方法以及它们的优缺点：

加盐

（这个操作，只能使用scan扫描某一个rowkey范围内的数据，不能准确的get到某一行的数据，因为这里你加的随机数是在前面，没办法get到准确的范值）

这里所说的加盐不是密码学中的加盐，而是在rowkey的前面增加随机数，具体就是给rowkey分配一个随机前缀以使得它和之前的rowkey的开头不同。分配的前缀种类数量应该和你想使用数据分散到不同的region的数量一致。加盐之后的rowkey就会根据随机生成的前缀分散到各个region上，以避免热点。

哈希

哈希会使同一行永远用一个前缀加盐。哈希也可以使负载分散到整个集群，但是读却是可以预测的。使用确定的哈希可以让客户端重构完整的rowkey，可以使用get操作准确获取某一个行数据

反转

这里的反转实际上也和时间戳有关，假设我们一个时间戳是1634557248，我们就可以取一个比它更大一些的数，比如取3000000000，两个数做一个相减，得到1365442752，以这个数字作为rowkey来进行存储，这样做的好处就是将数据可以按照升序来进行排列，直接将时间戳反转，最终的结果还是按照降序进行排列

第三种防止热点的方法是反转固定长度或者数字格式的rowkey。这样可以使得rowkey中经常改变的部分（最没有意义的部分）放在前面。这样可以有效的随机rowkey，但是牺牲了rowkey的有序性。

反转rowkey的例子以手机号为rowkey，可以将手机号反转后的字符串作为rowkey，这样的就避免了以手机号那样比较固定开头导致热点问题

时间戳反转

一个常见的数据处理问题是快速获取数据的最近版本，使用反转的时间戳作为rowkey的一部分对这个问题十分有用，可以用 Long.Max_Value - timestamp 追加到key的末尾，例如[key][reverse_timestamp] , [key] 的最新值可以通过scan [key]获得[key]的第一条记录，因为HBase中rowkey是有序的，第一条记录是最后录入的数据。

比如需要保存一个用户的操作记录，按照操作时间倒序排序，在设计rowkey的时候，可以这样设计

[userId反转][Long.Max_Value - timestamp]，在查询用户的所有操作记录数据的时候，直接指定反转后的userId，startRow是[userId反转][000000000000],stopRow是[userId反转][Long.Max_Value - timestamp]

如果需要查询某段时间的操作记录，startRow是[user反转][Long.Max_Value - 起始时间]，stopRow是[userId反转][Long.Max_Value - 结束时间]

其他一些建议

尽量减少rowkey和列的大小，当具体的值在系统间传输时，它的rowkey，列簇、列名，时间戳也会一起传输。如果你的rowkey、列簇名、列名很大，甚至可以和具体的值相比较，那么将会造成大量的冗余，不利于数据的储存与传输

列族尽可能越短越好，最好是一个字符

列名也尽可能越短越好，冗长的列名虽然可读性好，但是更短的列名存储在HBase中会更好

BulkLoading

直接将数据导入到HFile，不经过regionserver，之前使用的JavaAPI导入数据到HBASE中，需要经过region server，会有许多负载，触发许多次写请求。

如果我们一次性入库hbase巨量数据，处理速度慢不说，还特别占用Region资源， 一个比较高效便捷的方法就是使用 “Bulk Loading”方法，即HBase提供的HFileOutputFormat类。

它是利用hbase的数据信息按照特定格式存储在hdfs内这一原理，直接生成这种hdfs内存储的数据格式文件，然后上传至合适位置，即完成巨量数据快速入库的办法。配合mapreduce完成，高效便捷，而且不占用region资源，增添负载。

这种方式也有很大的限制：
仅适合初次数据导入，即表内数据为空，或者每次入库表内都无数据的情况。
HBase集群与Hadoop集群为同一集群，即HBase所基于的HDFS为生成HFile的MR的集群

BulkLoading导入数据：
数据以HFile的形式存在HDFS，但是在HBASE的目录下查看不到

package com.shujia;//BulkLoading用来导入数据，只有map阶段，没有reduce阶段

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.KeyValue;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.*;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2;
import org.apache.hadoop.hbase.mapreduce.KeyValueSortReducer;
import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;
import org.apache.hadoop.hbase.mapreduce.SimpleTotalOrderPartitioner;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class Demo8BulkLoading {

    public  static class BulkMapper extends Mapper<LongWritable,Text,ImmutableBytesWritable,KeyValue>{
        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable,Text,ImmutableBytesWritable,KeyValue>.Context context) throws IOException, InterruptedException {
            String[] split = value.toString().split(",");
            String mdn = split[0];
            String start_time = split[1];
            String lg = split[4];
            String lat = split[5];

            String rowkey = mdn+"_"+start_time;

            //keyvalue对象相当于一个cell
            KeyValue lgValue = new KeyValue(rowkey.getBytes(), "info".getBytes(), "lg".getBytes(), lg.getBytes());
            KeyValue latValue = new KeyValue(rowkey.getBytes(), "info".getBytes(), "lat".getBytes(), lat.getBytes());

            context.write(new ImmutableBytesWritable(rowkey.getBytes()),lgValue);
            context.write(new ImmutableBytesWritable(rowkey.getBytes()),latValue);
        }
    }


    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        conf.set("hbase.zookeeper.quorum","master,node1,node2");
        Job job = Job.getInstance(conf);
        job.setJarByClass(Demo8BulkLoading.class);
        job.setJobName("Demo8BulkLoading.java");

        //配置map端
        job.setMapperClass(BulkMapper.class);
        job.setMapOutputKeyClass(ImmutableBytesWritable.class);
        job.setMapOutputValueClass(KeyValue.class);

        //保证每一个reduce是有序的
        job.setPartitionerClass(SimpleTotalOrderPartitioner.class);
        //配置reduce端
        //KeyValueSortReducer 只能保证每个reduce里处理的数据有序
        job.setReducerClass(KeyValueSortReducer.class);

        //reduce的数量由表的region数量决定
//        job.setNumReduceTasks(5); //该配置在这里是无效的

        //配置输入输出的路径
        FileInputFormat.addInputPath(job,new Path("/datas/DIANXIN.csv/"));
        FileSystem fs = FileSystem.get(conf);
        if (fs.exists(new Path("/bulk/"))){
            fs.delete(new Path("/bulk/"),true);
        }
        FileOutputFormat.setOutputPath(job,new Path("/bulk/"));

        Connection conn = ConnectionFactory.createConnection(conf);
        Admin admin = conn.getAdmin();
        Table table = conn.getTable(TableName.valueOf("SPLIT_DIANXIN"));
        //用于获取表的region信息
        RegionLocator regionLocator = conn.getRegionLocator(TableName.valueOf("SPLIT_DIANXIN"));

        //将表的信息格式化成HFile，以待进行bulkLoading
        HFileOutputFormat2.configureIncrementalLoad(job,table,regionLocator);


        //等待job任务运行完成
        boolean flag = job.waitForCompletion(true);

        if(flag){
            System.out.println("mr任务运行成功");
            //使用LoadIncrementalHFiles将生成的HFile加载到HBASE对应的表中
//            LoadIncrementalHFiles loadIncrementalHFiles = new LoadIncrementalHFiles(conf);
//            loadIncrementalHFiles.doBulkLoad(new Path("/bulk"),admin,table,regionLocator);
        }else {
            System.out.println("运行失败");
        }

        //等到job任务运行完成，才会生成hfile文件
//        job.waitForCompletion(true);
//        LoadIncrementalHFiles loadIncrementalHFiles = new LoadIncrementalHFiles(conf);
//        loadIncrementalHFiles.doBulkLoad(new Path("/bulk/"),admin,table,regionLocator);

    }

}

/*
com.shujia.Demo8BulkLoading.java
hadoop jar HBase-1.0-SNAPSHOT.jar com.shujia.Demo8BulkLoading
 */

数据以HFile的形式存在HDFS，在HBASE的目录下可以查看到

package com.shujia;//BulkLoading用来导入数据，只有map阶段，没有reduce阶段

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.KeyValue;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.*;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2;
import org.apache.hadoop.hbase.mapreduce.KeyValueSortReducer;
import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;
import org.apache.hadoop.hbase.mapreduce.SimpleTotalOrderPartitioner;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class Demo8BulkLoading {

    public  static class BulkMapper extends Mapper<LongWritable,Text,ImmutableBytesWritable,KeyValue>{
        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable,Text,ImmutableBytesWritable,KeyValue>.Context context) throws IOException, InterruptedException {
            String[] split = value.toString().split(",");
            String mdn = split[0];
            String start_time = split[1];
            String lg = split[4];
            String lat = split[5];

            String rowkey = mdn+"_"+start_time;

            //keyvalue对象相当于一个cell
            KeyValue lgValue = new KeyValue(rowkey.getBytes(), "info".getBytes(), "lg".getBytes(), lg.getBytes());
            KeyValue latValue = new KeyValue(rowkey.getBytes(), "info".getBytes(), "lat".getBytes(), lat.getBytes());

            context.write(new ImmutableBytesWritable(rowkey.getBytes()),lgValue);
            context.write(new ImmutableBytesWritable(rowkey.getBytes()),latValue);
        }
    }


    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        conf.set("hbase.zookeeper.quorum","master,node1,node2");
        Job job = Job.getInstance(conf);
        job.setJarByClass(Demo8BulkLoading.class);
        job.setJobName("Demo8BulkLoading.java");

        //配置map端
        job.setMapperClass(BulkMapper.class);
        job.setMapOutputKeyClass(ImmutableBytesWritable.class);
        job.setMapOutputValueClass(KeyValue.class);

        //保证每一个reduce是有序的
        job.setPartitionerClass(SimpleTotalOrderPartitioner.class);
        //配置reduce端
        //KeyValueSortReducer 只能保证每个reduce里处理的数据有序
        job.setReducerClass(KeyValueSortReducer.class);

        //reduce的数量由表的region数量决定
//        job.setNumReduceTasks(5); //该配置在这里是无效的

        //配置输入输出的路径
        FileInputFormat.addInputPath(job,new Path("/datas/DIANXIN.csv/"));
        FileSystem fs = FileSystem.get(conf);
        if (fs.exists(new Path("/bulk/"))){
            fs.delete(new Path("/bulk/"),true);
        }
        FileOutputFormat.setOutputPath(job,new Path("/bulk/"));

        Connection conn = ConnectionFactory.createConnection(conf);
        Admin admin = conn.getAdmin();
        Table table = conn.getTable(TableName.valueOf("SPLIT_DIANXIN"));
        //用于获取表的region信息
        RegionLocator regionLocator = conn.getRegionLocator(TableName.valueOf("SPLIT_DIANXIN"));

        //将表的信息格式化成HFile，以待进行bulkLoading
        HFileOutputFormat2.configureIncrementalLoad(job,table,regionLocator);


        //等待job任务运行完成
        boolean flag = job.waitForCompletion(true);

        if(flag){
            System.out.println("mr任务运行成功");
            //使用LoadIncrementalHFiles将生成的HFile加载到HBASE对应的表中
            LoadIncrementalHFiles loadIncrementalHFiles = new LoadIncrementalHFiles(conf);
            loadIncrementalHFiles.doBulkLoad(new Path("/bulk"),admin,table,regionLocator);
        }else {
            System.out.println("运行失败");
        }

        //等到job任务运行完成，才会生成hfile文件
//        job.waitForCompletion(true); //所以这条语句的执行顺序要在加载HFile到对应表中这个操作前面
//        LoadIncrementalHFiles loadIncrementalHFiles = new LoadIncrementalHFiles(conf);
//        loadIncrementalHFiles.doBulkLoad(new Path("/bulk/"),admin,table,regionLocator);

    }

}

/*
com.shujia.Demo8BulkLoading.java
hadoop jar HBase-1.0-SNAPSHOT.jar com.shujia.Demo8BulkLoading
 */

感谢阅读，我是啊帅和和，一位大数据专业大四学生，祝你快乐。

啊帅和和。
关注
专栏目录
HBASE优化
weixin_43519014的博客
12-26 450
硬件和操作系统调优 1）配置内存 HBase对于内存的消耗是非常大的，主要是其LSM树状结构、缓存机制和日志记录机制决定的，所以物理内存当然是越大越好，并且现在内存的价格已经降到可以批量配置的程度，例如一条三星DDR3、DDR4的16GB内存，价格大约在1000元左右。在互联网领域，服务器内存方面的主流配置已经是64GB，所以一定要根据实际的需求和预算配备服务器内存。如果资源很紧张，推荐内存最小在...
HBase优化
qq_47947471的博客
10-19 555
1.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）。 [root@lyx2 hbase120]$ bin/stop-hbase.sh (2)在 conf 目录下创建 backup-masters 文件。
五十六、HBase的优化
象在舞的技术专栏
04-08 2627
当一个组件到了优化部分的时候，基本上这个组件的内容就到了结尾部分了，本文我们给HBase收收尾，来讲一下HBase的优化。关注专栏《破茧成蝶——大数据篇》，查看更多相关的内容~ 一、HBase的高可用 在HBase中HMaster负责监控Region Server的生命周期，均衡Region Server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。这里需要注意的是，如果HMaster挂掉，H
HBase 性能优化
yang灬仔
06-29 495
AutoFlush 通过调用HTable.setAutoFlushTo(false)方法可以将HTable写客户端自动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填满客户端写缓存的时候，才会向HBase服务端发起写请求。默认情况下auto flush是开启的。 WAL Flag 在HBase中，客户端向集群中的RegionServer提交数据时...
HBase性能优化方法总结（三）：读表操作
weixin_34203832的博客
03-08 154
本文主要是从HBase应用程序设计与开发的角度，总结几种常用的性能优化方法。有关HBase系统配置级别的优化，可参考：淘宝Ken Wu同学的博客。 下面是本文总结的第三部分内容：读表操作相关的优化方法。 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： static final Configuration conf =...
HBase优化实战
02-25
本文来自于cnblogs，介绍了Rowkey设计问题，Region重...然而，分布式系统从结构上来讲，也相对较复杂，模块繁多，各个模块之间也很容易出现一些问题，所以对像HBase这样的大型分布式系统来说，优化系统运行，及时解决
hbase优化总结
06-20
hbase优化总结 HBase 是一个基于列存储的 NoSQL 数据库，广泛应用于大数据存储和处理领域。然而，在实际应用中，HBase 的性能优化变得至关重要。本文档旨在总结 HBase 的优化方法，对项目中使用 HBase 的调优提供...
Kylin在贝壳的性能挑战和HBase优化实践
01-27
《Kylin在贝壳的性能挑战与HBase优化实践》 Kylin，作为一款高效的企业级在线分析处理（OLAP）引擎，在贝壳公司的应用实践中扮演着关键角色。自2017年起，贝壳开始使用Kylin作为其核心数据分析平台，目前已有超过...
网易视频云技术分享_HBase优化实战.pdf
最新发布
05-17
HBase 优化实战 HBase 是一个高性能的分布式数据库系统，常用于大规模数据存储和处理。然而，在实际使用中，HBase 也存在一些问题，例如热点问题、RegionServer 不均匀分布等。以下是 HBase 优化实战的相关知识点：...
HBase 读写优化
张普的专栏
04-24 376
HBase 读优化HBase客户端优化和大多数系统一样，客户端作为业务读写的入口，姿势使用不正确通常会导致本业务读延迟较高实际上存在一些使用姿势的推荐用法，这里一般需要关注四个问题：1. scan缓存是否设置合理？优化原理：在解释这个问题之前，首先需要解释什么是scan缓存，通常来讲一次scan会返回大量数据，因此客户端发起一次scan请求，实际并不会一次就将所有数据加载...
hbase优化
Hello 我的
06-22 513
HBase的性能优化 1.数据写入到WAL和memstore中。   memstore中的数据flush到HDFS中。   数据存放在内存中，一般存放在jvm中的新生代、老生代区域。   memstore一般设置大小为128MB。   设置合理的memstore的值，可以提高数据装载到HBase中的速度。   2.对列簇启用压缩   比如GZIP、LZO、Zippy、Snap
HBase之优化
qq_43193797的博客
01-24 143
1 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。 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rowK...
Hbase设计以及优化
热门推荐
woshiwanxin102213的专栏
01-22 1万+
1、表的设计 1.1、Column Family 由于Hbase是一个面向列族的存储器，调优和存储都是在列族这个层次上进行的，最好使列族成员都有相同的"访问模式(access pattern)"和大小特征。 不要在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
HBase性能优化
m0_60318777的博客
04-07 3538
一：数据库表数据优化 (I）预创建HRegion 。 用户可以在创建表的时候就顶无创建对 ion，这样就可以避免后期 HRegion自动拆分造成IO负载 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 =>
Hbase的优化总结
云计算、分布式架构、K8S、大数据、机器学习、搜索、推荐、广告
12-23 8881
Hbase的优化总结   上面这张图不是一太清晰，我后面给个单独的连接  这里的HBase的优化主要从三个大的维度来进行分析 1、系统硬件        采用普通的PC Server即可，Master要求高一点(比如8 CPU，48G内存，SAS raid)，Regionserver(如8CPU，24G内存，1T*12 SATA JBOD)       对于存储regionserver
HBase的优化
weixin_55766647的博客
12-18 1255
hbase的优化 一:写入数据方面 1.Auto Flash 通过调用HTable.setAutoFlushTo(false)方法可以将HTable写客户端自动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填满客户端写缓存的时候，才会向HBase服务端发起写请求。默认情况下auto flush是开启的。 2.Write Buffer 通过调用HTable.setWriteBufferSize(writeBufferSize)方...
Hbase优化
qq_45798620的博客
03-26 248
Hbase优化Hbase优化：内存分配Hbase优化：压缩机制Hbase优化：布隆过滤Hbase优化：列族属性Hbase优化：其他优化 Hbase优化：内存分配 目标 了解Hbase中内存的管理及分配 分析 写缓存：Memstore 读缓存：BlockCache 使用的RegionServer的JVM堆内存 注意：所有使用JVM堆内存工具，都会有一个共同的问题：GC停顿 合理设计垃圾回收的机制来回收内存，避免GC停顿 实现 MemStore：写缓存 hbase.regionse
HBASE优化实战：配置与策略提升性能
HBase优化总结是一篇深入探讨HBase数据库性能调优的文章，针对在处理大量数据时遇到的问题进行了详细分析。首先，作者指出集群硬件配置对性能的影响，特别是在内存方面，HBase对内存需求较大，尤其是在大数据导入时...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

啊帅和和。

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值