HBase优化

一、HBase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。

• 关闭HBase集群

• 在conf目录下创建backup-masters文件

vim backup-masters

•  在backup-masters文件中加入配置高可用的HMaster节点，格式和regionservers中一样
• 将backup-masters文件配置到其他节点

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。

• 手动设定预分区

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

•  生成16进制序列预分区
  • 如果使用HexStringSplit算法，随机生成region的边界，在插入一条数据时，rowkey必须先采取HexString，转为16进制，再插入到表中。

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

• 按照文件中设置的规则预分区
  • 先创建splits文件，内容如下：

aaaa
bbbb
cccc
dddd

• 然后执行

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

• 使用javaAPI创建分区

// 创建表
public static boolean createTable(Connection conn, String tablename, String nsname, String...cfs) throws IOException {
        // 校验表名
        TableName tn = checkTableName(tablename, nsname);
        if (tn == null) {
            return false;
        }

        // 至少需要传入一个列族
        if (cfs.length < 1) {
            logger.error("至少需要指定一个列族！");
            return false;
        }

        Admin admin = conn.getAdmin();

        // 创建表的描述
        HTableDescriptor hTableDescriptor = new HTableDescriptor(tn);

        // 将列族的描述添加到表的描述中
        for (String cf : cfs) {
            HColumnDescriptor hColumnDescriptor = new HColumnDescriptor(cf);

            // 添加列族的设置
            hColumnDescriptor.setMaxVersions(10);
            hColumnDescriptor.setMinVersions(3);

            hTableDescriptor.addFamily(hColumnDescriptor);
        }


        // 根据表的描述创建表
        // admin.createTable(hTableDescriptor);

        // 预分区的建表，指定startkey(起始key)，endKey(终止key)，numRegions(分几个区) >=3
        // admin.createTable(hTableDescriptor, Bytes.toBytes("aaaa"), Bytes.toBytes("dddd"), 4);

        // 自定义边界
        byte[][] splitKeys = new byte[4][];
        splitKeys[0] = Bytes.toBytes("aaaa");
        splitKeys[1] = Bytes.toBytes("bbbb");
        splitKeys[2] = Bytes.toBytes("cccc");
        splitKeys[3] = Bytes.toBytes("dddd");

        admin.createTable(hTableDescriptor, splitKeys);

        admin.close();
        return true;
    }

三、RowKey设计

• 使用字符串拼接设计Rowkey
  • rowkey作为数据的唯一主键，需要紧密和业务相关，从业务中选择某个代表性的字段作为rowkey
  • 保证rowkey字段选取时的唯一性，不重复性
  • rowkey足够散列，负载均衡
  • 让有业务关联的rowkey尽量分布到一个region中
• 生成随机数、hash、散列值
• 字符串反转
  • 例如：日期

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。

五、基础优化

• 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。

• 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

• 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。

• 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。

• 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。

• 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。

• 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。

• 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。

六、布隆过滤器

• 过滤功能：在海量数据中，用非常高的效率和性能，判断一个数据是否在集合中存在。
• 作用：布隆过滤器只能判断一个数据要么一定在集合中不存在，要么在集合中可能存在。
• 误判：  布隆过滤器判断数据可能存在，实际扫描后，发现不存在，这种情况有存在的几率。
• HBase中如何设置
  • HBase中通过列族设置过滤器。
  • HBase支持两种布隆过滤器：ROW|ROWCOL
    • ROW: 布隆过滤器在计算时，使用每行的rowkey作为参数，进行判断
    • ROWCOL: 布隆过滤器在计算时，使用每行的rowkey和column一起作为参数，进行判断