HBase性能优化常用

1.1、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）

bin/stop-hbase.sh

2）、在 conf 目录下创建 backup-masters 文件

touch conf/backup-masters

3）、在 backup-masters 文件中配置高可用 HMaster 节点

echo linux02 > conf/backup-masters

4）、将整个 conf 目录 scp 到其他节点

scp -r conf/ linux02:/opt/modules/cdh/hbase-0.98.6-cdh5.3.6/
scp -r conf/ linux03:/opt/modules/cdh/hbase-0.98.6-cdh5.3.6/

1.2、 Hadoop 的通用性优化

1) 、NameNode 元数据备份使用 SSD
2) 、定时备份 NameNode 上的元数据
每小时或者每天备份，如果数据极其重要，可以 5~10 分钟备份一次。备份可以通过定时任务复制元数据目录即可。
3)、 为 NameNode 指定多个元数据目录
使用 dfs.name.dir 或者 dfs.namenode.name.dir 指定。这样可以提供元数据的冗余和健壮性，以免发生故障。
4) 、NameNode 的 dir 自恢复
设置 dfs.namenode.name.dir.restore 为 true，允许尝试恢复之前失败的 dfs.namenode.name.dir目录，在创建 checkpoint 时做此尝试，如果设置了多个磁盘，建议允许。
5)、 HDFS 保证 RPC 调用会有较多的线程数
hdfs-site.xml

属性： dfs.namenode.handler.count
解释：该属性是 NameNode 服务默认线程数，的默认值是 10，根据机器的可用内存可以调整为 50~100

属性： dfs.datanode.handler.count
解释：该属性默认值为 10，是 DataNode 的处理线程数，如果 HDFS 客户端程序读写请求比较多，可以调高到 15~20，设置的值越大，内存消耗越多，不要调整的过高，一般业务中，5~10 即可。

6)、 HDFS 副本数的调整
hdfs-site.xml

属性： dfs.replication
解释：如果数据量巨大，且不是非常之重要，可以调整为 2~3，如果数据非常之重要，可以调整为 3~5。

7) 、HDFS 文件块大小的调整
hdfs-site.xml

属性： dfs.blocksize
解释：块大小定义，该属性应该根据存储的大量的单个文件大小来设置，如果大量的单个文件都小于 100M，建议设置成 64M 块大小，对于大于 100M 或者达到 GB 的这种情况，建议设置成 256M，一般设置范围波动在 64M~256M 之间。

8)、 MapReduce Job 任务服务线程数调整
mapred-site.xml

属性： mapreduce.jobtracker.handler.count
解释：该属性是 Job 任务线程数，默认值是 10，根据机器的可用内存可以调整为 50~100

9) 、Http 服务器工作线程数
mapred-site.xml

属性： mapreduce.tasktracker.http.threads
解释：定义 HTTP 服务器工作线程数，默认值为 40，对于大集群可以调整到 80~100

10) 、文件排序合并优化
mapred-site.xml

属性： mapreduce.task.io.sort.factor
解释：文件排序时同时合并的数据流的数量，这也定义了同时打开文件的个数，默认值为10，如果调高该参数，可以明显减少磁盘 IO，即减少文件读取的次数。

11)、 设置任务并发
mapred-site.xml

属性： mapreduce.map.speculative
解释：该属性可以设置任务是否可以并发执行，如果任务多而小，该属性设置为 true 可以明显加快任务执行效率，但是对于延迟非常高的任务，建议改为 false，这就类似于迅雷下载。

12)、 MR 输出数据的压缩
mapred-site.xml

属性： mapreduce.map.output.compress、 mapreduce.output.fileoutputformat.compress
解释：对于大集群而言，建议设置 Map-Reduce 的输出为压缩的数据，而对于小集群，则不需要。

13) 、优化 Mapper 和 Reducer 的个数
mapred-site.xml

属性：mapreduce.tasktracker.map.tasks.maximum
           mapreduce.tasktracker.reduce.tasks.maximum
解释：以上两个属性分别为一个单独的 Job 任务可以同时运行的 Map 和 Reduce 的数量。设置上面两个参数时，需要考虑 CPU 核数、磁盘和内存容量。假设一个 8 核的 CPU，业务内容非常消耗 CPU，那么可以设置 map 数量为 4，如果该业务不是特别消耗 CPU 类型的，那么可以设置 map 数量为 40， reduce 数量为 20。这些参数的值修改完成之后，一定要观察是否有较长等待的任务，如果有的话，可以减少数量以加快任务执行，如果设置一个很大的值， 会引起大量的上下文切换，以及内存与磁盘之间的数据交换，这里没有标准的配置数值，需要根据业务和硬件配置以及经验来做出选择。在同一时刻，不要同时运行太多的 MapReduce，这样会消耗过多的内存，任务会执行的非常缓慢，我们需要根据 CPU 核数，内存容量设置一个 MR 任务并发的最大值，使固定数据量的任务完全加载到内存中，避免频繁的内存和磁盘数据交换，从而降低磁盘 IO，提高性能。

1.3、 Zookeeper 优化

1) 、优化 Zookeeper 会话超时时间
hbase-site.xml

参数： zookeeper.session.timeout
解释： In hbase-site.xml, set zookeeper.session.timeout to 30 seconds or less to bound failuredetection (20-30 seconds is a good start).该值会直接关系到 master 发现服务器宕机的最大周期，默认值为 30 秒，如果该值过小，会在 HBase 在写入大量数据发生而 GC 时，导致RegionServer 短暂的不可用，从而没有向 ZK 发送心跳包，最终导致认为从节点 shutdown。一般 20 台左右的集群需要配置 5 台 zookeeper。

1.4、 HBase 优化

1.4.1、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，我们可以将数据索要投放的分区提前大致的规划好，以提高 HBase 性能。
1) 、手动设定预分区

hbase> create 'staff','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);

1.4.2、 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。

1) 、生成随机数、 hash、散列值

比如：
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

1.4.3、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。

1.4.4、 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。

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

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。

5) 、优化 DataNode 存储

属性： dfs.datanode.failed.volumes.tolerated
解释： 默认为 0，意思是当 DataNode中有一个磁盘出现故障，则会认为该 DataNode shutdown了。如果修改为 1，则一个磁盘出现故障时，数据会被复制到其他正常的 DataNode 上，当前的 DataNode 继续工作。

6) 、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。

7) 、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。

8)、 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。

9) 、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。

10)、 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