目录
表级
根据 rowkey 的规则进行建表预分区
详情见:使用 Hbase Shell 命令创建预分区表(hbase预分区)
集群级
首先我们简单回顾下整个写入流程
client api ==> RPC ==> server IPC ==> RPC queue ==> RPC handler ==> write WAL ==> write memstore ==> flush to filesystem
整个写入流程从客户端调用API开始,数据会通过 protobuf 编码成一个请求,通过 scoket 实现的 IPC 模块被送达 server 的 RPC 队列中。最后由负责处理 RPC 的 handler 取出请求完成写入操作。写入会先写 WAL 文件,然后再写一份到内存中,也就是 memstore 模块,当满足条件时,memstore 才会被 flush 到底层文件系统,形成 HFile。
当写入过快时会遇见什么问题?
写入过快时,memstore 的水位会马上被推高。
你可能会看到以下类似日志:
RegionTooBusyException: Above memstore limit, regionName=xxxxx ...
这个是 Region 的 memstore 占用内存大小超过正常的4倍,这时候会抛异常,写入请求会被拒绝,客户端开始重试请求。当达到128M的时候会触发 flush memstore,当达到128M * 4还没法触发 flush 时候会抛异常来拒绝写入。两个相关参数的默认值如下:
hbase.hregion.memstore.flush.size=128M
hbase.hregion.memstore.block.multiplier=4
或者这样的日志:
regionserver.MemStoreFlusher: Blocking updates on hbase.example.host.com,16020,1522286703886: the global memstore size 1.3 G is >= than blocking 1.3 G size
regionserver.MemStoreFlusher: Memstore is above high water mark and block 528ms
这是所有 region 的 memstore 内存总和开销超过配置上限,默认是配置 heap 的40%,这会导致写入被阻塞。目的是等待 flush 的线程把内存里的数据 flush 下去,否则继续允许写入 memestore 会把内存写爆
hbase.regionserver.global.memstore.upperLimit=0.4 # 较旧版本,新版本兼容
hbase.regionserver.global.memstore.size=0.4 # 新版本
当写入被阻塞,队列会开始积压,如果运气不好最后会导致 OOM,你可能会发现 JVM 由于 OOM crash 或者看到如下类似日志:
ipc.RpcServer: /192.168.x.x:16020 is unable to read call parameter from client 10.47.x.x
java.lang.OutOfMemoryError: Java heap space
HBase 这里我认为有个很不好的设计,捕获了 OOM 异常却没有终止进程。这时候进程可能已经没法正常运行下去了,你还会在日志里发现很多其它线程也抛 OOM 异常。比如 stop 可能根本 stop不 了,RS 可能会处于一种僵死状态。
如何避免RS OOM?
加快 flush 速度
hbase.hstore.blockingWaitTime = 90000 ms
hbase.hstore.flusher.count = 2
hbase.hstore.blockingStoreFiles = 10
当达到 hbase.hstore.blockingStoreFiles
配置上限时,会导致 flush 阻塞等到 compaction 工作完成。阻塞时间是 hbase.hstore.blockingWaitTime
,可以改小这个时间。hbase.hstore.flusher.count
可以根据机器型号去配置,可惜这个数量不会根据写压力去动态调整,配多了,非导入数据多场景也没用,改配置还得重启。
同样的道理,如果 flush 加快,意味这 compaction 也要跟上,不然文件会越来越多,这样 scan 性能会下降,开销也会增大。
hbase.regionserver.thread.compaction.small = 1
hbase.regionserver.thread.compaction.large = 1
增加 compaction 线程会增加 CPU 和带宽开销,可能会影响正常的请求。如果不是导入数据,一般而言是够了。好在这个配置在云 HBase 内是可以动态调整的,不需要重启。
上述配置都需要人工干预,如果干预不及时 server 可能已经 OOM 了,这时候有没有更好的控制方法?
hbase.ipc.server.max.callqueue.size = 1024 * 1024 * 1024 # 1G
直接限制队列堆积的大小。当堆积到一定程度后,事实上后面的请求等不到 server 端处理完,可能客户端先超时了。并且一直堆积下去会导致 OOM,1G的默认配置需要相对大内存的型号。当达到 queue 上限,客户端会收到 CallQueueTooBigException
然后自动重试。通过这个可以防止写入过快时候把 server 端写爆,有一定反压作用。线上使用这个在一些小型号稳定性控制上效果不错。