（转载）Hbase -- HBase性能调优

因官方Book Performance Tuning部分章节没有按配置项进行索引，不能达到快速查阅的效果。因此我以配置项驱动，从新整理了原文，并补充一些本身的理解，若有错误，欢迎指正。

配置优化

zookeeper.session.timeout
默认值：3分钟（180000ms）
说明：RegionServer与Zookeeper间的链接超时时间。当超时时间到后，ReigonServer会被Zookeeper从RS集群清单中移除，HMaster收到移除通知后，会对这台server负责的regions从新balance，让其余存活的RegionServer接管.
调优：
这个timeout决定了RegionServer是否可以及时的failover。设置成1分钟或更低，能够减小因等待超时而被延长的failover时间。
不过须要注意的是，对于一些Online应用，RegionServer从宕机到恢复时间自己就很短的（网络闪断，crash等故障，运维可快速介入），若是调低timeout时间，反而会得不偿失。由于当ReigonServer被正式从RS集群中移除时，HMaster就开始作balance了（让其余RS根据故障机器记录的WAL日志进行恢复）。当故障的RS在人工介入恢复后，这个balance动做是毫无心义的，反而会使负载不均匀，给RS带来更多负担。特别是那些固定分配regions的场景。

 

hbase.regionserver.handler.count
默认值：10
说明：RegionServer的请求处理IO线程数。
调优：
这个参数的调优与内存息息相关。
较少的IO线程，适用于处理单次请求内存消耗较高的Big PUT场景（大容量单次PUT或设置了较大cache的scan，均属于Big PUT）或ReigonServer的内存比较紧张的场景。
较多的IO线程，适用于单次请求内存消耗低，TPS要求很是高的场景。设置该值的时候，以监控内存为主要参考。
这里须要注意的是若是server的region数量不多，大量的请求都落在一个region上，因快速充满memstore触发flush致使的读写锁会影响全局TPS，不是IO线程数越高越好。
压测时，开启Enabling RPC-level logging，能够同时监控每次请求的内存消耗和GC的情况，最后经过屡次压测结果来合理调节IO线程数。
这里是一个案例?Hadoop and HBase Optimization for Read Intensive Search Applications，做者在SSD的机器上设置IO线程数为100，仅供参考。

hbase.hregion.max.filesize
默认值：256M
说明：在当前ReigonServer上单个Reigon的最大存储空间，单个Region超过该值时，这个Region会被自动split成更小的region。
调优：
小region对split和compaction友好，由于拆分region或compact小region里的storefile速度很快，内存占用低。缺点是split和compaction会很频繁。
特别是数量较多的小region不停地split, compaction，会致使集群响应时间波动很大，region数量太多不只给管理上带来麻烦，甚至会引起一些Hbase的bug。
通常512如下的都算小region。

大region，则不太适合常常split和compaction，由于作一次compact和split会产生较长时间的停顿，对应用的读写性能冲击很是大。此外，大region意味着较大的storefile，compaction时对内存也是一个挑战。
固然，大region也有其用武之地。若是你的应用场景中，某个时间点的访问量较低，那么在此时作compact和split，既能顺利完成split和compaction，又能保证绝大多数时间平稳的读写性能。

既然split和compaction如此影响性能，有没有办法去掉？
compaction是没法避免的，split却是能够从自动调整为手动。
只要经过将这个参数值调大到某个很难达到的值，好比100G，就能够间接禁用自动split（RegionServer不会对未到达100G的region作split）。
再配合RegionSplitter这个工具，在须要split时，手动split。
手动split在灵活性和稳定性上比起自动split要高不少，相反，管理成本增长很少，比较推荐online实时系统使用。

内存方面，小region在设置memstore的大小值上比较灵活，大region则过大太小都不行，过大会致使flush时app的IO wait增高，太小则因store file过多影响读性能。

hbase.regionserver.global.memstore.upperLimit/lowerLimit

默认值：0.4/0.35
upperlimit说明：hbase.hregion.memstore.flush.size 这个参数的做用是当单个Region内全部的memstore大小总和超过指定值时，flush该region的全部memstore。RegionServer的flush是经过将请求添加一个队列，模拟生产消费模式来异步处理的。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，可能会致使内存陡增，最坏的状况是触发OOM。
这个参数的做用是防止内存占用过大，当ReigonServer内全部region的memstores所占用内存总和达到heap的40%时，HBase会强制block全部的更新并flush这些region以释放全部memstore占用的内存。
lowerLimit说明： 同upperLimit，只不过lowerLimit在全部region的memstores所占用内存达到Heap的35%时，不flush全部的memstore。它会找一个memstore内存占用最大的region，作个别flush，此时写更新仍是会被block。lowerLimit算是一个在全部region强制flush致使性能下降前的补救措施。在日志中，表现为 “** Flush thread woke up with memory above low water.”
调优：这是一个Heap内存保护参数，默认值已经能适用大多数场景。
参数调整会影响读写，若是写的压力大致使常常超过这个阀值，则调小读缓存hfile.block.cache.size增大该阀值，或者Heap余量较多时，不修改读缓存大小。
若是在高压状况下，也没超过这个阀值，那么建议你适当调小这个阀值再作压测，确保触发次数不要太多，而后还有较多Heap余量的时候，调大hfile.block.cache.size提升读性能。
还有一种可能性是?hbase.hregion.memstore.flush.size保持不变，但RS维护了过多的region，要知道 region数量直接影响占用内存的大小。

hfile.block.cache.size

默认值：0.2
说明：storefile的读缓存占用Heap的大小百分比，0.2表示20%。该值直接影响数据读的性能。
调优：固然是越大越好，若是写比读少不少，开到0.4-0.5也没问题。若是读写较均衡，0.3左右。若是写比读多，果断默认吧。设置这个值的时候，你同时要参考?hbase.regionserver.global.memstore.upperLimit?，该值是memstore占heap的最大百分比，两个参数一个影响读，一个影响写。若是两值加起来超过80-90%，会有OOM的风险，谨慎设置。

hbase.hstore.blockingStoreFiles

默认值：7
说明：在flush时，当一个region中的Store（Coulmn Family）内有超过7个storefile时，则block全部的写请求进行compaction，以减小storefile数量。
调优：block写请求会严重影响当前regionServer的响应时间，但过多的storefile也会影响读性能。从实际应用来看，为了获取较平滑的响应时间，可将值设为无限大。若是能容忍响应时间出现较大的波峰波谷，那么默认或根据自身场景调整便可。

hbase.hregion.memstore.block.multiplier

默认值：2
说明：当一个region里的memstore占用内存大小超过hbase.hregion.memstore.flush.size两倍的大小时，block该region的全部请求，进行flush，释放内存。
虽然咱们设置了region所占用的memstores总内存大小，好比64M，但想象一下，在最后63.9M的时候，我Put了一个200M的数据，此时memstore的大小会瞬间暴涨到超过预期的hbase.hregion.memstore.flush.size的几倍。这个参数的做用是当memstore的大小增至超过hbase.hregion.memstore.flush.size 2倍时，block全部请求，遏制风险进一步扩大。
调优： 这个参数的默认值仍是比较靠谱的。若是你预估你的正常应用场景（不包括异常）不会出现突发写或写的量可控，那么保持默认值便可。若是正常状况下，你的写请求量就会常常暴长到正常的几倍，那么你应该调大这个倍数并调整其余参数值，好比hfile.block.cache.size和hbase.regionserver.global.memstore.upperLimit/lowerLimit，以预留更多内存，防止HBase server OOM。

hbase.hregion.memstore.mslab.enabled

默认值：true
说明：减小因内存碎片致使的Full GC，提升总体性能。
调优：详见 http://kenwublog.com/avoid-full-gc-in-hbase-using-arena-allocation

其余

启用LZO压缩
LZO对比Hbase默认的GZip，前者性能较高，后者压缩比较高，具体参见?Using LZO Compression 。对于想提升HBase读写性能的开发者，采用LZO是比较好的选择。对于很是在意存储空间的开发者，则建议保持默认。

不要在一张表里定义太多的Column Family

Hbase目前不能良好的处理超过包含2-3个CF的表。由于某个CF在flush发生时，它邻近的CF也会因关联效应被触发flush，最终致使系统产生更多IO。

批量导入

在批量导入数据到Hbase前，你能够经过预先建立regions，来平衡数据的负载。详见?Table Creation: Pre-Creating Regions

避免CMS concurrent mode failure

HBase使用CMS GC。默认触发GC的时机是当年老代内存达到90%的时候，这个百分比由 -XX:CMSInitiatingOccupancyFraction=N 这个参数来设置。concurrent mode failed发生在这样一个场景：
当年老代内存达到90%的时候，CMS开始进行并发垃圾收集，于此同时，新生代还在迅速不断地晋升对象到年老代。当年老代CMS还未完成并发标记时，年老代满了，悲剧就发生了。CMS由于没内存可用不得不暂停mark，并触发一次stop the world（挂起全部jvm线程），而后采用单线程拷贝方式清理全部垃圾对象。这个过程会很是漫长。为了不出现concurrent mode failed，建议让GC在未到90%时，就触发。

经过设置?-XX:CMSInitiatingOccupancyFraction=N

这个百分比， 能够简单的这么计算。若是你的?hfile.block.cache.size 和?hbase.regionserver.global.memstore.upperLimit 加起来有60%（默认），那么你能够设置 70-80，通常高10%左右差很少。

Hbase客户端优化

AutoFlush

将HTable的setAutoFlush设为false，能够支持客户端批量更新。即当Put填满客户端flush缓存时，才发送到服务端。
默认是true。

Scan Caching

scanner一次缓存多少数据来scan（从服务端一次抓多少数据回来scan）。
默认值是 1，一次只取一条。

Scan Attribute Selection

scan时建议指定须要的Column Family，减小通讯量，不然scan操做默认会返回整个row的全部数据（全部Coulmn Family）。

Close ResultScanners

经过scan取完数据后，记得要关闭ResultScanner，不然RegionServer可能会出现问题（对应的Server资源没法释放）。

Optimal Loading of Row Keys

当你scan一张表的时候，返回结果只须要row key（不须要CF, qualifier,values,timestaps）时，你能够在scan实例中添加一个filterList，并设置 MUST_PASS_ALL操做，filterList中add?FirstKeyOnlyFilter或KeyOnlyFilter。这样能够减小网络通讯量。

Turn off WAL on Puts

当Put某些非重要数据时，你能够设置writeToWAL(false)，来进一步提升写性能。writeToWAL(false)会在Put时放弃写WAL log。风险是，当RegionServer宕机时，可能你刚才Put的那些数据会丢失，且没法恢复。

启用Bloom Filter

Bloom Filter经过空间换时间，提升读操做性能。

最后，感谢嬴北望同窗对”hbase.hregion.memstore.flush.size”和“hbase.hstore.blockingStoreFiles”错误观点的修正。