HBASE数据库非硬件方面的调优

ROWKEY设计

1. RowKey尽量散列设计，保证所有的数据都不是在一个Region上，从而避免读写的时候负载会集中在个别Region上
2. RowKey的长度尽量短，建议不要超过16个字节，目的是减少HFile文件中key占用的磁盘空间，提供memstore内存利用率
3. 系统开发过程中将RowKey数据类型设置为String类型，保证通用性
4. RowKey具有定长性，便于排序和比较
5. RowKey要具有业务含义
6. RowKey在全表中具有唯一性
7. 原生HBase只支持从小到大的字典排序，若想展现影片热度排行榜，这就要求HBase实现从大到小排列，针对这种情况可以采用Rowkey=Integer.MAX_VALUE-Rowkey的方式将Rowkey进行转换，最大的变最小，最小的变最大，在应用层再转回来即可完成排序需求

列族设计

1. 列族不宜过多，列族类似于传统关系数据库中的表，关联的表越多，查询效率越低。一个表的列族建议不超过3个
2. 经常要在一起查询的数据列尽量放在一个列族，避免跨列族访问

 

HBase调优

1. 调节数据块（data block）的大小

数据块大小的设置影响数据块索引的大小。数据块越小，索引占用更大内存空间。

数据块越小，随机查找性能更好（get命令）；数据块越大，更好的序列扫描性能（scan命令）。HFile数据块大小可以在列族层次设置。65536字节等于64KB

create '表名称'，{NAME => '列族名称'， BLOCKSIZE => '65536'}

 

1. 关闭读缓存BlockCache

如果一个表或表的列族只被顺序化扫描访问或很少被访问，则Get或Scan操作花费时间长一点可以接受。在这种情况下，可以选择关闭列族的缓存，数据块缓存默认打开。

关闭缓存，可以防止缓存的滥用，让出更多缓存给其他表和同一表的其他列族使用。

 create  ‘表名称’， {NAME => '列族名称'， BLOCKCACHE => 'false'}

 

1. 开启布隆过滤器

布隆过滤器也需要占用额外的空间，且列级布隆过滤器空间花销比行级布隆过滤器占用空间多。当系统空间充裕时，可以开启布隆过滤器。可以在列族上打开布隆过滤器： 

create '表名称'， {NAME => '列族名称'， BLOOMFILTER => 'ROWCOL'}

布隆过滤器参数的默认值是NONE。另外，还有两个值：ROW表示行级布隆过滤器；ROWCOL表示列标识符级布隆过滤器。行级布隆过滤器在数据块中检查特定行键是否不存在，列标识符级布隆过滤器检查行和列标识符联合体是否不存在。

 

1. 开启数据压缩

HFile可以被压缩并存放在HDFS上，这有助于节省硬盘I/O，但是读写数据时压缩和解压缩会抬高CPU利用率。只有在数据不能被压缩，或者因为某些原因服务器的CPU利用率有限制要求的情况下，有可能需要关闭压缩特性。

HBase可以使用多种压缩编码，包括LZO、SNAPPY和GZIP，当建表时可以在列族上打开压缩：

create '表名称'， {NAME => ''列族名称''， COMPRESSION => 'SNAPPY'}

注意，数据只在硬盘上是压缩的，在内存中（MemStore或BlockCache）或在网络传输时是没有压缩的

 

1. 设置Scan缓存

HBase的Scan查询中可以设置缓存，定义从服务器端传输到客户端的行数，设置方法是使用Scan类中setCaching（）方法，这样能有效地减少服务器端和客户端的交互。

 

1. 显式地指定列

如果在查询中指定某列或者某几列，能够有效地减少网络传输量，在一定程度上提升查询性能

 

1. 关闭ResultScanner

ResultScanner类用于存储服务端扫描的最终结果，可以通过遍历该类获取查询结果。但是，如果不关闭该类，可能会出现服务端在一段时间内一直保存连接，资源无法释放，从而导致服务器端某些资源的不可用。

代码的最后一行rsScanner.close（）就是执行关闭ResultScanner

 

1. 使用批量读

HTable.get（List<Get>）方法可以根据一个指定的行键列表，批量获取多行记录。使用该方法可以在服务器端执行完批量查询后返回结果，降低网络传输的速度，节省网络I/O开销，对于数据实时性要求高且网络传输RTT高的场景，能带来明显的性能提升。

 

1. 使用批量写

HTable.put（List<Put>）方法可以将指定的多个行键批量写入。这样做的好处是批量执行，减少网络I/O开销。

 

1. 关闭写WAL日志

WAL是规避数据丢失风险的一种补偿机制，如果应用可以容忍一定的数据丢失的风险，可以尝试在更新数据时，关闭写WAL。该方法存在的风险是，当RegionServer宕机时，可能写入的数据会出现丢失的情况，且无法恢复

通过在代码中添加：put.setWriteToWAL（false）；来关闭WAL日志

 

1. 设置AutoFlush

HTable有一个属性是AutoFlush，该属性用于支持客户端的批量更新。该属性默认值是true，即客户端每收到一条数据，立刻发送到服务端。如果将该属性设置为false，当客户端提交Put请求时，将该请求在客户端缓存，直到数据达到某个阈值的容量时（该容量由参数hbase.client.write.buffer决定）或执行hbase.flushcommits（）时，才向RegionServer提交请求。这种方式避免了每次跟服务端交互，采用批量提交的方式，所以更高效。

但是，如果还没有达到该缓存阈值而客户端崩溃，该部分数据将由于未发送到RegionServer而丢失。这对于有些零容忍的在线服务是不可接受的。

可以在代码中添加下面代码

table.setAutoFlush（false）；table.setWriteBufferSize（12*1024*1024）；

实现客户端缓存

1. 预创建Region

在HBase中创建表时，该表开始只有一个Region，并且在这个表创建后相当长的一段时间内，针对该表的所有写操作总是集中在某一台或者少数几台机器上，造成局部磁盘和网络资源紧张，同时也是对整个集群资源的浪费。为了解决这个问题，可以预先多创建几个HRegion。

${HBASE_HOME}/bin/hbase  org.apache.hadoop.hbase.util.RegionSplitter  表名称 HexStringSplit  -c 10 -f 列族名称

HexStringSplit表示划分的算法，

参数-c 10表示预创建10个Region

1. 调整ZooKeeper Session的有效时长

vim hbase-site.xml

 

zookeeper.session.timeout默认值是180秒，这意味着一旦某个RegionServer宕机，HMaster至少需要180秒才能察觉到宕机，然后开始恢复。或者客户端读写过程中，如果服务端不能提供服务，客户端直到180秒后才能觉察到。在某些场景中，这样的时长可能对生产线业务来讲不能容忍，需要调整这个值。