本文主要介绍软件层面的性能调优。故,在此之前,请检查硬件状况。硬盘推荐SSD,一般SATA即可。网络千兆以上。可以安装Ganglia等工具,检查各节点的各硬件的运作状态:CPU,Memo,网络等等。
调整参数
入门级的调优可以从调整参数开始。投入小,回报快。
1. Write Buffer Size
Java代码
-
HTablehtable=newHTable(config,tablename);
-
htable.setWriteBufferSize(6*1024*1024);
-
htable.setAutoFlush(false);
设置buffer的容量,例子中设置了6MB的buffer容量。
* 必须禁止auto flush。
* 6MB是经验值,可以上下微调以适应不同的写场景。
HBase Client会在数据累积到设置的阈值后才提交Region Server。这样做的好处在于可以减少RPC连接次数。
2. RPC Handler
修改hbase-site.xml的hbase.regionserver.handler.count配置项:
Xml代码
-
<property>
-
<name>hbase.regionserver.handler.count</name>
-
<value>100</value>
-
</property>
该配置定义了每个Region Server上的RPC Handler的数量。Region Server通过RPC Handler接收外部请求并加以处理。所以提升RPC Handler的数量可以一定程度上提高HBase接收请求的能力。当然,handler数量也不是越大越好,这要取决于节点的硬件情况。
3. Compression
Java代码
-
HColumnDescriptorhcd=newHColumnDescriptor(familyName);
-
hcd.setCompressionType(Algorithm.SNAPPY);
数据量大,边压边写也会提升性能的,毕竟IO是大数据的最严重的瓶颈,哪怕使用了SSD也是一样。众多的压缩方式中,推荐使用SNAPPY。从压缩率和压缩速度来看,性价比最高。
4. WAL
Java代码
-
Putput=newPut(rowKey);
-
put.setWriteToWAL(false);
其实不推荐关闭WAL,不过关了的确可以提升性能...因为HBase在写数据前会先把操作持久化在WAL中,以保证在异常情况下,HBase可以按照WAL的记录来恢复还未持久化的数据。
5. Replication
虽然推荐replica=3,不过当数据量很夸张的时候,一般会把replica降低到2。当然也不推荐随便降低replica。
6. Compaction
在插数据时,打开HMaster的web界面,查看每个region server的request数量。确保大部分时间,写请求在region server层面大致平均分布。在此前提下,我们再考虑compaction的问题。继续观察request数量,你会发现在某个时间段,若干region server接收的请求数为0(当然这也可能是client根本没有向这个region server写数据,所以之前说,要确保请求在各region server大致平均分布)。这很有可能是region
server在做compaction导致。compaction的过程会block写。 优化的思路有两种,一是提高compaction的效率,二是减少compaction发生的频率。
提高以下两个属性的值,以增加执行compaction的线程数:
hbase.regionserver.thread.compaction.large
hbase.regionserver.thread.compaction.small
推荐设置为2。
优化Client设计
以上都是些常见的参数调整。但是写性能差一般是源于Client端的糟糕设计。
1. 避免region split
不得不说,region split是提升写性能的一大障碍。减少region split次数可以从两方面入手。首先是预分配region。
预分配region
不在此重复region split的原理,请参见http://blog.sina.com.cn/s/blog_9cee0fd901018vu2.html。按数据量,row key的规则预先设计并分配好regioin,可以大幅降低region split的次数。这点非常重要。
适当提升hbase.hregion.max.filesize
提升region的file容量也可以减少split的次数。具体的值需要按照你的数据量,region数量,row key分布等情况具体考量。一般来说,3~4G是不错的选择。
2. 均匀分布每个Region Server的写压力
之前也提到了RPC Handler的概念。好的Data Loader需要保证每个RPC Handlder都有活干,每个handler忙,但不至超载。注意region的压力不能过大,否则会导致反复重试,并伴有超时异常(可以提高超时的时间设置)。
如何保证每个Region Server的压力均衡呢?这和region 数量,startKey设计, client数据插入顺序有关。
一般来说,简单的数据插入程序应该是多线程实现。让每个线程负责一部分的row key范围,而row key范围又和region相关,所以可以在数据插入时,程序控制每个region的压力,不至于有些region闲着没事干。
那么,如何设计row key呢?举个比较实际的例子,如果有张HBase表来记录每天某城市的通话记录,常规思路下的row key是由电话号码 + yyyyMMddHHmmSS + ... 组成。按电话号码的规律来划分region。但是这样很容易导致数据插入不均匀(因为电话通话呈随机性)。但是,如果把电话号码倒序,数据在region层面的分布情况就大有改观。
3. 分布式的数据插入程序
HBase客户端在单节点上运行,即使使用多线程,也受限于单节点的硬件资源,写入速度不可能很快。典型的思路是将客户端部署在多个节点上运行,提高写的并发度。MapReduce是个很好的选择。使用MapReduce把写入程序分布到集群的各个节点上,并在每个mapper中运行多线程的插入程序。这样可以很好的提高写并发度。
注意,不要使用reducer。mapper到reducer需要走网络,受限于集群带宽。其次,实际的应用场景一般是用户从关系型数据库中导出了文本类型的数据,然后希望能把导出的数据写到HBase里。在这种情况下,需要小心谨慎地设计和实现file split逻辑。
4. HBase Client太慢?BulkLoad!
请拿出HBase的API读读,HFileOutputFomart里有个叫configureIncrementalLoad的方法。API是这么介绍的:
Configure a MapReduce Job to perform an incremental load into the given table. This
Inspects the table to configure a total order partitioner
Uploads the partitions file to the cluster and adds it to the DistributedCache
Sets the number of reduce tasks to match the current number of regions
Sets the output key/value class to match HFileOutputFormat's requirements
Sets the reducer up to perform the appropriate sorting (either KeyValueSortReducer or PutSortReducer)
The user should be sure to set the map output value class to either KeyValue or Put before running this function.
这是HBase提供的一种基于MapReduce的数据导入方案,完美地绕过了HBase Client(上一节的分布式插入方法也是用mapreduce实现的,不过本质上还是用hbase client来写数据)
网上有不少文章叙述了使用命令行方式运行BulkLoad,
比如
但是,不得不说,实际生产环境上很难使用这种方式。毕竟源数据不可能直接用来写HBase。在数据迁移的过程中会涉及到数据清洗、整理归并等许多额外的工作。这显然不是命令行可以做到的事情。按照API的描述, 可行的方案是自定义一个Mapper在mapper中清洗数据,Mapper的输出value为HBase的Put类型,Reducer选用PutSortReducer。然后使用HFileOutputFormat#configureIncrementalLoad(Job,
HTable);解决剩余工作。
不过,这种实现也存在局限性。毕竟Mapper到Reducer比较吃网络。
至此,本文介绍了三种HBase数据写入的方法(1种多线程,2种mapreduce),并介绍了性能调优的方法。希望能对大家有所帮助。本文提供的所有数据导入方法,作者均亲手实现并使用TB级数据测试。限于篇幅,在此只提供实现思路。
如果有大家有更好的方法,不妨留言讨论,共同进步。
【原文链接: http://joshuasabrina.iteye.com/blog/1798239】
分享到:
相关推荐
然而,随着数据量和访问量的增加,如何对HBase的写性能进行优化成为一个重要的议题。本文旨在提供一系列优化策略,以提高HBase的写入效率和数据写入的稳定性。 首先,要理解HBase写入数据的基本流程:数据首先顺序...
### HBase性能深度分析 HBase,作为BigTable的一个开源实现,因其卓越的分布式数据库特性在大数据处理领域占据了重要地位。然而,随着HBase在各行业的广泛应用,用户对其性能表现的关注日益增强,尤其是实时数据...
本文将深入探讨HBase性能优化的各种策略,旨在帮助你提升数据操作的效率。 一、硬件优化 1. **磁盘选择**:HBase对I/O性能要求较高,因此推荐使用SSD硬盘,以减少读写延迟。 2. **内存配置**:合理分配HBase的堆...
在IT行业中,尤其是在大数据处理领域,HBase是一个广泛使用的分布式、高性能、列式存储的NoSQL数据库。HBase是建立在Hadoop文件系统(HDFS)之上,为处理大规模数据提供了一个高效的数据存储解决方案。而Spring Data...
1. **硬件优化**:增加内存、使用SSD硬盘、提高网络带宽,这些都可以显著提升HBase的性能。 2. **表设计**:合理设计RowKey,避免热点问题;预分区表以减少Region分裂;使用合适的数据类型和列族策略。 3. **HBase...
综合来看,HBase性能优化是一个涉及多个层面的复杂过程。它需要开发者对HBase架构和其运行机制有深刻的理解,同时也需要对具体业务场景有充分的认识,才能进行合理的设计和有效的优化。本知识点内容对初学者而言是一...
HBase的读写操作最终都会映射到HDFS的读写操作上,因此优化HDFS的读写性能对于提升HBase整体性能也是至关重要。这可以通过调整HDFS的数据块大小、增加副本数或者改善HDFS的数据分布来实现。 综上所述,HBase的读...
HBase作为一款开源的NoSQL数据库,常用于处理大规模非结构化...正确的前期规划设计,合理的参数配置以及准确的问题定位都是提升HBase性能不可或缺的部分。通过不断地测试和调整,可以确保HBase在实际运行中的高效稳定。
以上四个方面的优化是HBase服务器端提升读性能的关键步骤。通过持续监控、调整配置和优化数据分布,可以显著提高HBase集群的读性能,减少延迟,并保证系统的稳定运行。在实际应用中,还应注意定期评估优化效果,以便...
技术篇中详细介绍了HBase的读性能优化策略,包括AssignmentManagerV2、高可用读RegionReplica等,这些是HBase2.0版本中的新功能,旨在提升系统性能和稳定性。另外,HBaseCoprocessor的实现与应用也是重要的知识点,...
### Hadoop HBase性能报告分析 #### 引言与研究目标 本项目旨在评估Hadoop与HBase在实际集群环境中的性能表现。具体目标包括: 1. 在节点组成的集群上安装并配置Hadoop与HBase。 2. 研究Hadoop与HBase API,并...
使用YCSB测试HBase性能时,你需要进行以下步骤: 1. **安装与配置**:首先确保你已经安装了HBase和Hadoop,并正确配置了环境。YCSB也需要安装,并且要下载对应HBase版本的绑定包。 2. **准备数据**:YCSB提供了...
首先,针对IO性能的优化是提升HBase性能的关键。在使用机械硬盘(HDD)时,由于其IO能力相对较弱,容易成为性能瓶颈。为此,HBase引入了限流策略来避免IO被打爆。例如,HBASE-8329引入的压力感知压缩控制器...
4. **Compaction**:定期进行Compaction减少文件数量,提升读写性能。 5. **BlockCache**:配置BlockCache大小,缓存最近访问的数据,提高读取速度。 ### 总结 HBase是大数据处理领域的重要工具,尤其适合实时查询...
因此,通过SpringBoot构建HBase的可视化界面,就成为了提升工作效率、简化操作流程的有效手段。 一、HBase简介 HBase是基于Google的Bigtable设计思想,由Apache基金会开发的开源NoSQL数据库。它运行在Hadoop之上,...
11. **优化策略**:包括合理设置Region大小、预分区表、选择合适的Column Family、启用BlockCache等,以提升HBase的性能。 12. **安全配置**:在生产环境中,可能需要配置HBase与Kerberos进行集成,以实现身份验证...
在HBase性能优化的过程中,表设计和RowKey的设计是至关重要的。预分区是表设计的一个重要环节,目的是避免因表的自动split导致的资源消耗和性能影响。预分区可以根据业务需求预先设定rowkey的范围,比如在例子中,...
这个版本的HBase客户端已经对HBase 2.2.4进行了优化,确保了与服务端的兼容性和性能。 其次,hadoop-common-3.1.3.jar和hadoop-mapreduce-client-core-3.1.3.jar是Apache Hadoop的基础组件和MapReduce模块。Hadoop ...