hbase常用配置参数优化整理

Posted 2021-04-19 IT技术航母

hbase缓存相关参数：

1、hbase.regionserver.handler.count 

RegionServers处理远程请求的线程数，如果注重TPS，可以调大，默认10

        note1：值设得越大，意味着内存开销变大，hbase.client.write.buffer * hbase.regionserver.handler.count，hbase.client.write.buffer默认大小为2M

        note2:  对于提高write的速度，如果瓶颈在做flush、compact、split的速度，磁盘io跟不上，提高线程数，意义不大。

2、hfile.block.cache.size

        默认0.25，hfile/StoreFile的最大读缓存空间，所占堆空间比例。

        note1:参数设定根据应用场景，如果读比写多，建议调大，读写平衡，建议设成0.3,如果读少于写，建议调小

        note2:block.cache.size memstore limits 这些内存加起来不要超过60%。因为剩余的内存还要用来做其他事情。否则容易OOM。

3、hbase.regionserver.global.memstore.upperLimit

    默认0.4，memstores所占最大堆空间比例，如果达到上限，阻塞更新，强制flush数据

4、hbase.regionserver.global.memstore.lowerLimit

    默认0.35，menstores达到上限，做flush，直到memstores降到该值，停止flush。

5、hbase.hstore.blockingStoreFiles

    默认7，如果一个hstore里面storefile超过这个数字（每次memstore做flush时会生成一个hstore），会阻塞相应hregion的更新，知道一个compact压缩过程结束，或者阻塞时间超过hbase.hstore.blockingWaitTime（默认90s）

    note1：hbase.hstore.compactionThreshold，默认3，如果一个hstore里面的storefile数量超过这个数字，一个压缩任务会启动，将所有的storefile合并成一个。如果数量较多，那么会推迟合并过程，但是再执行时，将会消耗更多时间。

    note2：对于持续写的系统，这个参数的设置，是为了compact与flush的速度平衡，如果compact的速度远小于flush的速度，有可能造成 文件io过多，造成too many openfile异常，以及给namenode带来更大的压力。

6、hbase.hregion.memstore.flush.size、hbase.hregion.memstore.block.multiplier

   默认134217728、2

   第一个参数：如果一个memstore大小超过flushsize，则启动flush。后台会有一个线程在周期hbase.server.thread.wakefrequency内，定时检查

   第二个参数：如果一个memstore大小超过 该值*flushsize，则阻塞更新。该参数可以平衡，写入速度、flush速度、compact速度、split速度

7、hbase.regionserver.checksum.verify

   默认false，决定，hbase使用自己的数据校验，而不是hdfs的校验。

8、hbase.hregion.max.filesize

   默认10G，一个region下，任一列簇的hfiles的大小，超过这个值，该region将split成2个region。

   note:如果你的数据量增长的比较快，那么还是建议把这个大小调高，可以调成100G，因为越少的region你的集群越流畅，100G的阈值基本可以避免你的region增长过快，甚至你的region数目会长期不变。当然大region在compaction时也会更加缓慢。几十G的region启动和compaction都非常的慢，如果storefile较多，一个compaction可能会持续几天。

9、谈谈region数量设置、以及region split过程

   个人观点，如果可以尽早对region进行规划，可以提前预判规划好region的数量，这样可以节省split带来的消耗。

   note1：人工进行split

   设置hbase.hregion.max.filesize的值为LONG.MAX_VALUE,但是建议设成一个较大的值。预先设计region数量为10，或者更少，然后看数据发展情况。

   如果数据较少，可以讲major compact的周期调大。如果数据增长比较快，那么可以调用org.apache.hadoop.hbase.util.RegionSplitter接口，主动进行split。

hbase-site.xml 相关配置优化：

1.zookeeper.session.timeout

默认值: 3min（180000ms) 
说明： RegionServer与Zookeeper间的连接超时时间。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重新balance，让其他存活的RegionServer接管. 
调优：

这个timeout决定了RegionServer是否能够及时的failover。设置成1分钟或更低，可以减少因等待超时而被延长的failover时间。

不过需要注意的是，对于一些Online应用，RegionServer从宕机到恢复时间本身就很短的(网络闪断，crash等故障，运维可快速介入)，如果调低timeout时间，反而会得不偿失。因为当ReigonServer被正式从RS集群中移除时，HMaster就开始做balance了 (让其他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动作是毫无意义的，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。

2. 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（大容量单词PUT或设置了较大cache的scan，均属于Big PUT）或RegionServer的内存比较紧张的场景。 
较多的IO线程，适用于单词请求内存消耗低，TPS要求非常高的场景。设置该值的时候，以监控内存为主要参考。 
如果server的region数量很少，大量的请求都落在一个region上，因快速充满menstore触发flush导致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 ，可以同时监控每次请求的内存消耗和GC的状况，最后通过多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 ，作者在SSD的机器上设置IO线程数为100，仅供参考。

3.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，因为拆分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，会导致集群响应时间波动很大，region数量太多不仅给管理上带来麻烦，甚至会引发一些Hbase的bug。

一般512以下的都算小region。

大region，则不太适合经常split和compaction，因为做一次compact和split会产生较长时间的停顿，对应用的读写性能冲击非常大。此外，大region意味着较大的storefile，compaction时对内存也是一个挑战。

当然，大region也有其用武之地。如果你的应用场景中，某个时间点的访问量较低，那么在此时做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是无法避免的，split倒是可以从自动调整为手动。

只要通过将这个参数值调大到某个很难达到的值，比如100G，就可以间接禁用自动split(RegionServer不会对未到达100G的region做split)。

再配合RegionSplitter这个工具，在需要split时，手动split。

手动split在灵活性和稳定性上比起自动split要高很多，相反，管理成本增加不多，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则过大过小都不行，过大会导致flush时app的IO wait增高，过小则因store file过多影响读性能。

4.hbse.regionserver.global.memstore.upperLimit/LowerLimit

默认值： 0.4/0.35

upperlimit说明： 
hbase.hregion.memstore.flush.size 这个参数的作用是 当单个memstore达到指定值时，flush该memstore。但是，一台ReigonServer可能有成百上千个memstore，每个 memstore也许未达到flush.size，jvm的heap就不够用了。该参数就是为了限制memstores占用的总内存。

当ReigonServer内所有的memstore所占用的内存总和达到heap的40%时，HBase会强制block所有的更新并flush这些memstore以释放所有memstore占用的内存。

lowerLimit说明： 
同upperLimit，只不过当全局memstore的内存达到35%时，它不会flush所有的memstore，它会找一些内存占用较大的 memstore，做个别flush，当然更新还是会被block。lowerLimit算是一个在全局flush导致性能暴跌前的补救措施。为什么说是性能暴跌?可以想象一下，如果memstore需要在一段较长的时间内做全量flush，且这段时间内无法接受任何读写请求，对HBase集群的性能影响是很大的。

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。它的调整一般是为了配合某些专属优化，比如读密集型应用，将读缓存开大，降低该值，腾出更多内存给其他模块使用。

这个参数会给使用者带来什么影响?

比如，10G内存，100个region，每个memstore 64M，假设每个region只有一个memstore，那么当100个memstore平均占用到50%左右时，就会达到lowerLimit的限制。假设此时，其他memstore同样有很多的写请求进来。在那些大的region未flush完，就可能又超过了upperlimit，则所有 region都会被block，开始触发全局flush。

不过，除了你的内存非常小或你的应用场景里大多数都是读，我觉得不需要去调这个参数。

5.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：

当然是越大越好，如果读比写多，开到0.4-0.5也没问题。如果读写较均衡，0.3左右。如果写比读多，果断默认吧。设置这个值的时候，你同时要参考 hbase.regionserver.global.memstore.upperLimit（没错，就是上面第4个） ，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。如果两值加起来超过80-90%，会有OOM的风险，谨慎设置。

6.hbase.hstore.blockingStoreFiles

默认值： 7

说明： 在compaction时，如果一个Store(Coulmn Family)内有超过7个storefile需要合并，则block所有的写请求，进行flush，限制storefile数量增长过快。

调优：

block写请求会影响当前region的性能，将值设为单个region可以支撑的最大store file数量会是个不错的选择，即允许comapction时，memstore继续生成storefile。最大storefile数量可通过 region size/memstore size来计算。如果你将region size设为无限大，那么你需要预估一个region可能产生的最大storefile数。

7.hbase.hregion.memstore.block.multiplier

默认值： 2

说明： 当一个region里的memstore超过单个memstore.size两倍的大小时，block该region的所有请求，进行 flush，释放内存。虽然我们设置了memstore的总大小，比如64M，但想象一下，在最后63.9M的时候，我Put了一个100M的数据，此时 memstore的大小会瞬间暴涨到超过预期的memstore.size。这个参数的作用是当memstore的大小增至超过 memstore.size时，block所有请求，遏制风险进一步扩大。

调优：

这个参数的默认值还是比较靠谱的。如果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，那么保持默认值即可。如果正常情况下，你的写请求量就会经常暴长到正常的几倍，那么你应该调大这个倍数并调整其他参数值，比如hfile.block.cache.size和 hbase.regionserver.global.memstore.upperLimit/lowerLimit，以预留更多内存，防止HBase server OOM。

8.Hbase 客户端优化

• AutoFlush 将HTable的setAutoFlush设为false，可以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)。默认是1，一次只取1条。

• Scan Attribute Selection : scan时建议指定需要的Column Family，减少通信量，否则scan操作默认会返回整个row的所有数据(所有Coulmn Family)。

• Close ResultScanners ： 通过scan取完数据后，记得要关闭ResultScanner，否则RegionServer可能会出现问题(对应的Server资源无法释放)。

• Optimal Loading of Row Keys : 当你scan一张表的时候，返回结果只需要row key(不需要CF, qualifier,values,timestaps)时，你可以在scan实例中添加一个filterList，并设置 MUST_PASS_ALL操作，filterList中add FirstKeyOnlyFilter或KeyOnlyFilter。这样可以减少网络通信量。

• Turn off WAL on Puts　:　当Put某些非重要数据时，你可以设置writeToWAL(false)，来进一步提高写性能。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，且无法恢复。

• 启用Bloom Filter ： Bloom Filter 通过空间换时间，提高读操作性能。