优化hbase的查询提升读写速率优化案例及性能提升的几种方法

在初期，我们采用的逻辑是：将A表中的数据读取一行，根据其中的某个字段去组织一个GET，然后立刻提交，从B表取得要查询的字段的值，组织成一个PUT，并提交到A表。那么这么做的话，
1.完全发挥不出hbase的效率的原因是什么？
--------------------------------
2.使用bloomfilter和mapfile_index_interval如何提升性能？
3.如何设置hbase的内存？
4.如何增大RPC的数量？
扩展：

5.为什么HBase是基于列模式的存储？





1.优化案例


环境：suse  8G内存，8核，12T磁盘
          hbase master 占一台，其他7台作为hbase的region server
注意：此处不讨论hadoop

情景：
          我们有7亿的数据，需要做查询操作，需要从1.7亿的表中查找一个字段，并写入到7亿数据的表中。
          这里为了描述方便，将7亿数据的表称为：A表，1.7亿数据的表称为B表。

          在初期，我们采用的逻辑是：将A表中的数据读取一行，根据其中的某个字段去组织一个GET，然后
          立刻提交，从B表取得要查询的字段的值，组织成一个PUT，并提交到A表。
          那么这么做的话，完全发挥不出hbase的效率，因为每个get之间它的key不一定连续，或者说是在同一范围
          而hbase的服务端会根据每个请求去加载数据到内存，由于请求的块分散，那么数据在内存中的替换过多的频繁。
          很有可能和直接读取磁盘数据差不多。
          并且采用这种逻辑去处理数据，需要花费时间太多。差不多是10W行读写数据需要40分钟。这对于A表的更新操作
          完全是不能接受的。

          之后，通过读数据的读取操作进行封装，组织成一个ArrayList<Get> 当到一定程度的时候采取提交。这里还有一个情况就是
          有些数据查询不到，那么需要去连接数据库去申请一个自动分配的值，并立刻提交，因为后面可能有请求这个数据。
          这就需要分开处理。
          在组织GET 列表的时候需要先查询，注意，不要采用table.get去取一个cell的值并判断是否为null来处理。
          而是用table.exist(get) 去查询，这是在server-side跑的，效率要高很多。
          对于查询不到的值立刻申请值并写入A表。
          对于查询的到的，那么就可前面说的组织get 加入到GET列表中，到一定程度再去一次提交，在取到值之后，
          在根据将循环数据的记录，将这些组织成put，数量和GET列表一样，不要去具体指定，在循环一次后直接table.put

          其他参数修改方面，写的都很多，这里就不提了。

处理速度（取至其中一台服务器中跑的任务）：
2011-12-30 17:10:03 Start Write Lines:1700000
2011-12-30 17:14:10 Writed Lines:1700000
2011-12-30 17:14:11 Start Write Lines:1800000
2011-12-30 17:18:21 Writed Lines:1800000
2011-12-30 17:18:22 Start Write Lines:1900000
2011-12-30 17:22:29 Writed Lines:1900000
2011-12-30 17:22:29 Start Write Lines:2000000
2011-12-30 17:26:37 Writed Lines:2000000
2011-12-30 17:26:37 Start Write Lines:2100000

大约是查询，写入速度是4分钟处理10W行数据。

也就是4000/s的速率，较之前的处理方式提升了一个量级





性能提升方法

1、使用bloomfilter和mapfile_index_interval

Bloomfilter(开启/未开启=1/0)	mapfile_index_interval	Exists(0-10000)/ms	Get(10001 - 20000)/ms
0	128	22460	23715
0	0	11897	11416
0	64	13692	14034
1	128	3275	3686
1	64	2961	3010
1	0	3339	3498

测试环境为:单机,规模为10万条数据。随机在10000条数据中有99条存在的情况下。

结论：开启bloomfilter比没开启要快3、4倍。而适当的减少mapfile_index_interval可以提升性能

注意：在1.9.3版本的hbase中，bloomfilter是不支持的，存在一个bug，可以通过如下的修改加以改正：
    (1)、在方法org.apache.hadoop.hbase.regionserver.HStore.createReaders()中，找到如下行
    BloomFilterMapFile.Reader reader = file.getReader(fs, false, false);
    将其改成
    BloomFilterMapFile.Reader reader = file.getReader(fs, this.family.isBloomfilter(), false);
    (2)、在方法org.apache.hadoop.hbase.HColumnDescriptor.toString()中，找到如下的代码行
      if (key != null && key.toUpperCase().equals(BLOOMFILTER)) {
        // Don't emit bloomfilter.  Its not working.
        continue;
      }
    将其注释掉

2、hbase对于内存有特别的嗜好，在硬件允许的情况下配足够多的内存给它。
    通过修改hbase-env.sh中的
    export HBASE_HEAPSIZE=3000 #这里默认为1000m

3、修改java虚拟机属性
    (1)、在环境允许的情况下换64位的虚拟机
    (2)、替换掉默认的垃圾回收器，因为默认的垃圾回收器在多线程环境下会有更多的wait等待
    export HBASE_OPTS="-server -XX:NewSize=6m -XX:MaxNewSize=6m -XX:+UseConcMarkSweepGC -XX:+CMSIncrementalMode"

4、增大RPC数量
    通过修改hbase-site.xml中的   
    hbase.regionserver.handler.count属性，可以适当的放大。默认值为10有点小

5、做程序开发是注意的地方
    (1)、需要判断所求的数据行是否存在时，尽量不要用HTable.exists(final byte [] row) 而用HTable.exists(final byte [] row, final byte[] column)等带列族的方法替代。
    (2)、不要使用HTable.get(final byte [] row, final byte [] column) == null来判断所求的数据存在，而是用HTable.exists(final byte [] row, final byte[] column)替代
    (3)、HTable.close()方法少用.因为我遇到过一些很令人费解的错误

6、记住HBase是基于列模式的存储，如果一个列族能搞定就不要把它分开成两个，关系数据库的那套在这里很不实用.分成多个列来存储会浪费更多的空间，除非你认为现在的硬盘和白菜一个价。

7、如果数据量没有达到TB级别或者没有上亿条记录，很难发挥HBase的优势，建议换关系数据库或别的存储技术。

推荐资源：HBase性能深度分析和性能调优

第一个案例原因：
因为每个get之间它的key不一定连续，或者说是在同一范围而hbase的服务端会根据每个请求去加载数据到内存，由于请求的块分散，那么数据在内存中的替换过多的频繁。


解决方案：
在组织GET 列表的时候需要先查询，注意，不要采用table.get去取一个cell的值并判断是否为null来处理。
而是用table.exist(get) 去查询，这是在server-side跑的，效率要高很多。
对于查询不到的值立刻申请值并写入A表。
对于查询的到的，那么就可前面说的组织get 加入到GET列表中，到一定程度再去一次提交，在取到值之后，
在根据将循环数据的记录，将这些组织成put，数量和GET列表一样，不要去具体指定，在循环一次后直接table.put

上文提到了Bloom Filter，这里补充一下：
Bloom Filter原理及在Hbase上的应用

首先最重要的是要搞清楚Bloom Filter是做什么的，看了几篇文章的表述，其实最根本的就是：

判断一个元素是否属于这个集合。

如果这个集合中的元素足够多，那么通过传统方法进行如上判断耗时会很多，Bloom Filter就是一种利用很少的空间换取时间的非常实用的方法。但是要说明的是：Bloom Filter的这种高效是有一定代价的，在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（false positive）。因此，Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter通过极少的错误换取了存储空间的极大节省。

下面描述下Bloom Filter的原理：

Bloom Filter是m位的数组，且这m个数组的每一位都是零。

Step 1 映射：假如我们有A={x1,x2,x3….xn} n个元素，那么我们需要k个相互独立的哈希函数，将其中每个元素进行k次哈希，他们分别将这个元素映射到m位的数组中，而其映射的位置就置为1，如果有重复的元素映射到这个数组的同一个元素，那么这个元素只会记录一次1，后续的映射将不会改变的这个元素的值。如图：

Step 2 判断：在判断B={y1,y2} 这两个元素是否属于A集合时，我们就将这两个元素分别进行上步映射中的k个哈希函数的哈希，如果结果全为1，那么就判断属于A集合，否则判断其不属于A集合。如下图 y2属于，y1则不属于。

pig2 真是大牛啊

谢谢分享

这个写的真不错