hbase调优

  • 一、phoenix调优
  • 1.建立索引超时,查询超时
  • 2.预分区
  • hbase shell预分区
  • phoenix预分区
  • 3.在创建表的时候指定salting。
  • 4.二级索引 建立行键与列值的映射关系
  • 二、hbase调优-rowkey的设计
  • 1.rowkey唯一原则
  • 2.rowkey长度原则
  • 3.rowkey散列原则
  • 4.热点问题
  • 5.常见的避免热点的方法:
  • 5.1 加盐
  • 5.2 哈希
  • 5.3 反转
  • 5.4 时间戳"反转"
  • 6.其他一些建议


一、phoenix调优

1.建立索引超时,查询超时

修改配置文件,hbase-site.xml

两个位置
/usr/local/soft/phoenix-4.15.0/bin
/usr/local/soft/hbase-1.4.6/conf/ 所有节点

增加配置

<property>
    <name>hbase.rpc.timeout</name>
    <value>60000000</value>
</property>
<property>
    <name>hbase.client.scanner.timeout.period</name>
    <value>60000000</value>
</property>
<property>
    <name>phoenix.query.timeoutMs</name>
    <value>60000000</value>
</property>

需要重启hbase

2.预分区

默认情况下,在创建HBase表的时候会自动创建一个region分区,当导入数据的时候,所有的HBase客户端都向这一个region写数据,直到这个region足够大了才进行切分。 一种可以加快批量写入速度的方法是通过预先创建一些空的regions,这样当数据写入 HBase时,会按照region分区情况,在集群内做数据的负载均衡。

如果知道hbase数据表key的分布情况,就可以在建表时就进行region的预分区,这样做的好处就是防止大量数据插入时产生的热点问题,提高数据插入的效率。

**base shell中建分区表,指定分区文件 **
可以通过指定SPLITS_FILE的值指定分区文件,如果分区信息比较少,也可以直接用SPLITS分区。我们可以通过如下命令建一个分区表,指定第一步中生成的分区文件:
create ‘table’, ‘cf’, {SPLITS_FILE => ‘指定分区文件的路径’}

hbase shell预分区

1优化 hbase hbase调优_big data


1优化 hbase hbase调优_big data_02

phoenix预分区

CREATE TABLE IF NOT EXISTS STUDENT2 (
 id VARCHAR NOT NULL PRIMARY KEY,
 name VARCHAR,
 age BIGINT,
 gender VARCHAR ,
 clazz VARCHAR
 )split on(‘15001006|’,‘15001007|’,‘15001008|’) ;

| :|的ACSII码比所有字母都大,表示所有比15001006小的都在前面

3.在创建表的时候指定salting。

会在rowkey前面加上一个随机的前缀。
优点:不需要知道rowkey的分步情况
缺点:不能再hbase中对数据进行查询和修改

CREATE TABLE IF NOT EXISTS STUDENT3 (
 id VARCHAR NOT NULL PRIMARY KEY,
 name VARCHAR,
 age BIGINT,
 gender VARCHAR ,
 clazz VARCHAR
 )salt_buckets=6;upsert into STUDENT3 values(‘1500100004’,‘葛德曜’,24,‘男’,‘理科三班’);
 upsert into STUDENT3 values(‘1500100005’,‘宣谷芹’,24,‘男’,‘理科六班’);
 upsert into STUDENT3 values(‘1500100006’,‘羿彦昌’,24,‘女’,‘理科三班’);

1优化 hbase hbase调优_big data_03


1优化 hbase hbase调优_1优化 hbase_04

4.二级索引 建立行键与列值的映射关系

全局索引:读多写少, 会单独建立索引表
本地索引:读少写多, 索引数据和原数据保存在同一台机器上

二、hbase调优-rowkey的设计

HBase是三维有序存储的,通过rowkey(行键),column key(column family和qualifier)和TimeStamp(时间戳)这个三个维度可以对HBase中的数据进行快速定位。

HBase中rowkey可以唯一标识一行记录,在HBase查询的时候,有三种方式:

  1. 通过get方式,指定rowkey获取唯一一条记录
  2. 通过scan方式,设置startRow和stopRow参数进行范围匹配.
  3. 全表扫描,即直接扫描整张表中所有行记录

1.rowkey唯一原则

必须在设计上保证其唯一性,不能重复。rowkey是按照字典顺序排序存储的,因此,设计rowkey的时候,要充分利用这个排序的特点,将经常读取的数据存储到一块,将最近可能会被访问的数据放到一块。

2.rowkey长度原则

rowkey是一个二进制码流,可以是任意字符串,最大长度 64kb ,实际应用中一般为10-100bytes,以 byte[] 形式保存,一般设计成定长。

建议越短越好,不要超过100个字节,原因如下:
数据的持久化文件HFile中是按照KeyValue存储的,如果rowkey过长,比如超过100字节,1000w行数据,光rowkey就要占用100*1000w=10亿个字节,将近1G数据,这样会极大影响HFile的存储效率;
MemStore将缓存部分数据到内存,如果rowkey字段过长,内存的有效利用率就会降低,系统不能缓存更多的数据,这样会降低检索效率。

3.rowkey散列原则

如果rowkey按照时间戳的方式递增,不要将时间放在二进制码的前面,建议将rowkey的高位作为散列字段,由程序随机生成,低位放时间字段,这样将提高数据均衡分布在每个RegionServer,以实现负载均衡的几率。如果没有散列字段,首字段直接是时间信息,所有的数据都会集中在一个RegionServer上,这样在数据检索的时候负载会集中在个别的RegionServer上,造成热点问题,会降低查询效率。

4.热点问题

HBase中的行是按照rowkey的字典顺序排序的,这种设计优化了scan操作,可以将相关的行以及会被一起读取的行存取在临近位置,便于scan。然而糟糕的rowkey设计是热点的源头。 热点发生在大量的client直接访问集群的一个或极少数个节点(访问可能是读,写或者其他操作)。大量访问会使热点region所在的单个机器超出自身承受能力,引起性能下降甚至region不可用,这也会影响同一个RegionServer上的其他region,由于主机无法服务其他region的请求。 设计良好的数据访问模式以使集群被充分,均衡的利用。

为了避免写热点,设计rowkey使得不同行在同一个region,但是在更多数据情况下,数据应该被写入集群的多个region,而不是一个。

5.常见的避免热点的方法:

5.1 加盐

这里所说的加盐不是密码学中的加盐,而是在rowkey的前面增加随机,具体就是给rowkey分配一个随机前缀以使得它和之前的rowkey的开头不同。分配的前缀种类数量应该和你想使用数据分散到不同的region的数量一致。加盐之后的rowkey就会根据随机生成的前缀分散到各个region上,以避免热点。

5.2 哈希

哈希会使同一行永远用一个前缀加盐。哈希也可以使负载分散到整个集群,但是读却是可以预测的。使用确定的哈希可以让客户端重构完整的rowkey,可以使用get操作准确获取某一个行数据。

对rowkey计算hash值,拼接到rowkey前面,过程是可以预测的,当一个值的rowkey过多时,也会造成热点问题。与加盐可以互补使用,加盐是随机的,hasn是固定的。

5.3 反转

第三种防止热点的方法时反转固定长度或者数字格式的rowkey。这样可以使得rowkey中经常改变的部分(最没有意义的部分)放在前面。这样可以有效的随机rowkey,但是牺牲了rowkey的有序性。可以预测的。

反转rowkey的例子以手机号为rowkey,可以将手机号反转后的字符串作为rowkey,这样的就避免了以手机号那样比较固定开头导致热点问题

5.4 时间戳"反转"

rowkey :时间戳_user_id
rowkey是字典升序的,那么越新的数据就会被排在后面,不容易被获取到。

需求:让最新的数据排在前面
大数 — 小数
大数:9999999999

1638584124_user_id ==>8361415875_user_id
 1638584135_user_id ==>8361415864_user_id
 1638584146_user_id ==>8361415853_user_id

6.其他一些建议

尽量减少rowkey和列的大小,当具体的值在系统间传输时,它的rowkey,列簇、列名,时间戳也会一起传输。如果你的rowkey、列簇名、列名很大,甚至可以和具体的值相比较,那么将会造成大量的冗余,不利于数据的储存与传输

列族尽可能越短越好,最好是一个字符

列名也尽可能越短越好,冗长的列名虽然可读性好,但是更短的列名存储在HBase中会更好