感谢点赞和关注，每天进步一点点！加油！

版权声明：本文为CSDN博主「开着拖拉机回家」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

Hbase性能调优（二）_开着拖拉机回家的博客-CSDN博客

Hbase性能调优（一）_开着拖拉机回家的博客-CSDN博客

一、通用优化

二、Linux优化

三、HBase优化

1、修改zookeeper配置: zookeeper.session.timeout

2、修改HBase配置：hbase.regionserver.handler.count

3、修改HBase配置: hbase.hregion.max.filesize

4、修改HBase配置: hbase.regionserver.global.memstore.upperLimit

5、修改HBase配置: hfile.block.cache.size

6、修改HBase配置: hbase.hstore.blockingStoreFiles

7、修改HBase配置: hbase.hregion.memstore.block.multiplier

8、修改HBase配置: hbase.hregion.memstore.mslab.enabled

9、优化DataNode允许的最大文件打开数

10、优化延迟高的数据操作的等待时间

11、优化数据的写入效率(map输出是否压缩)

12、优化DataNode存储

13、优化hbase客户端缓存

一、通用优化

1、NameNode的元数据备份使用SSD、定时备份 NameNode 上的元数据，每小时或者每天备份，如果数据极其重要，可以5~10分钟备份一次。备份可以通过定时任务复制元数据目录即可。

2、为NameNode指定多个元数据目录，使用dfs.name.dir或者dfs.namenode.name.dir指定。一个指定本地磁盘，一个指定网络磁盘。这样可以提供元数据的冗余和健壮性，以免发生故障。

3、设置dfs.namenode.name.dir.restore为true，允许尝试恢复之前失败的dfs.namenode.name.dir目录，在创建checkpoint时做此尝试，如果设置了多个磁盘，建议允许。

5、NameNode节点必须配置为RAID1（镜像盘）结构。

6、保持NameNode日志目录有足够的空间，这些日志有助于帮助你发现问题。

7、因为Hadoop是IO密集型框架，所以尽量提升存储的速度和吞吐量（类似位宽）。

二、Linux优化

1、开启文件系统的预读缓存可以提高读取速度

sudo blockdev --setra 32768 /dev/sda
（尖叫提示：ra是readahead的缩写）

2、关闭进程睡眠池

# 临时关闭
sudo sysctl -w vm.swappiness=0# 永久关闭
cat /etc/sysctl.conf  
vm.swappiness = 0

查看是否生效

3、调整ulimit上限，默认值为比较小的数字

ulimit -n 查看允许最大进程数
ulimit -u 查看允许打开最大文件数修改：
sudo vi /etc/security/limits.conf 修改打开文件数限制
末尾添加：
*                soft    nofile          1024000
*                hard    nofile          1024000
Hive             -       nofile          1024000
hive             -       nproc           1024000sudo vi /etc/security/limits.d/20-nproc.conf 修改用户打开进程数限制
修改为：
#*          soft    nproc     4096
#root       soft    nproc     unlimited
*          soft    nproc     40960
root       soft    nproc     unlimited

三、HBase优化

1、修改zookeeper配置: zookeeper.session.timeout

zookeeper.session.timeout=180000ms（默认值3分钟）

说明：RegionServer与Zookeeper间的连接超时时间。当超时时间到后，RegionServer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。

调优方法：

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。

但是，对于一些Online应用，RegionServer从宕机到恢复时间本身就很短的（比如：网络闪断，crash等故障），如果调低timeout时间，反而得不偿失。因为当RegionServer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、修改HBase配置：hbase.regionserver.handler.count

hbase.regionserver.handler.count=10（默认值）
说明：RegionServer的请求处理IO线程数

调优方法：

这个调优参数与内存息息相关。

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（大容量单次PUT或者设置较大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，适用于单次请求内存消耗低，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。

注意：如果RegionServer的region数量很少，大量的请求都落在一个Region上，因快速充满memstore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。

3、修改HBase配置: hbase.hregion.max.filesize

hbase.hregion.max.filesize=10G（默认值）
说明：在当前RegionServer上单个Region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.

说明: 默认值10737418240（10GB），如果需要运行HBase的MR任务，可以减小此值，因为一个region对应一个map任务，如果单个region过大，会导致map任务执行时间过长。该值的意思就是，如果HFile的大小达到这个数值，则这个region会被切分为两个Hfile。

调优方法：

小region对split和 compaction 友好，因为split或compact小region里的storefile速度很快，内存占用低。缺点是split和compact会很频繁。尤其是当小region特别多的时候会不断的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512M以下的都算为小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。当对大region做Compaction时，对内存也是一个挑战。

当然，大Region也有用武之地。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，既可以顺利完成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，如何减小这种影响？

compaction是无法避免的，split倒可以从手动变为自动。

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。平稳的读写性能。

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。

Ambari-HDP HBase 默认 StoreFile 最大为 10G.

过多的小Region 会频繁的触发minor Compaction 。

4、修改HBase配置: hbase.regionserver.global.memstore.upperLimit

hbase.regionserver.global.memstore.upperLimit/lowerLimit
默认值：0.4

upperLimit说明：hbase.hregion.memstore.flush.size这个参数的作用是单个Region内所有memstore大小总和，超过该指定值时，会flush该region的所有memstore。RegionServerd的flush是通过将请求添加一个队列，模拟生产消费模式来异步处理的。那这里就有一个问题，当队列来不及消费，产生大量积压请求时，可能会导致内存陡增，最坏的情况是触发OOM(程序申请内存过大，虚拟机无法满足我们，然后自杀)。

这个参数的作用是防止内存占用过大，当ReionServer内所有region的memstore所占用内存总和达到heap的40%时，Hbase会强制block所有的更新并flush这些region以释放所有memstore占用的内存。

lowerLimit说明：lowelimit在所有Region的memstore所占用内存达到Heap的40%时，不flush所有的memstore。它会找一个memstore内存占用最大的region，做个别flush，此时写更新还是会被block。lowerLimit算是一个在所有region强制flush导致性能降低前的补救措施。在日志中，表现为“** Flush thread woke up with memory above low water.”

调优方法：

这是一个Heap内存保护参数，默认值已经能使用大多数场景。

参数调整会影响读写，如果写的压力大导致经常超过这个阈值，则调小读缓存hfile.block.cache.size增大该阀值，或者Heap余量较多时，不修改读缓存大小。
如果在高压情况下，也没超过这个阀值，那么建议你适当调小这个阀值再做压测，确保触发次数不要太多，然后还有较多Heap余量的时候，调大hfile.block.cache.size提高读性能。
还有一种可能性是hbase.hregion.memstore.flush.size保持不变，但RS维护了过多的region，要知道 region数量直接影响占用内存的大小。

5、修改HBase配置: hfile.block.cache.size

<property><name>hfile.block.cache.size</name><value>0.4</value>
</property>

说明：stofile的读缓存占用Heap的大小百分比。该值直接影响数据读的性能。

调优方法：

当然是越大越好，如果写比读少很多，开到0.4-0.5也没问题，如果读写均衡，设置为0.3左右。如果写比读多，果断使用默认就行。设置这个值的时候，同时要参考“hbase.regionserver.global.memstore.upperLimit”,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。如果两个值加起来超过0.8-0.9时，会有OOM风险。

Hbase上RegionServer的内存分为两个部分，一部分作为Memstore，主要用来写；另外一部分作为BlockCache,主要用于读。

写请求会先写入Memstore，RegionServer会给每个Region提供一个Memstore，当Memstore满64M，会启动flush刷新到磁盘。当Memstore的总大小超过限制时（heapsize * hbase.regionserver.global.memstore.upperLimit * 0.9），会强行启动flush进程，从最大的Memstore开始flush直到低于限制。

读请求先到Memstore中查数据，查不到就到BlockCache中查，再查不到就会到磁盘上读，并把读的结果方法BlockCache。由于BlockCache采用的是LRU策略（内存管理的一种页面置换算法，对于在内存中但又不用的数据块（内存块）），因此BlockCache达到上限（heapsize * hfile.block.cache.size * 0.85）后，会启动淘汰机制，淘汰掉最老的一批数据。

一个RegionServer上有一个BlocakCache和N个Memstore，它们的大小之和不能大于等于heapsize * 0.8（heapsize可以在hbase-env.sh下查看），否则HBase不能启动。默认BlockCache为0.2，而Memstore为0.4。对于注重读响应时间的系统，可以将 BlockCache设大些，比如设置BlockCache=0.4，Memstore=0.39，以加大缓存的命中率。

6、修改HBase配置: hbase.hstore.blockingStoreFiles

hbase.hstore.blockingStoreFiles    = 10 （默认值）
hbase.hstore.blockingStoreFiles is now 10.

说明：在flush时，当一个region中的Store（Coulmn Family）内有超过10个storefile时，则block所有的写请求进行compaction，以减少storefile数量。
调优方法：block写请求会严重影响当前regionServer的响应时间，但过多的storefile也会影响读性能。从实际应用来看，为了获取较平滑的响应时间，可将值设为无限大。如果能容忍响应时间出现较大的波峰波谷，那么默认或根据自身场景调整即可。

ColumnFamily:d 合并完成

7、修改HBase配置: hbase.hregion.memstore.block.multiplier

hbase.hregion.memstore.block.multiplier   =  4 （默认值）

说明：当一个region里的memstore占用内存大小超过hbase.hregion.memstore.flush.size 四倍的大小时，写操作阻塞，进行flush 并释放内存。虽然我们设置了region所占用的memstores总内存大小，比如128M，但想象一下，在最后127.9M的时候，put了一个400M的数据，此时memstore的大小会瞬间暴涨到超过预期的hbase.hregion.memstore.flush.size的几倍。这个参数的作用的当memstore的大小增至超过hbase.hregion.memstore.flush.size 4倍时，阻塞写请求，遏制风险进一步扩大。

调优方法：

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，（但是这两个值的和最好不要超过0.8-0.9）以预留更多内存，防止HBase server OOM。

8、修改HBase配置: hbase.hregion.memstore.mslab.enabled

hbase.hregion.memstore.mslab.enabled = true (默认值)

说明：减少因内存碎片导致的Full GC,提供整体性能。

调优方法：

Arena Allocation，是一种GC优化技术，它可以有效地减少因内存碎片导致的Full GC，从而提高系统的整体性能。本文介绍Arena Allocation的原理及其在Hbase中的应用-MSLAB。

开启MSLAB：

// 开启MSALB
hbase.hregion.memstore.mslab.enabled=true // 开启MSALB// 内存分配单元 chunk的大小，越大内存连续性越好，但内存平均利用率会降低
hbase.hregion.memstore.mslab.chunksize=2m// 通过MSLAB分配的对象不能超过256K，否则直接在Heap上分
hbase.hregion.memstore.mslab.max.allocation=256K

9、优化DataNode允许的最大文件打开数

属性：dfs.datanode.max.transfer.threads

文件：hdfs-site.xml

解释：HBase一般都会同一时间操作大量的文件，根据集群的数量和规模以及数据动作，设置为4096或者更高。默认值：4096

<-- DataNode 进行文件传输时的最大线程数 -->
<property><name>dfs.datanode.max.transfer.threads</name><value>16384</value>
</property>

Ambari-web 默认值：

10、优化延迟高的数据操作的等待时间

属性：dfs.image.transfer.timeout

文件：hdfs-site.xml

解释：如果对于某一次数据操作来讲，延迟非常高，socket需要等待更长的时间，建议把该值设置为更大的值（默认60000毫秒），以确保socket不会被timeout掉。

11、优化数据的写入效率(map输出是否压缩)

属性：

mapreduce.map.output.compress
mapreduce.map.output.compress.codec

文件：mapred-site.xml

解释：开启这两个数据可以大大提高文件的写入效率，减少写入时间。第一个属性值修改为true，第二个属性值修改为：org.apache.hadoop.io.compress.GzipCodec

map输出是否进行压缩，如果压缩就会多耗cpu，但是减少传输时间，如果不压缩，就需要较多的传输带宽。配合 mapreduce.map.output.compress.codec使用，默认是 org.apache.hadoop.io.compress.DefaultCodec，可以根据需要设定数据压缩方式。

12、优化DataNode存储

属性：dfs.datanode.failed.volumes.tolerated

文件：hdfs-site.xml

解释：默认为0，意思是当DataNode中有一个磁盘出现故障，则会认为该DataNode shutdown了。如果修改为1，则一个磁盘出现故障时，数据会被复制到其他正常的DataNode上，当前的DataNode继续工作。

<-- DataNode 决定停止数据节点提供服务允许卷的出错次数，0 则表示任务卷出错都要停止数据节点 -->
<property><name>dfs.datanode.failed.volumes.tolerated</name><value>0</value><final>true</final>
</property>