2.8.13 hadoop体系之离线计算-HBase数据库-HBase的优化
目录
1.高可用HA
2.预分区
3.RowKey设计
4.内存优化
5.基础优化
涉及属性:
1.高可用HA
在 HBase 中 HMaster 负责监控 HRegionServer 的生命周期,均衡 RegionServer 的负载, 如果 HMaster 挂掉了,那么整个 HBase 集群将陷入不健康的状态,并且此时的工作状态并 不会维持太久。所以 HBase 支持对 HMaster 的高可用配置。
(1)关闭 HBase 集群(如果没有开启则跳过此步)
[atguigu@hadoop102 hbase]$ bin/stop-hbase.sh
(2)在 conf 目录下创建 backup-masters 文件
[atguigu@hadoop102 hbase]$ touch conf/backup-masters
(3)将整个 conf 目录 scp 到其他节点
[atguigu@hadoop102 hbase]$ scp -r conf/ hadoop103:/opt/module/hbase/
[atguigu@hadoop102 hbase]$ scp -r conf/ hadoop104:/opt/module/hbase/
(4)打开页面测试查看
http://hadooo102:16010
2.预分区
每一个 region 维护着 StartRow 与 EndRow,如果加入的数据符合某个 Region 维护的 RowKey 范围,则该数据交给这个 Region 维护。那么依照这个原则,我们可以将数据所要 投放的分区提前大致的规划好,以提高 HBase 性能。
预分区与数据量和机器规模(一般一个机器最大放2到3个region)有关。
(1)手动设定预分区
Hbase> create 'staff1','info','partition1',SPLITS => ['1000','2000','3000','4000']
切了四刀(4个分区键),切了5个区,如果按位比较,4、40、400都落在了3000-4000的区。我们可以在前面拼接0000.1000.2000.3000.4000可以让我们第一眼就可以分辨出落在那个区,这个方法也并不是好的方法,可能会产生数据倾斜。分区键的设计会影响到rowkey的设计
(2)生成 16 进制序列预分区(用的比较少)
create 'staff2','info','partition2',{NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}
分成了15个分区
(3)按照文件中设置的规则预分区(用的比较多)
创建 splits.txt 文件内容如下(即使顺序不对,系统内部也会帮助我们进行排序):
aa
bb
cc
dd
然后执行:
create 'staff3','partition3',SPLITS_FILE => 'splits.txt'
四个分区键,划分为了5个区
(4)使用 JavaAPI 创建预分区 (用的最多)
二维数组:比如我们传a,b,c,d。这整个是一个大的数组,但是a,b,c,d单独的又是一个数组,所以需要传一个二维字节数组。
//自定义算法,产生一系列 hash 散列值存储在二维数组中
byte[][] splitKeys = 某个散列值函数
//创建 HbaseAdmin 实例
HBaseAdmin hAdmin = new HBaseAdmin(HbaseConfiguration.create());
//创建 HTableDescriptor 实例
HTableDescriptor tableDesc = new HTableDescriptor(tableName);
//通过 HTableDescriptor 实例和散列值二维数组创建带有预分区的 Hbase 表
hAdmin.createTable(tableDesc, splitKeys);
3.RowKey设计
RowKey设计原则:唯一性、长度原则、散列性。
一条数据的唯一标识就是 RowKey(唯一性,长度原则【公司里面都是70-100位】),那么这条数据存储于哪个分区,取决于 RowKey 处 于哪个一个预分区的区间内,设计 RowKey 的主要目的 ,就是让数据均匀的分布于所有的 region 中(散列性),在一定程度上防止数据倾斜。
接下来我们就谈一谈 RowKey 常用的设计方案。
(1)生成随机数、hash、散列值
比如:
原 本 rowKey 为 1001 的 , SHA1 后 变 成 :
dd01903921ea24941c26a48f2cec24e0bb0e8cc7
原 本 rowKey 为 3001 的 , SHA1 后 变 成 :
49042c54de64a1e9bf0b33e00245660ef92dc7bd
原 本 rowKey 为 5001 的 , SHA1 后 变 成 :
7b61dec07e02c188790670af43e717f0f46e8913
在做此操作之前,一般我们会选择从数据集中抽取样本,来决定什么样的 rowKey 来 Hash
后作为每个分区的临界值。
(2)字符串反转(时间戳反转)
20170524000001 转成 10000042507102
20170524000002 转成 20000042507102
(3)字符串拼接
20170524000001_a12e
20170524000001_93i7
3.1 RowKey情景设计(电信数据统计)
需求:有一张数据表,其中包含手机号码字段。1. 查询一段时间内固定号码的所有数据 2. 查询一段时间内所有数据
131给189打电话,通话日期,通话时间,通话时长(秒)
我们拿到原始数据后,可以利用MR或者hive统计月份通话时间,通话详情等信息。
比如我们数据量很大,用hbase存储,我们希望拿到详情,我们已知分区数为300个区(大概有200多台机器),预分区和RowKey我们应该怎么设计?
思考
300个区需要299个分区键,如果按照电话号码前几位肯定是不可以的。
分区键的设计
设计成数字(000-298)+|,一共299个分区键,会划分为300个区。|的ASKI码非常大,可以起到拦截作用。
RowKey的设计(拼接上类似于分区键的东西)
设计成数字(000-298)+_
考虑散列和集中性
我们拿到通话详情数据,希望同一个手机号放在一个分区。我们需要将同一个手机号转化为RowKey中的同一个前缀。我们可以直接用手机号对299取mod,得到0-298,只要手机号相同,余数是相同的。一个分区中会有多个手机号,但是同一个手机号会进入到同一个分区。
因为一个分区中有多个手机号,我们希望集中读取数据,所以rowkey后面拼接手机号比较好,可以后面再拼接时间。
另外为了让数据按照时间进行集中,我们后面拼接上时间(越关注什么,什么拼接在前面)
如何确定数据落到哪个分区(怎么放)?
如何查询某个范围的数据(怎么取)?
我们希望查询 131232323这电话号码在2019-02这个月份的通话总记录,startRow和stopRow(左闭右开):
这个电话号码对应的rowkey:
- (1)我们首先需要拼接电话号和年月算出xxx是什么(怎么放的怎么取)
- (2)比如算出xxx是123,我们将startRow设为123_131232212_2019-02(左闭,可以取到这个值,2月份数据都比它大,不会丢数据,也不会多数据)
- (3)stopRow可以设为123_131232212_2019-03(右开,完整取到2月份数据),或者设为123_131232212_2019-02|(更好理解,起到拦截作用即可)
4.内存优化
HBase 操作过程中需要大量的内存开销,毕竟 Table 是可以缓存在内存中的,一般会分配整个可用内存的 70%给 HBase 的 Java 堆。但是不建议分配非常大的堆内存,因为 GC 过 程持续太久会导致 RegionServer 处于长期不可用状态,一般16~48G内存就可以了,如果因为框架占用内存过高导致系统内存不足,框架一样会被系统服务拖死。
5.基础优化
(1)允许在 HDFS 的文件中追加内容
hdfs-site.xml、hbase-site.xml
属性:dfs.support.append
解释:开启 HDFS 追加同步,可以优秀的配合 HBase 的数据同步和持久化。默认值为 true。
(2)优化 DataNode 允许的最大文件打开数
hdfs-site.xml
属性:dfs.datanode.max.transfer.threads
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
(3)优化延迟高的数据操作的等待时间
hdfs-site.xml
属性:dfs.image.transfer.timeout
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。
(4)优化数据的写入效率
mapred-site.xml
属性:
mapreduce.map.output.compress
mapreduce.map.output.compress.codec
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 或者其
他压缩方式。
(5)设置 RPC 监听数量
hbase-site.xml
属性:Hbase.regionserver.handler.count
解释:默认值为 30,用于指定 RPC 监听的数量,可以根据客户端的请求数进行调整,读写
请求较多时,增加此值。
(6)优化 HStore 文件大小
hbase-site.xml
属性:hbase.hregion.max.filesize
解释: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。
(7)优化 HBase 客户端缓存
hbase-site.xml
属性:hbase.client.write.buffer
解释:用于指定 Hbase 客户端缓存,增大该值可以减少 RPC 调用次数,但是会消耗更多内
存,反之则反之。一般我们需要设定一定的缓存大小,以达到减少 RPC 次数的目的。
(8)指定 scan.next 扫描 HBase所获取的行数
hbase-site.xml
属性:hbase.client.scanner.caching
解释:用于指定 scan.next 方法获取的默认行数,值越大,消耗内存越大。
(9)flush、compact、split 机制
当 MemStore 达到阈值,将 Memstore 中的数据 Flush 进 Storefile;compact 机制则是把 flush 出来的小文件合并成大的 Storefile 文件。split 则是当 Region 达到阈值,会把过大的 Region 一分为二。
涉及属性:
即:128M 就是 Memstore 的默认阈值
hbase.hregion.memstore.flush.size:134217728
即:这个参数的作用是当单个 HRegion 内所有的 Memstore 大小总和超过指定值时,flush 该 HRegion 的所有 memstore。RegionServer 的 flush 是通过将请求添加一个队列,模拟生产消费模型来异步处理的。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。
hbase.regionserver.global.memstore.upperLimit:0.4
hbase.regionserver.global.memstore.lowerLimit:0.38
即:当 MemStore 使用内存总量达到hbase.regionserver.global.memstore.upperLimit 指定值时,将会有多个 MemStores flush 到文件中,MemStore flush 顺序是按照大小降序执行的,直到刷新到 MemStore 使用内存略小于 lowerLimit。
2.8.13 hadoop体系之离线计算-HBase数据库-HBase的优化相关推荐
- 2.2.1 hadoop体系之离线计算-mapreduce分布式计算-mapreduce架构概念
目录 1.写在前面 2.为什么需要MapReduce? 3.MapReduce具体细节 3.1 Hadoop MapReduce构思: 4.block,split,map,reduce关系 5.Shu ...
- sql 占比计算_数据库索引的优化及SQL处理过程(建议收藏)
想要设计出好的索引,首先必须了解SQL语句在数据库服务器中的处理过程,本文介绍 数据库索引设计与优化 中几个对索引优化非常重要的概念. 谓词 谓词就是条件表达式. SQL语句的where子句由一个或者 ...
- 基于Hadoop的58同城离线计算平台设计与实践
作者:余意,来自:DataFun 导读:58离线计算平台基于 Hadoop 生态体系打造,单集群4000+台服务器,数百 PB 存储,日40万计算任务,面临挑战极大.58大数据平台的定位主要是服务数据 ...
- 基于 Hadoop 的58同城离线计算平台设计与实践
导读:58离线计算平台基于 Hadoop 生态体系打造,单集群4000+台服务器,数百 PB 存储,日40万计算任务,面临挑战极大.58大数据平台的定位主要是服务数据业务开发人员,提高数据开发效率,提 ...
- 流式计算strom,Strom解决的问题,实现实时计算系统要解决那些问题,离线计算是什么,流式计算什么,离线和实时计算区别,strom应用场景,Strorm架构图和编程模型(来自学习资料)
1.背景-流式计算与storm 2011年在海量数据处理领域,Hadoop是人们津津乐道的技术,Hadoop不仅可以用来存储海量数据,还以用来计算海量数据.因为其高吞吐.高可靠等特点,很多互联网公司都 ...
- OPPO大数据离线计算平台架构演进
1 前言 OPPO的大数据离线计算发展,经历了哪些阶段?在生产中遇到哪些经典的大数据问题?我们是怎么解决的,从中有哪些架构上的升级演进?未来的OPPO离线平台有哪些方向规划?今天会给大家一一揭秘. 2 ...
- Python黑马头条推荐系统第一天 架构介绍和离线计算更新Item画像
Python黑马头条推荐系统项目课程定位.目标 定位 课程是机器学习(包含推荐算法)算法原理在推荐系统的实践 深入推荐系统的业务流场景.工具使用 作为人工智能的数据挖掘(推荐系统)方向应用项目 目标 ...
- 【大数据】Hadoop 体系(一)
Hadoop 一.大数据导论 1. 数据是什么? 数据是指对客观事件进行记录并可以鉴别的符号,是对客观事物的性质.状态以及相互关系等进行记载的物理符号或这些物理符号的组合,它是可识别的.抽象的符号. ...
- 58同城离线计算平台设计与实践
分享嘉宾:余意 58同城 高级架构师 编辑整理:史士博 内容来源:58大数据系列直播 出品平台:DataFun 导读:58离线计算平台基于 Hadoop 生态体系打造,单集群4000+台服务器,数百 ...
- 58同城离线计算平台设计与实践(大数据进阶)
编者荐语: 58离线计算平台基于 Hadoop 生态体系打造,单集群4000+台服务器,数百 PB 存储,日40万计算任务,面临挑战极大.本次分享将聚焦大数据平台离线计算和大家一起系统的探讨58在离线 ...
最新文章
- 你知道Java内存是怎么管理的么?
- 向类脑芯片迈进!科学家制造出光基人工神经元网络芯片
- js array push 添加内容
- 解决网站搬家windows下解压图片文件名乱码问题的利器:Bandizip
- 洛谷P3616 富金森林公园
- 从 Word2Vec 到 BERT
- 探讨8.0版本下后台service存活机制及保活
- [签名算法]DSA 算法
- C语言 单链表查找出倒数第,查找单链表倒数第k个元素
- 文本文件与二进制文件
- Event.ADDED_TO_STAGE的本质
- Matlab高级教程_第一篇:Matlab基础知识提炼_02
- 【转】JQuery中$.each 和$(selector).each()的区别详解
- JMeter下载及使用
- 计算机右键管理快捷键,鼠标右键菜单管理
- 为什么定积分可以求面积?
- Ubuntu系统安装时grub修复操作
- 解析android系统下Dex2oat的实现
- 如何测试一支笔之我见
- tcp协议一定要有服务器吗,复习TCP协议——看这篇就够了