如何避免HBase写入过快引起的各种问题

大数据
整个写入流程从客户端调用API开始,数据会通过protobuf编码成一个请求,通过scoket实现的IPC模块被送达server的RPC队列中。最后由负责处理RPC的handler取出请求完成写入操作。

首先我们简单回顾下整个写入流程

  1. client api ==> RPC ==> server IPC ==> RPC queue ==> RPC handler ==> write WAL ==> write memstore ==> flush to filesystem 

整个写入流程从客户端调用API开始,数据会通过protobuf编码成一个请求,通过scoket实现的IPC模块被送达server的RPC队列中。***由负责处理RPC的handler取出请求完成写入操作。写入会先写WAL文件,然后再写一份到内存中,也就是memstore模块,当满足条件时,memstore才会被flush到底层文件系统,形成HFile。

[[225463]]

当写入过快时会遇见什么问题?

写入过快时,memstore的水位会马上被推高。

你可能会看到以下类似日志:

  1. RegionTooBusyException: Above memstore limit, regionName=xxxxx ... 

这个是Region的memstore占用内存大小超过正常的4倍,这时候会抛异常,写入请求会被拒绝,客户端开始重试请求。当达到128M的时候会触发flush memstore,当达到128M * 4还没法触发flush时候会抛异常来拒绝写入。两个相关参数的默认值如下:

 

  1. hbase.hregion.memstore.flush.size=128M 
  2. hbase.hregion.memstore.block.multiplier=4 

或者这样的日志:

 

  1. regionserver.MemStoreFlusher: Blocking updates on hbase.example.host.com,16020,1522286703886: the global memstore size 1.3 G is >= than blocking 1.3 G size 
  2. regionserver.MemStoreFlusher: Memstore is above high water mark and block 528ms 

这是所有region的memstore内存总和开销超过配置上限,默认是配置heap的40%,这会导致写入被阻塞。目的是等待flush的线程把内存里的数据flush下去,否则继续允许写入memestore会把内存写爆

 

  1. hbase.regionserver.global.memstore.upperLimit=0.4  # 较旧版本,新版本兼容 
  2. hbase.regionserver.global.memstore.size=0.4 # 新版本 

当写入被阻塞,队列会开始积压,如果运气不好***会导致OOM,你可能会发现JVM由于OOM crash或者看到如下类似日志:

 

  1. ipc.RpcServer: /192.168.x.x:16020 is unable to read call parameter from client 10.47.x.x 
  2. java.lang.OutOfMemoryError: Java heap space 

HBase这里我认为有个很不好的设计,捕获了OOM异常却没有终止进程。这时候进程可能已经没法正常运行下去了,你还会在日志里发现很多其它线程也抛OOM异常。比如stop可能根本stop不了,RS可能会处于一种僵死状态。

如何避免RS OOM?

一种是加快flush速度:

 

  1. hbase.hstore.blockingWaitTime = 90000 ms 
  2. hbase.hstore.flusher.count = 2 
  3. hbase.hstore.blockingStoreFiles = 10 

当达到hbase.hstore.blockingStoreFiles配置上限时,会导致flush阻塞等到compaction工作完成。阻塞时间是hbase.hstore.blockingWaitTime,可以改小这个时间。hbase.hstore.flusher.count可以根据机器型号去配置,可惜这个数量不会根据写压力去动态调整,配多了,非导入数据多场景也没用,改配置还得重启。

同样的道理,如果flush加快,意味这compaction也要跟上,不然文件会越来越多,这样scan性能会下降,开销也会增大。

 

  1. hbase.regionserver.thread.compaction.small = 1 
  2. hbase.regionserver.thread.compaction.large = 1 

增加compaction线程会增加CPU和带宽开销,可能会影响正常的请求。如果不是导入数据,一般而言是够了。好在这个配置在云HBase内是可以动态调整的,不需要重启。

上述配置都需要人工干预,如果干预不及时server可能已经OOM了,这时候有没有更好的控制方法?

  1. hbase.ipc.server.max.callqueue.size = 1024 * 1024 * 1024 # 1G 

直接限制队列堆积的大小。当堆积到一定程度后,事实上后面的请求等不到server端处理完,可能客户端先超时了。并且一直堆积下去会导致OOM,1G的默认配置需要相对大内存的型号。当达到queue上限,客户端会收到CallQueueTooBigException 然后自动重试。通过这个可以防止写入过快时候把server端写爆,有一定反压作用。线上使用这个在一些小型号稳定性控制上效果不错。

责任编辑:未丽燕 来源: 阿里云云栖社区
相关推荐

2022-11-14 16:38:15

前端Web开发

2021-03-02 09:45:07

java循环依赖开发技术

2020-03-03 09:43:21

软件数据库Java

2024-03-08 17:54:44

MySQL函数数据

2018-05-03 15:04:06

云存储数据云端

2017-05-03 16:26:24

MySQL并发死锁

2019-11-01 16:23:52

存储云存储数据

2010-05-19 10:00:17

2023-06-14 11:59:55

2023-08-31 13:36:00

系统预读失效

2023-08-30 10:28:02

LRU链表区域

2020-03-18 09:03:47

物联网安全黑客

2013-01-31 10:16:16

2022-08-05 11:55:13

FlutteriOS

2012-07-12 10:13:35

2010-08-24 10:11:02

虚拟化部署

2016-04-08 09:24:01

脆弱代码更新

2013-03-29 09:28:41

2016-12-14 15:59:31

HBase分布式数据

2018-05-23 09:00:00

Windows 10April 2018网络问题
点赞
收藏

51CTO技术栈公众号