一、转 http://blog.sina.com.cn/s/blog_4a1f59bf01017vdk.html 关于hbase与zookeeper通信配置的问题
问题和现象：
这是一个连锁反应：
1）RegionServer在遇到"Stop-The-World" GC时，会停止一切工作，这样与Zookeeper保持的心跳，就会停止。
2）Zookeeper在没有收到注册节点的心跳时，就会删除对应rs对应节点。
3）HMaster的ServerManager会发现这个RegionServer出现了问题，然后交由ServerShutdownHandler处理。
4）HMaster的SplitLogManager和RegionServer的SplitLogWorker组成Master-Slave结构，对HMaster
认定Dead的RegionServer的节点进行处理。
HLOG => {按照Region分割成不同的edits文件}，具体内容可以查看：http://www.cloudera.com/blog/2012/07/hbase-log-splitting/
5）HMaster的AssignmentManager把HLog处理完成的Region分配给一个RegionServer，RegionServer在接到Open Region的请求之后，利用分割出来的edits，实现HLog Replay，将其加载到MemStore，并且flush成一个文件。
6）RegionServer上的所有Region在其它RegionServer上提供服务。
7）RegionServer FullGC结束，然后正常与HMaster进行心跳tryRegionServerReport()，后来收到了一个YouAreDeadException，接到命令后，就开始关闭各种线程，然后退出。
以上只是对HBase一个现象的描述，如果正常的情况下，这样的处理是没有问题的。但是，我们在维护的Hbase集群却出现了一个让我们很郁闷的问题。
有应用报出Get、Scan某些数据不见了，查看Region下的RegionServer报出：
DFS Read: java.io.FileNotFoundException: File does not exist: /user/hbase/hbase/OTHER/9cc2c3d381e6891d1798d2cf4fe23859/dat/48bf8d0bbdae4b8b85f66da6f81b66aa
也就是该表格下的dat数据丢失，检查了NameNode查看该文件的情况，发现该数据被原RegionServer的DFSClient删除了，是因为原RegionServer在Long FullGC之后，做了一次minor Compaction，把两个StoreFile文件合并成了一个。而在这个之前，该Region已经被一个新的RegionServer所服务着，这样这个新的RegionServer会认为没有进行Compaction，还是按照接手该Region时的情况进行读取数据，于是，悲剧就产生了。
具体描述：
出问题Region：RegionA
FullGC的RegionServer： RegionServer1
接管RegionA的RegionServer: RegionServer2
RegionServer1 --------------Full---GC------------------->compaction--(delete 原 dat/48bf***)->You Are Dead--->Exit
RegionServer2 -------------------------> 接管RegionA---->请求出错
整体上虽然数据没有丢失，但是仍然给线上系统带来一定的影响。分析了整个过程之后，预防这类问题出现应该
从如下几点入手：
1、相关参数
<property>
<name>hbase.regionserver.lease.period</name>
<value>240000</value>
<description>HRegion server lease period in milliseconds. Default is 60 seconds. Clients must report in within this period else they are considered dead.</description>
</property>
hbase.regionserver.lease.period的设置是Tradeoff，因为在HBase Client操作过程中，如果RegionServer的响应速度过慢或者出现了Long FullGC，超过了设置值，则抛出lease expired。
ps：hbase.regionserver.lease.period的设置要和hbase.rpc.timeout保持一致，最好hbase.rpc.timeout的值略大于hbase.regionserver.lease.period
<property>
<name>zookeeper.session.timeout</name>
<value>90000</value>
<description>Default 3 minutes.ZooKeeper session timeout. HBase passes this to the zk quorum as suggested maximum time for a session (This setting becomes zookeeper's 'maxSessionTimeout'). See http://hadoop.apache.org/zookeeper/docs/current/zookeeperProgrammers.html#ch_zkSessions "The client sends a requested timeout, the server responds with the timeout that it can give the client. " In milliseconds. </description>
</property>
zookeeper.session.timeout指定zk Client与zk Server Quorum之间的会话的最长时间，RegionServerTracker监听rs的znode的变化，超过session time out的值，就认定该RegionServer出错了，然后通过ServerManager的expireServer将其加入Dead RegionServer Lists中。这样等RegionServer发送心跳给HMaster时，发现该RegionServer位于Dead RegionServer Lists中，会抛出YouAreDeadException。然后，RegionServer会开始执行shutdown系统操作。
注意：这里设置的zookeeper.session.timeout与zookeeper设置的ticktime共同影响session的生存周期，一般而言，sessionTimeOut= Min(应用设置的zookeeper.session.timeout，ticktime*20)
2、tryRegionServerReport()的频率设置高一些。默认间隔时间为：
this.msgInterval = conf.getInt("hbase.regionserver.msginterval", 3 * 1000);设置成1*1000ms，可以更快地同步HMaster上RegionServer状态，尽量避免延迟阶段造成的数据不一致。注意，如果是RegionServer的个数超过200，该值不要太小，避免HMaster的压力过大。
3、在compaction删除文件时，tryRegionServerReport一下，保证没有出现已经被认定“Dead”但仍然工作的情况。在任何删除操作之前，首先report一下HMaster，检查是否已经出现YouAreDeadException，然后恢复之前的文件。
二、hbase-site配置文件解析
zookeeper.session.timeout 默认值：3分钟（180000ms） 说明：RegionServer与Zookeeper间的连接超时时间。当超时时间到后，ReigonServer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： 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。 不过需要注意的是，对于一些Online应用，RegionServer从宕机到恢复时间本身就很短的（网络闪断，crash等故障，运维可快速介入），如果调低timeout时间，反而会得不偿失。因为当ReigonServer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。 hbase.regionserver.handler.count 默认值：10 说明：RegionServer的请求处理IO线程数。 调优： 这个参数的调优与内存息息相关。 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或设置了较大cache的scan，均属于Big PUT）或ReigonServer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。 这里需要注意的是如果server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。 压测时，开启Enabling RPC-level logging，可以同时监控每次请求的内存消耗和GC的状况，最后通过多次压测结果来合理调节IO线程数。 这里是一个案例?Hadoop and HBase Optimization for Read Intensive Search Applications，作者在SSD的机器上设置IO线程数为100，仅供参考。 hbase.hregion.max.filesize 默认值：256M 说明：在当前ReigonServer上单个Reigon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。 调优： 小region对split和compaction友好，因为拆分region或compact小region里的storefile速度很快，内存占用低。缺点是split和compaction会很频繁。 特别是数量较多的小region不停地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512以下的都算小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，compaction时对内存也是一个挑战。 当然，大region也有其用武之地。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，既能顺利完成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，有没有办法去掉？ compaction是无法避免的，split倒是可以从自动调整为手动。 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。 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。 hbase.regionserver.global.memstore.upperLimit/lowerLimit 默认值：0.4/0.35 upperlimit说明：hbase.hregion.memstore.flush.size 这个参数的作用是当单个Region内所有的memstore大小总和超过指定值时，flush该region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。 这个参数的作用是防止内存占用过大，当ReigonServer内所有region的memstores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： 同upperLimit，只不过lowerLimit在所有region的memstores所占用内存达到Heap的35%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：这是一个Heap内存保护参数，默认值已经能适用大多数场景。 参数调整会影响读写，如果写的压力大导致经常超过这个阀值，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。 hfile.block.cache.size 默认值：0.2 说明：storefile的读缓存占用Heap的大小百分比，0.2表示20%。该值直接影响数据读的性能。 调优：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。如果读写较均衡，0.3左右。如果写比读多，果断默认吧。设置这个值的时候，你同时要参考?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。如果两值加起来超过80-90%，会有OOM的风险，谨慎设置。 hbase.hstore.blockingStoreFiles 默认值：7 说明：在flush时，当一个region中的Store（Coulmn Family）内有超过7个storefile时，则block所有的写请求进行compaction，以减少storefile数量。 调优：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。 hbase.hregion.memstore.block.multiplier 默认值：2 说明：当一个region里的memstore占用内存大小超过hbase.hregion.memstore.flush.size两倍的大小时，block该region的所有请求，进行flush，释放内存。 虽然我们设置了region所占用的memstores总内存大小，比如64M，但想象一下，在最后63.9M的时候，我Put了一个200M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。这个参数的作用是当memstore的大小增至超过hbase.hregion.memstore.flush.size 2倍时，block所有请求，遏制风险进一步扩大。 调优： 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，以预留更多内存，防止HBase server OOM。 hbase.hregion.memstore.mslab.enabled 默认值：true 说明：减少因内存碎片导致的Full GC，提高整体性能。 调优：详见 http://kenwublog.com/avoid-full-gc-in-hbase-using-arena-allocation 其他 启用LZO压缩 LZO对比Hbase默认的GZip，前者性能较高，后者压缩比较高，具体参见?Using LZO Compression 。对于想提高HBase读写性能的开发者，采用LZO是比较好的选择。对于非常在乎存储空间的开发者，则建议保持默认。 不要在一张表里定义太多的Column Family Hbase目前不能良好的处理超过包含2-3个CF的表。因为某个CF在flush发生时，它邻近的CF也会因关联效应被触发flush，最终导致系统产生更多IO。 批量导入 在批量导入数据到Hbase前，你可以通过预先创建regions，来平衡数据的负载。详见?Table Creation: Pre-Creating Regions 避免CMS concurrent mode failure HBase使用CMS GC。默认触发GC的时机是当年老代内存达到90%的时候，这个百分比由 -XX:CMSInitiatingOccupancyFraction=N 这个参数来设置。concurrent mode failed发生在这样一个场景： 当年老代内存达到90%的时候，CMS开始进行并发垃圾收集，于此同时，新生代还在迅速不断地晋升对象到年老代。当年老代CMS还未完成并发标记时，年老代满了，悲剧就发生了。CMS因为没内存可用不得不暂停mark，并触发一次stop the world（挂起所有jvm线程），然后采用单线程拷贝方式清理所有垃圾对象。这个过程会非常漫长。为了避免出现concurrent mode failed，建议让GC在未到90%时，就触发。 通过设置?-XX:CMSInitiatingOccupancyFraction=N 这个百分比， 可以简单的这么计算。如果你的?hfile.block.cache.size 和?hbase.regionserver.global.memstore.upperLimit 加起来有60%（默认），那么你可以设置 70-80，一般高10%左右差不多。 maxClientCnxns=300 默认zookeeper给每个客户端IP使用的连接数为10个，经常会出现连接不够用的情况。修改连接数目前好像只支持zoo.cfg配置文件修改，所以需要zookeeper重启才能生效。 zoo.cfg: maxClientCnxns=300 否则报错如下：2011-10-28 09:39:44,856 – WARN [NIOServerCxn.Factory:0.0.0.0/0.0.0.0:5858:NIOServerCnxn$Factory@253] – Too many connections from /172.*.*.* – max is 10 HBASE_HEAPSIZE=3000 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 hadoop和hbase典型配置 •Region Server •HBaseRegion Server JVM Heap Size: -Xmx15GB •Number of HBaseRegion Server Handlers: hbase.regionserver.handler.count=50 (Matching number of active regions) •Region Size: hbase.hregion.max.filesize=53687091200 (50GB to avoid automatic split) •Turn off auto major compaction: hbase.hregion.majorcompaction=0 • Map Reduce •Number of Data Node Threads: dfs.datanode.handler.count=100 •Number of Name Node Threads: dfs.namenode.handler.count=1024 (Todd: •Name Node Heap Size: -Xmx30GB •Turn Off Map Speculative Execution: mapred.map.tasks.speculative.execution=false •Turn off Reduce Speculative Execution: mapred.reduce.tasks.speculative.execution=false •Client settings •HBaseRPC Timeout: hbase.rpc.timeout=600000 (10 minutes for client side timeout) •HBaseClient Pause: hbase.client.pause=3000 •HDFS •Block Size: dfs.block.size=134217728 (128MB) •Data node xcievercount: dfs.datanode.max.xcievers=131072 •Number of mappers per node: mapred.tasktracker.map.tasks.maximum=8 •Number of reducers per node: mapred.tasktracker.reduce.tasks.maximum=6 •Swap turned off
一、hbase的batchsize，可以减少通信io压力，但是当batchsize设置过大时，有可能引起，scan时scanner.next()时间过长，则client端抛出异常
二、hbase可以有不固定列，使得他可以存非结构化数据。但是不太建议hbase当宽表使用，太多的cq会使得keyvalue过大,当超过100M，会出现responsetoolarge的问题