设为首页 加入收藏

TOP

HBase 高性能获取数据(多线程批量式解决办法) + MySQL和HBase性能测试比较
2019-01-06 01:50:17 】 浏览:15
Tags:HBase 高性能 获取 数据 线程 批量 解决 办法 MySQL 性能 测试 比较

转载于:http://www.cnblogs.com/wgp13x/p/4245182.html

摘要: 在前篇博客里已经讲述了通过一个自定义 HBase Filter来获取数据的办法,在末尾指出此办法的性能是不能满足应用要求的,很显然对于如此成熟的HBase来说,高性能获取数据应该不是问题。下面首先简单介绍了搜索引擎的性能,然后详细说明了HBase与MySQL的性能对比,这里的数据都是经过实际的测试获得的。最后,给出了采用多线程批量从HBase中取数据的方案,此方案经过测试要比通过自定义Filter的方式性能高出很多。

关键词: HBase, 高性能, 获取数据, 性能对比,多线程

需求:   HBase高性能获取数据

Solr和HBase专辑

1、“关于Solr的使用总结的心得体会”(http://www.cnblogs.com/wgp13x/p/3742653.html)

2、“中文分词器性能比较”(http://www.cnblogs.com/wgp13x/p/3748764.html)

3、“Solr与HBase架构设计”(http://www.cnblogs.com/wgp13x/p/a8bb8ccd469c96917652201007ad3c50.html)

4、“大数据架构: 使用HBase和Solr将存储与索引放在不同的机器上”(http://www.cnblogs.com/wgp13x/p/3927979.html)

5、“一个自定义 HBase Filter -通过RowKeys来高性能获取数据”(http://www.cnblogs.com/wgp13x/p/4196466.html)

6、“HBase 高性能获取数据 - 多线程批量式解决办法”(http://www.cnblogs.com/wgp13x/p/4245182.html


1、 如何存储十亿、百亿数据? 答:使用数据存储集群,增加水平拓展能力,以容纳上百亿数据量

2、 如何保证在十亿、百亿数据上面的查询效率? 答:使用分布式搜索引擎

数据量过亿,无论是存储在关系型数据库还是非关系型数据库,使用非索引字段进行条件查询、模糊查询等复杂查询都是一件极其缓慢甚至是不可能完成的任务,数据库索引建立的是二级索引,大数据查询主要依靠搜索引擎。

根据Solr中国资料显示,在2400亿每条数据大概200字节的数据建立索引,搭建分布式搜索引擎,在50台机器进行搜索测试,其中有条件查询、模糊查询等,其中80%的搜索能够在毫秒内返回结果,剩下一部分能够在20秒内返回,还有5%左右的查询需要在50秒左右的时间完成查询请求,客户端查询请求的并发量为100个客户端。

以下结论均是在同一台服务器上的测试结果。

MySQL单机随机读写能力测试

MySQL(InnoDB)

运行环境

Window Server 2008 x64

存储引擎

InnoDB

最大存储容量

64T

列数

39

每条数据的大小

Avg=507Byte

总数据量

302,418,176

占用的磁盘空间

210G

插入效率

总共耗时13个小时,每秒约6500条,随着数据量的增大,插入的效率影响不大

单条数据全表随机读取时间

30ms

百条数据全表随机读取时间

1,783ms;1,672ms

千条数据全表随机读取时间

18,579ms;15,473ms

其他

条件查询、Order By、模糊查询基本上是无法响应的


HBase基本说明与性能测试

HBase

数据库类型

NoSql—列式数据库

运行所需要的环境

Linux

是否可以搭建集群

天然的分布式数据库,具有自动分片功能

可扩展性

强,无缝支持水平拓展

插入

与设置的参数关系很大,批量插入和单条插入差别大,单台机器能够实现1w~3w之间的插入速度

更新

删除

查询

只支持按照rowkey来查询或者全表扫描

范围查询

不支持

模糊匹配

不支持

时间范围查询

不支持

分页查询

可以做到

数据库安全性

大数据量下的查询响应时间

各个数据级别下的响应时间: (均为随机读取,不命中缓存)

13亿-------------------5ms(单行)

23亿-------------------124ms(30)

大数据量下占用的磁盘空间

各个数据级别下的磁盘占用空间(以出租车表为例,17个字段,一行200个字节):

11亿-------------------18G(使用GZ压缩)

是否有良好的技术支持

社区活跃,但是配置复杂,参数繁多,学习代价比较大

数据导入和导出

有从RDBMS导入数据的工具Sqoop

热备份

异步复制

是否需要商业付费

是否开源

优点

1、 支持高效稳定的大数据存储,上亿行、上百万列、上万个版本,对数据自动分片

2、 列式存储保证了高效的随机读写能力

3、 列数可以动态增长

4、 水平拓展十分容易

5、 拥有良好的生态系统,Sqoop用户数据的导入、Pig可以作为ETL工具,Hadoop作为分布式计算平台

缺点

1、 学习复杂

2、 不支持范围查询、条件查询等查询


从上面的测试结果表中可以看出,MySQL单表插入速度为每秒6500条,HBase单台机器能够实现1w~3w之间的插入速度,这充分说明HBase插入数据的速度比MySQL高很多。在MySQL单机随机读写能力测试中单条数据全表随机读取时间是指依据主键去MySQL单表取数据花费的时间;在HBase基本说明与性能测试中,大数据量下查询响应时间是指依照Rowkey到HBase取数据所花费的时间。30ms对5ms,这说明HBase取数据的速度之快也是MySQL望尘莫及的。



在进行上面的性能测试中,无论是从MySQL通过主键读取,还是从HBase通过Rowkey读取,读取的数据量都不大,不超过1000条。当需要一次性读取万级数据时,需要通过设计优化的代码来保证读取速度。

在实现过程中,发现当批量Get的数据量达到一定程度时(如10W),向HBase请求数据会从innerGet发生EOFExeption异常。这里附加上一段从HBase依照多Rowkey获取数据的代码,它采用了性能高的批量Get。在这里,我将这种大批量请求化为每1000个Get的请求,并且采用多线程方式,经过验证,这种方法的效率还是蛮高的。

复制代码
private ExecutorService pool = Executors.newFixedThreadPool(10);    // 这里创建了10个 Active RPC Calls
    public Datas getDatasFromHbase(final List<String> rowKeys,
        final List<String> filterColumn, boolean isContiansRowkeys,
        boolean isContainsList)
    {
        if (rowKeys == null || rowKeys.size() <= 0)
        {
            return Datas.getEmptyDatas();
        }
        final int maxRowKeySize = 1000;
        int loopSize = rowKeys.size() % maxRowKeySize == 0  rowKeys.size()
            / maxRowKeySize : rowKeys.size() / maxRowKeySize + 1;
        ArrayList<Future<List<Data>>> results = new ArrayList<Future<List<Data>>>();
        for (int loop = 0; loop < loopSize; loop++)
        {
            int end = (loop + 1) * maxRowKeySize > rowKeys.size()  rowKeys
                .size() : (loop + 1) * maxRowKeySize;
            List<String> partRowKeys = rowKeys.subList(loop * maxRowKeySize,
                end);
            HbaseDataGetter hbaseDataGetter = new HbaseDataGetter(partRowKeys,
                filterColumn, isContiansRowkeys, isContainsList);
            synchronized (pool)
            {
                Future<List<Data>> result = pool.submit(hbaseDataGetter);
                results.add(result);
            }
        }
        Datas datas = new Datas();
        List<Data> dataQueue = new ArrayList<Data>();
        try
        {
            for (Future<List<Data>> result : results)
            {
                List<Data> rd = result.get();
                dataQueue.addAll(rd);
            }
            datas.setDatas(dataQueue);
        }
        catch (InterruptedException | ExecutionException e)
        {
            e.printStackTrace();
        }
        return datas;
    }
复制代码
classHbaseDataGetterimplementsCallable<List<Data>>
{
privateList<String>rowKeys;
privateList<String>filterColumn;
privatebooleanisContiansRowkeys;
privatebooleanisContainsList;
publicHbaseDataGetter(List<String>rowKeys,List<String>filterColumn,
booleanisContiansRowkeys,booleanisContainsList)
{
this.rowKeys=rowKeys;
this.filterColumn=filterColumn;
this.isContiansRowkeys=isContiansRowkeys;
this.isContainsList=isContainsList;
}
@Override
publicList<Data>call()throwsException
{
Object[]objects=getDatasFromHbase(rowKeys,filterColumn);
List<Data>listData=newArrayList<Data>();
for(Objectobject:objects)
{
Resultr=(Result)object;
Datadata=assembleData(r,filterColumn,isContiansRowkeys,
isContainsList);
listData.add(data);
}
returnlistData;
}
}
privateObject[]getDatasFromHbase(List<String>rowKeys,
List<String>filterColumn)
{
createTable(tableName);
Object[]objects=null;
HTableInterfacehTableInterface=createTable(tableName);
List<Get>listGets=newArrayList<Get>();
for(Stringrk:rowKeys)
{
Getget=newGet(Bytes.toBytes(rk));
if(filterColumn!=null)
{
for(Stringcolumn:filterColumn)
{
get.addColumn(columnFamilyName.getBytes(),
column.getBytes());
}
}
listGets.add(get);
}
try
{
objects=hTableInterface.get(listGets);
}
catch(IOExceptione1)
{
e1.printStackTrace();
}
finally
{
try
{
listGets.clear();
hTableInterface.close();
}
catch(IOExceptione)
{
e.printStackTrace();
}
}
returnobjects;
}
复制代码
private HTableInterface createTable(String tableName)
    {
        HTable table = null;
        try
        {
            table = new HTable(initHbaseConfiguration(), tableName);
        }
        catch (IOException e)
        {
            e.printStackTrace();
        }
        return table;       
    }
复制代码

可以肯定的是,此种批量取数据的方法达成的速度,与取一次性数据的数量基本成线性关系,与总数据量相关不大,需要取出的数据越多耗时也就越多,经过测试一次性取1000条数据花费大约在2至3s以内,总数据量为400W。而通过自定义Filter方式取数据的方法的速度,与取一次性数据的数量相关不大,与总数据量成线性关系,总数据量越大取出越慢,即使只需取一条 ,因为此方式对HBase每条数据都过滤一遍。这样,如果在总数不大,需要取数据量较大的情况下,通过自定义Filter取数据的方式可能还占有些优势,但在正常情况下,此种批量取数据的方法还是优势更大。

不得不提的是:在实现过程中,我曾将这种大批量请求化为每4000个Get的多线程请求方式,我们的HBase版本为0.94,这样在一次性请求200000条数据时,HBase直接挂机,client抛出EOFException异常,【processBatchCallback(HConnectionManager.java:1708),processBatch(HConnectionManager.java:1560),(HTable.java:779)】,查看并发连接数与每1000个Get请求一样保持为10个左右,没有异常。查阅相关资料后,我们怀疑,这是由于HTable的非线程安全特性导致的,但经过多时纠缠,最终也没得到可靠结论。后来确定这是由于HBase0.94版自身的问题,在使用0.96版后,此问题便不再出现了。而且我们发现0.94版HBase并不稳定,经常有挂掉情况出现。0.96版HBase要好得多。

这里补充非常重要的一点,在上面的代码中,我通过privateExecutorServicepool=Executors.newFixedThreadPool(10);创建了一个最多容纳10个线程的线程池,从而创建了10个 Active RPC Calls,有效提高了获取速度。然而,我将此线程池容量扩大至20个后,的确创建了20个 Active RPC Calls,如下图所示,但是会直接引起事故:HBase挂掉。不得不吐cao,HBase实在不稳定,维护极其花费成本。在种种实践验证后,才得到了这个稳定高效的方式,每1000个Get一次批量请求,至多10个线程同时取。

平均效率如下图所示:

更多的HBase及其它的数据存储方案测试情况,HBase高性能插入数据解决方案,正在整理中,敬请批评指正。






编程开发网
】【打印繁体】【投稿】【收藏】 【推荐】【举报】【评论】 【关闭】 【返回顶部
上一篇HBase修改内核参数设置 下一篇使用kundera jpa操作hbase

评论

帐  号: 密码: (新用户注册)
验 证 码:
表  情:
内  容:

array(4) { ["type"]=> int(8) ["message"]=> string(24) "Undefined variable: jobs" ["file"]=> string(32) "/mnt/wp/cppentry/do/bencandy.php" ["line"]=> int(214) }