HBase上线至今，承载了线上所有实时交易量，虽然大部分请求都能够保证服务稳定（99.56%响应时间毫秒级），但是一旦HBase出现问题就是鸡飞狗跳的灾难。
从老机器到新集群，从老机房到新机房，期间经历过各种问题和生产故障，总结一番以备不时之需。

HBase使用定位：大规模数据+高并发+毫秒级响应的OLTP实时系统（数据库）。

集群部署架构

HBase集群一旦部署使用，再想对其作出调整需要付出惨痛代价，所以如何部署HBase集群是使用的第一个关键步骤。

以下是HBase集群使用以来的部署架构变化以及对应的分析。

第一阶段 硬件混合型+软件混合型集群

• 集群规模：20
• 部署服务：HBase、Spark、Hive、Impala、Kafka、Zookeeper、Flume、HDFS、Yarn等
• 硬件情况：内存、CPU、磁盘等参差不齐，有高配有低配，混搭结构

硬件混合型指的是该集群机器配置参差不齐，混搭结构。
软件混合型指的是该集群部署了一套CDH全家桶套餐。

这个集群不管是规模、还是服务部署方式相信都是很多都有公司的”标准“配置。

那么这样的集群有什么问题呢？

如果仅仅HBase是一个非“线上”的系统，或者充当一个历史冷数据存储的大数据库，这样的集群其实一点问题也没有，因为对其没有任何苛刻的性能要求。

但是如果希望HBase作为一个线上能够承载海量并发、实时响应的系统，这个集群随着使用时间的增加很快就会崩溃。

先从硬件混合型来说，一直以来Hadoop都是以宣称能够用低廉、老旧的机器撑起一片天。是的没错，这确实是Hadoop的一个大优势。然而前提是作为离线系统使用。首先说明一下离线系统的定义，就是跑批的系统，Spark、Hive、MapReduce等等，这些都算，没有很强的时间要求，显著的吞吐量大，延迟高。因为没有实时性要求，几台拖拉机跑着也没有问题，只要最后能出结果并且结果正确就ok。

那么我们现在对HBase的要求特别高，对它的定义已经不是一个离线系统而是一个实时系统了。对于一个硬性要求很高的实时系统来说，如果其中几台老机器拖了后腿也会引起线上响应的延迟。

软件混合型集群对实时HBase来说影响也特别大，离线任务最大的特点就是吞吐量特别高，瞬间读写的数据量可以把IO直接撑到10G/s，最主要的影响因素就是大型离线任务带动高IO将会影响HBase的响应性能。如果只是这样的话，线上的表现仅仅为短暂延迟，如果离线任务再把CPU撑爆，RegionServer节点可能会直接宕机挂掉，造成严重的生产影响。

还有一种情况是离线任务大量读写磁盘、读写HDFS，导致HBase IO连接异常也会造成RegionServer异常（HBase日志反应HDFS connection timeout，HDFS日志反应IO Exception），造成线上故障。

硬件混合型+软件混合型结合产生的化学反应简直无法想象的酸爽。。。

第二阶段 全新硬件+软件混合型集群

第二阶段，重新采购了全新的高配机器，搭建了一个新集群并从老集群过渡过来，老集群的旧机器淘汰不用（一般硬件使用年限就是4、5年）。但是受限于机器规模，没有将软件服务分开部署，仍然是软件混合型集群，只是在硬件上做了提升。

• 集群规模：30（后期加至40）
• 部署服务：HBase、Spark、Hive、Impala、Kafka、Zookeeper、Flume、HDFS、Yarn等
• 硬件情况：内存、CPU、磁盘统一高配置

这样的集群还有什么问题呢？

仍然是前文说的软件混合型集群带来的影响，主要是离线任务IO影响大，观测下来，集群磁盘IO到4G以上、集群网络IO 8G以上、HDFS IO 5G以上任意符合一个条件，线上将会有延迟反应。因为离线任务运行太过强势导致RegionServer宕机仍然无法解决，只能重新调整离线任务的执行使用资源、执行顺序等，限制离线计算能力来满足线上的需求。同时还要限制集群的CPU的使用率，可能出现某台机器CPU打满后整个机器假死致服务异常，造成线上故障。

问既然老早就知道原因了，为啥这么多机器了不分几台出来搭个独立的HBase集群？
前期新集群能用的机器比较少，HBase中存储的数据量非常大，只分几个机器出来可能无法满足。
而后期线上交易已经无法允许暂停迁移，只能支援现有集群，现在看来早分离HBase是个明智的选择，然而我们错过了这个选择。

第三阶段 软、硬件独立的HBase集群

目前处于规划中的第三阶段，从集群部署模式上最大程度保证HBase的稳定性。

• 集群规模：15+5（RS+ZK）
• 部署服务：HBase、HDFS（另5台虚拟Zookeeper）
• 硬件情况：除虚拟机外，物理机统一高配置

这里已经从根本上分离了软硬件对HBase所带来的影响。

另外Zookeeper节点不建议只设置3台，5个节点能保证快速选举，可以使用虚拟机，因为ZK节点本身消耗资源并不大，但是5个虚拟节点不能在一个物理机上，一旦物理机挂了相当于5个ZK全挂，会有单点问题，并且ZK节点不在一起可以解决跨网络访问时，外部请求不到的问题。

其他硬件配置，集群使用万兆网卡（千兆对于大数据集群来说实在太小，很容易打满，影响较大），磁盘尽可能大，内存不用太高，一般128G就已经特别多了HBase本身对内存的需求并不是配的越大越好（详见下文）。CPU核数越多越好，HBase本身压缩数据、compaction线程等都是很吃CPU资源的。

Redis前置层

由于目前第二阶段HBase仍然存在许多问题，不是很稳定，在第三阶段投入使用之前，我们添加了一个Redis前置缓存层（8台共800G内存集群），将HBase中最重要最热点的数据写入Redis中，Redis集群异常应用层可直接穿透查询HBase，这样一来对于用户来说我们的服务将会是一直稳定的（然而这仅仅也是理论稳定，后续仍然出现了故障，详见下文）。

Redis作为HBase的前置缓存存在，存储的热点数据量大概是HBase中的20%。至于如何保证Redis集群的稳定又是另外一个话题了。

HBase配置优化

确定完硬件方面的部署结构，下一个关键步骤是对HBase的配置进行优化调整，尽可能发挥硬件的最大优势。

先看一下具体的硬件配置：

• 总内存：256G
• 可分配内存：256 * 0.75 = 192G
• 总硬盘：1.8T * 12 = 21.6T
• 可用硬盘空间：21.6T * 0.85 = 18.36T

Region规划

对于Region的大小，HBase官方文档推荐单个在10G-30G之间，单台RegionServer的数量控制在20-200之间。

Region过大过小都会有不良影响：

• 过大的Region

  • 优点：迁移速度快、减少总RPC请求、减少Flush
  • 缺点：compaction的时候资源消耗非常大、可能会有数据分散不均衡的问题

• 过小的Region

  • 优点：集群负载平衡、HFile比较少compaction影响小
  • 缺点：迁移或者balance效率低、频繁flush导致频繁的compaction、维护开销大

按照官方推荐的配置最多可以存储的数据量大概为200 * 30G ＊ 3＝ 18T。如果存储的数据量超过18T，或多或少会有些性能问题。从Region规模这个角度讲，当前单台RegionServer能够合理利用起来的硬盘容量上限基本为18T（已提出Sub-Region的概念来满足超大硬盘的需求）。

视磁盘空间、机器数量而定，当前Region配置为：

• hbase.hregion.max.filesize=30G
• 单节点最多可存储的Region个数约为200

Memstore刷写配置

Memstore是Region中的一块内存区域，随着客户端的写入请求增大，将会产生flush的操作将数据内容写入到磁盘。

解释如何配置Memstore刷写参数之前建议提前了解Memstore的刷写机制，简单总结HBase会在如下几种情况下触发flush操作：

• Memstore级别：Region中任意一个MemStore达到了 hbase.hregion.memstore.flush.size 控制的上限（默认128MB），会触发Memstore的flush。
• Region级别：Region中Memstore大小之和达到了 hbase.hregion.memstore.block.multiplier hbase.hregion.memstore.flush.size 控制的上限（默认 2 128M = 256M），会触发Memstore的flush。
• RegionServer级别：Region Server中所有Region的Memstore大小总和达到了 hbase.regionserver.global.memstore.upperLimit ＊ hbase_heapsize 控制的上限（默认0.4，即RegionServer 40%的JVM内存），将会按Memstore由大到小进行flush，直至总体Memstore内存使用量低于 hbase.regionserver.global.memstore.lowerLimit ＊ hbase_heapsize 控制的下限（默认0.38， 即RegionServer 38%的JVM内存）。
• RegionServer中HLog数量达到上限：将会选取最早的 HLog对应的一个或多个Region进行flush（通过参数hbase.regionserver.maxlogs配置）。
• HBase定期flush：确保Memstore不会长时间没有持久化，默认周期为1小时。为避免所有的MemStore在同一时间都进行flush导致的问题，定期的flush操作有20000左右的随机延时。
• 手动执行flush：用户可以通过shell命令 flush ‘tablename’或者flush ‘region name’分别对一个表或者一个Region进行flush。

需要注意的是MemStore的最小flush单元是Region而不是单个MemStore。一个Region中Memstore越多每次flush的开销越大，即ColumnFamily控制越少越好，一般不超过3个。

Memstore我们主要关注Memstore、Region和RegionServer级别的刷写，其中Memstore和Region级别的刷写并不会对线上造成太大影响，但是需要控制其阈值和刷写频次来进一步提高性能，而RegionServer级别的刷写将会阻塞请求直至刷写完成，对线上影响巨大，需要尽量避免。

配置的重要参数如下：

• hbase.hregion.memstore.flush.size=256M: 控制的Memstore大小默认值为128M，太过频繁的刷写会导致IO繁忙，刷新队列阻塞等。
  设置太高也有坏处，可能会较为频繁的触发RegionServer级别的Flush，这里设置为256M。
• hbase.hregion.memstore.block.multiplier=3: 控制的Region flush上限默认值为2，意味着一个Region中最大同时存储的Memstore大小为2 * MemstoreSize ，如果一个表的列族过多将频繁触发，该值视情况调整。
• hbase.regionserver.global.memstore.upperLimit: 控制着整个RegionServer中Memstore最大占据的比例，一定程度上可以理解为RS内存中写缓存的大小。详见下文。

内存规划

首先HBase的内存模式可以分为两种：

• LRUBlockCache：适用于写多读少型
• BucketCache：适用于写少读多型

这两种模式的说明可以参考CDH官方文档。

我们将会选择BucketCache的内存模型来配置HBase，该模式下能够最大化利用内存，减少GC影响，对线上的实时服务较为有利。

讨论具体配置之前，从HBase最佳实践－集群规划引入一个Disk / JavaHeap Ratio的概念来帮助我们设置内存相关的参数。
前面说过，对于HBase来说，内存并不是分配的越大越好，内存给多了GC起来是个灾难，内存大小和硬盘大小之间存在一定的关联。

Disk / JavaHeap Ratio指的是一台RegionServer上1bytes的Java内存大小需要搭配多大的硬盘大小最合理。

Disk / JavaHeap Ratio=DiskSize / JavaHeap = RegionSize / MemstoreSize ReplicationFactor HeapFractionForMemstore * 2

简单公式解释（详细解释见上链接）：

• 硬盘容量维度下Region个数： DiskSize / (RegionSize ＊ ReplicationFactor)
• JavaHeap维度下Region个： JavaHeap * HeapFractionForMemstore / (MemstoreSize / 2 )
• 硬盘维度和Java Headp维度理论相等：DiskSize / (RegionSize ＊ReplicationFactor) ＝ JavaHeap HeapFractionForMemstore / (MemstoreSize / 2 ) ＝> DiskSize / JavaHeap = RegionSize / MemstoreSize ReplicationFactor HeapFractionForMemstore 2

以默认配置为例：

• RegionSize: hbase.hregion.max.filesize=10G
• MemstoreSize: hbase.hregion.memstore.flush.size=128M
• ReplicationFactor: dfs.replication=3
• HeapFractionForMemstore: hbase.regionserver.global.memstore.lowerLimit = 0.4

计算为：10G / 128M 3 0.4 * 2 = 192，即RegionServer上1bytes的Java内存大小需要搭配192bytes的硬盘大小最合理。

集群可用内存为192G，即对应的硬盘空间需要为192G * 192 = 36T，显然这是很不合理的

由于我们能够使用的硬盘只有18T，所以可以适当调小内存，并重新调整以上参数。

写缓存配置

现在根据公式和之前的配置：

DiskSize / JavaHeap = RegionSize / MemstoreSize ReplicationFactor HeapFractionForMemstore * 2

• DiskSize：18T
• JavaHeap： ?
• RegionSize：30G
• MemstoreSize：256M
• ReplicationFactor： 3
• HeapFractionForMemstore ：?

可得 JavaHeap * HeapFractionForMemstore 约等于 24，假设 HeapFractionForMemstore 在0.4-0.6之间波动取值，对应那么 JavaHeap 的大小为60-40G。

这里可以取0.6+40G的配置，因为JavaHeap越大，GC起来就越痛苦，我们可以将多余的内存给到堆外读缓存BucketCache中，这样就可以保证JavaHeap并没有实际浪费。

• RegionServer JavaHeap堆栈大小: 40G
• hbase.regionserver.global.memstore.upperLimit=0.6: 整个RS中Memstore最大比例
• hbase.regionserver.global.memstore.lowerLimit=0.55: 整个RS中Memstore最小比例

读缓存配置

BucketCache模式下HBase的内存布局如图所示：

该模式主要应用于线上读多写少型应用，整个RegionServer内存（Java进程内存）分为两部分：JVM内存和堆外内存。

• 读缓存CombinedBlockCache：LRUBlockCache + 堆外内存BucketCache，用于缓存读到的Block数据

  • LRUBlockCache：用于缓存元数据Block
  • BucketCache：用于缓存实际用户数据Block
• 写缓存MemStore：缓存用户写入KeyValue数据
• 其他部分用于RegionServer正常运行所必须的内存

当前内存信息如下：

• A 总可用内存：192G

• D JavaHeap大小：40G

  • C 写缓存大小：24G
  • B1 LRU缓存大小：？
• B2 BucketCache堆外缓存大小：？

B理论上可以将192-40=152G全部给到堆外缓存，考虑到HDFS进程、其他服务以及预留内存，这里只分配到72G。 HBase本身启动时对参数会有校验限制（详见下文检验项）。

TIPS：任何软件使用的硬件资源安全线是80%以下，一旦超出将会有无法预料的问题，这是个传统的运维玄学。曾经在Redis前置层上应验过，相同的数据量相同的写入速度，Redis集群的内存使用率达到了90%直接挂了。

B=B1+B2，B1和B2的比例视情况而定，这里设为1:9。

配置堆外缓存涉及到的相关参数如下：

• hbase.bucketcache.size=96 * 1024M: 堆外缓存大小，单位为M
• hbase.bucketcache.ioengine=offheap: 使用堆外缓存
• hbase.bucketcache.percentage.in.combinedcache=0.9: 堆外读缓存所占比例，剩余为堆内元数据缓存大小
• hfile.block.cache.size=0.15: 校验项,+upperLimit需要小于0.8

校验项

• LRUBlockCache + MemStore < 80% * JVM_HEAP -> (7.2+24)/40=0.78 <= 0.8
• RegionSize / MemstoreSize ReplicationFactor HeapFractionForMemstore 2 -> 30 1024 / 256 3 0.6 2 = 432 -> 40G 432 = 17T <= 18T
• hfile.block.cache.size + hbase.regionserver.global.memstore.upperLimit = 0.75 <= 0.8

上一张CDH官方图便于理解offheap下HBase的内存模型：

其他HBase服务端配置

应用层响应配置

响应配置的优化能够提升HBase服务端的处理性能，一般情况下默认配置都是无法满足高并发需求的。

• hbase.master.handler.count=256: Master处理客户端请求最大线程数
• hbase.regionserver.handler.count=256: RS处理客户端请求最大线程数

说明：如果设置小了，高并发的情况下，应用层将会收到HBase服务端抛出的无法创建新线程的异常从而导致应用层线程阻塞。

• hbase.client.retries.number=3
• hbase.rpc.timeout=5000

说明：默认值太大了，一旦应用层连接不上HBse服务端将会进行近乎无限的重试，从而导致线程堆积应用假死等，影响比较严重，可以适当减少。

• hbase.hstore.blockingStoreFiles=100: storefile个数达到该值则block写入

说明：线上该参数可以调大一些，不然hfile达到指定数量时就会block等到compact。

HDFS相关配置

• dfs.datanode.handler.count=64
• dfs.datanode.max.transfer.threads=12288
• dfs.namenode.handler.count=256
• dfs.namenode.service.handler.count=256

配置汇总

• RegionServer JavaHeap堆栈大小: 40G
• hbase.hregion.max.filesize=30G
• hbase.hregion.memstore.flush.size=256M
• hbase.hregion.memstore.block.multiplier=3
• hbase.regionserver.global.memstore.upperLimit=0.6
• hbase.regionserver.global.memstore.lowerLimit=0.55
• hbase.bucketcache.size=64 * 1024M
• hbase.bucketcache.ioengine=offheap
• hbase.bucketcache.percentage.in.combinedcache=0.9
• hfile.block.cache.size=0.15
• hbase.master.handler.count=256
• hbase.regionserver.handler.count=256
• hbase.client.retries.number=3
• hbase.rpc.timeout=5000
• hbase.hstore.blockingStoreFiles=100

这里只给出相对比较重要的配置，其余参数视情况参考文档说明。

应用层使用优化

服务端配置完成之后，如何更好的使用HBase集群也需要花点心思测试与调整。
这里仅介绍Spark操作HBase优化经验，接口服务方面待定。

查询场景

批量查询

Spark有对应的API可以批量读取HBase数据，但是使用过程比较繁琐，这里安利一个小组件Spark DB Connector，批量读取HBase的代码可以这么简单：

val rdd = sc.fromHBase[(String, String, String)]("mytable")
      .select("col1", "col2")
      .inColumnFamily("columnFamily")
      .withStartRow("startRow")
      .withEndRow("endRow")

done！

实时查询

以流式计算为例，Spark Streaming中，我们要实时查询HBase只能通过HBase Client API（没有队友提供服务的情况下）。

那么HBase Connection每条数据创建一次肯定是不允许的，效率太低，对服务压力比较大，并且ZK的连接数会暴增影响服务。
比较可行的方案是每个批次创建一个链接（类似foreachPartiton中每个分区创建一个链接，分区中数据共享链接）。但是这种方案也会造成部分连接浪费、效率低下等。

如果可以做到一个Streaming中所有批次、所有数据始终复用一个连接池是最理想的状态。
Spark中提供了Broadcast这个重要工具可以帮我们实现这个想法，只要将创建的HBase Connection广播出去所有节点就都能复用，但是真实运行代码时你会发现HBase Connection是不可序列化的对象，无法广播。。。

其实利用scala的lazy关键字可以绕个弯子来实现：

//实例化该对象，并广播使用
class HBaseSink(zhHost: String, confFile: String) extends Serializable {
  //延迟加载特性
  lazy val connection = {
    val hbaseConf = HBaseConfiguration.create()
    hbaseConf.set(HConstants.ZOOKEEPER_QUORUM, zhHost)
    hbaseConf.addResource(confFile)
    val conn = ConnectionFactory.createConnection(hbaseConf)
    sys.addShutdownHook {
      conn.close()
    }
    conn
  }
}

在Driver程序中实例化该对象并广播，在各个节点中取广播变量的value进行使用。

广播变量只在具体调用value的时候才会去创建对象并copy到各个节点，而这个时候被序列化的对象其实是外层的HBaseSink，当在各个节点上具体调用connection进行操作的时候，Connection才会被真正创建（在当前节点上），从而绕过了HBase Connection无法序列化的情况（同理也可以推导RedisSink、MySQLSink等）。

这样一来，一个Streaming Job将会使用同一个数据库连接池，在Structured Streaming中的foreachWrite也可以直接应用。

写入场景

批量写入

同理安利组件

rdd.toHBase("mytable")
      .insert("col1", "col2")
      .inColumnFamily("columnFamily")
      .save()

这里边其实对HBase Client的Put接口包装了一层，但是当线上有大量实时请求，同时线下又有大量数据需要更新时，直接这么写会对线上的服务造成冲击，具体表现可能为持续一段时间的短暂延迟，严重的甚至可能会把RS节点整挂。

大量写入的数据带来具体大GC开销，整个RS的活动都被阻塞了，当ZK来监测心跳时发现无响应就将该节点列入宕机名单，而GC完成后RS发现自己“被死亡”了，那么就干脆自杀，这就是HBase的“朱丽叶死亡”。

这种场景下，使用bulkload是最安全、快速的，唯一的缺点是带来的IO比较高。
大批量写入更新的操作，建议使用bulkload工具来实现。

实时写入

理同实时查询，可以使用创建的Connection做任何操作。

其他

hbase-env.sh 的 HBase 客户端环境高级配置代码段

配置了G1垃圾回收器和其他相关属性

-XX:+UseG1GC 
-XX:InitiatingHeapOccupancyPercent=65 
-XX:-ResizePLAB 
-XX:MaxGCPauseMillis=90  
-XX:+UnlockDiagnosticVMOptions 
-XX:+G1SummarizeConcMark 
-XX:+ParallelRefProcEnabled 
-XX:G1HeapRegionSize=32m 
-XX:G1HeapWastePercent=20 
-XX:ConcGCThreads=4 
-XX:ParallelGCThreads=16  
-XX:MaxTenuringThreshold=1 
-XX:G1MixedGCCountTarget=64 
-XX:+UnlockExperimentalVMOptions 
-XX:G1NewSizePercent=2 
-XX:G1OldCSetRegionThresholdPercent=5

hbase-site.xml 的 RegionServer 高级配置代码段（安全阀）

手动split region配置

<property><name>hbase.regionserver.wal.codec</name><value>org.apache.hadoop.hbase.regionserver.wal.IndexedWALEditCodec</value></property><property><name>hbase.region.server.rpc.scheduler.factory.class</name><value>org.apache.hadoop.hbase.ipc.PhoenixRpcSchedulerFactory</value><description>Factory to create the Phoenix RPC Scheduler that uses separate queues for index and metadata updates</description></property><property><name>hbase.rpc.controllerfactory.class</name><value>org.apache.hadoop.hbase.ipc.controller.ServerRpcControllerFactory</value><description>Factory to create the Phoenix RPC Scheduler that uses separate queues for index and metadata updates</description></property><property><name>hbase.regionserver.thread.compaction.large</name><value>5</value></property><property><name>hbase.regionserver.region.split.policy</name><value>org.apache.hadoop.hbase.regionserver.ConstantSizeRegionSplitPolicy</value></property>