使用Filter降低客户端压力

Hbase是加强版的Mysql，存储容量更大、逻辑形式更加灵活。至于BigTable那篇论文的内容，它的意义在于提供了一种更加灵活地组织数据的形式。Hbase以Distributed、Sorted RowKey、MultiDimentional作为亮点，吸引了如Facebook、Amazon、Taobao在内的一大批Internet公司的使用。HBase虽然开源，但是要真正使得你的业务run得漂亮，也不是容易的事情。本系列文章的作者，正是在HBase的使用过程中的一种积累。

1、如何更快Scan一个table中所有的的RowKey

  • 建表时确定如果确定table的rowkey范围和大致的分布，在建立表格的时候，确定Region的划分。因为如果不划分Region，请降低参数hbase.hregion.max.filesize的值，让HRegion可以尽快分裂。
  • 为Scan添加FirstKeyOnlyFilter。这样做的好处，可以避免扫描Rowkey时，把所有的column都读取到CLient端。
  • 如果需要读取Rowkey下的部分Column，可以为Get操作增加ColumnCountGetFilter。



HTable table = new HTable(tableName);
table.setScannerCaching(100);
table.setAutoFlush(false);
Scan s  = new Scan();
s.setFilter(new FirstKeyOnlyFilter());
s.setBatch(100);
ResultScanner rs = table.getScanner(s);
long startTime = System.currentTimeMillis();
System.out.println(startTime);
for (Result rr = rs.next(); rr != null; rr = rs.next()) {
        Get g = new Get(rr.getRow());
        g.setFilter(new ColumnCountGetFilter(100));
        System.out.println(Bytes.toString(rr.getRow()));
        NavigableMap> valueMap = table.get(g).getNoVersionMap();
        for (byte[] family:valueMap.keySet()) {
                int i = 0;
                for (byte[] val: valueMap.get(family).values()) {
                        System.out.println(Bytes.toString(val));
                }
        }
}
System.out.println((System.currentTimeMillis()- startTime) + "ms");





使用Coprocessor进行RowCount统计

对于Table内RowKey个数的统计，一直是HBase系统面临的一项重要工作，目前有两种执行该操作的方式。

1）使用MapReduce进行。可以借助HTableInputFormat实现对于Rowkey的划分，但是需要占用资源，另外由于使用的Hadoop集群提交作业，经常会遇到不能申请到资源的情况，延迟较大，不适合应用的频繁访问。

2）使用Scan+KeyOnlyFilter的方式进行。可以借助Filter的功能，尽可能实现数据在RegionServer端进行统计，减轻Client端的压力。但是，在大多数情况下，从每一个Region上进行Scan，当Table较大时，会造成非常长的延迟，用户体验下降。

基于此，我们考虑到了Coprocessor这样的新特性。

操作上，HBase-0.92.1提供了
org.apache.hadoop.hbase.coprocessor.AggregateImplementation，我们需要对于某一个Table注册该Coprocessor，具体做法为：

通过shell修改表的属性，支持coprocessor:

alter 'T_XXXX', METHOD => 'table_att','coprocessor'=>'|org.apache.hadoop.hbase.coprocessor.AggregateImplementation||'






String coprocessClassName = "org.apache.hadoop.hbase.coprocessor.AggregateImplementation";         HBaseAdmin admin = new HBaseAdmin(HBaseConfiguration.create());         admin.disableTable(tableName);         HTableDescriptor htd = admin.getTableDescriptor(tableName);         htd.addCoprocessor(coprocessClassName);         admin.modifyTable(tableName, htd);         admin.enableTable(tableName);



然后执行的代码如下：

Scan s = new Scan();

        s.addColumn(Bytes.toBytes("cf1"), Bytes.toBytes("c1"));

        AggregationClient ac = new AggregationClient(HBaseConfiguration.create());

        try {

            return ac.rowCount(tableName, new LongColumnInterpreter(), s);

        } catch (Throwable e) {

            // TODO Auto-generated catch block

           e.printStackTrace();

        }
        return 0;

为了统计使用Scan增加KeyOnlyFilter和Coprocessor之间的区别，记录了500次操作的时间，性能对比图如下：





从上图中，可以看出，大部分通过Coprocessor获取RowCount个数的延迟，小于1s，而使用Scan的方式，获得RowKeyCount的个数大概在4～5s。(备注，检查的table的Rowkey的个数在3w左右)。

那么究竟是什么原因让Coprocessor在统计Rowkey的个数上，拥有如此明显的优势呢？

这是因为在Table注册了Coprocessor之后，在执行AggregationClient的时候，会将RowCount分散到Table的每一个Region上，Region内RowCount的计算，是通过RPC执行调用接口，由Region对应的RegionServer执行InternalScanner进行的。

因此，性能的提升有两点原因:

1) 分布式统计。将原来客户端按照Rowkey的范围单点进行扫描，然后统计的方式，换成了由所有Region所在RegionServer同时计算的过程。

2）使用了在RegionServer内部执行使用了InternalScanner。这是距离实际存储最近的Scanner接口，存取更加快捷。