HBase在单Column和多Column情况下批量Put的性能对比分析
针对HBase在单column family单column qualifier和单column family多column qualifier两种场景下,分别批量Put写入时的性能对比情况,下面是结合HBase的源码来简单分析解释这一现象。
1. 测试结果
在客户端批量写入时,单列族单列模式和单列族多列模式的TPS和RPC次数相差很大,以客户端10个线程,开启WAL的两种模式下的测试数据为例,
-
单列族单列模式下,TPS能够达到12403.87,实际RPC次数为53次;
-
单列族多列模式下,TPS只有1730.68,实际RPC次数为478次。
二者TPS相差约7倍,RPC次数相差约9倍。详细的测试环境这里不再罗列,我们这里关心的只是在两种条件下的性能差别情况。
2. 粗略分析
下面我们先从HBase存储原理层面“粗略”分析下为什么出现这个现象:
HBase 的KeyValue类中自带的字段占用大小约为50~60 bytes左右(参考HBase源码org/apache/hadoop/hbase/KeyValue.java),那么客户端Put一行数据时(53 个字段,row key为64 bytes,value为751 bytes):
1) 开WAL,单column family单column qualifier,批量Put:(50~60) + 64 + 751 = 865~875 bytes;
2) 开WAL,单column family多column qualifier,批量Put:((50~60) + 64) * 53 + 751 = 6793~7323 bytes。
因 此,总体来看,后者实际传输的数据量是前者的:(6793~7323 bytes) / (865~875 bytes) = 7.85~8.36倍,与测试结果478 / 53 = 9.0倍基本相符(由于客户端write buffer大小一样,实际请求数的比例关系即代表了实际传输的数据量的比例关系)。
3. 源码分析
接下来我们通过对HBase的源码分析来进一步验证以上理论估算值:
HBase客户端执行put操作后,会调用put.heapSize()累加当前客户端buffer中的数据,满足以下条件则调用flushCommits()将客户端数据提交到服务端:
1)每次put方法调用时可能传入的是一个List<Put>,此时每隔DOPUT_WB_CHECK条(默认为10条),检查当前缓存数据是否超过writeBufferSize(测试中被设置为5MB),超过则强制执行刷新;
2)autoFlush被设置为true,此次put方法调用后执行一次刷新;
3)autoFlush被设置为false,但当前缓存数据已超过设定的writeBufferSize,则执行刷新。
private void doPut(final List<Put> puts) throws IOException { int n = 0; for (Put put : puts) { validatePut(put); writeBuffer.add(put); currentWriteBufferSize += put.heapSize(); // we need to periodically see if the writebuffer is full instead // of waiting until the end of the List n++; if (n % DOPUT_WB_CHECK == 0 && currentWriteBufferSize > writeBufferSize) { flushCommits(); } } if (autoFlush || currentWriteBufferSize > writeBufferSize) { flushCommits(); } }
由上述代码可见,通过put.heapSize()累加客户端的缓存数据,作为判断的依据;那么,我们可以按照测试数据的实际情况,编写代码生成Put对象后就能得到测试过程中的一行数据(由53个字段组成,共计731 bytes)实际占用的客户端缓存大小:
import org.apache.hadoop.hbase.client.Put; import org.apache.hadoop.hbase.util.Bytes; public class PutHeapSize { /** * @param args */ public static void main(String[] args) { // single column Put size byte[] rowKey = new byte[64]; byte[] value = new byte[751]; Put singleColumnPut = new Put(rowKey); singleColumnPut.add(Bytes.toBytes("t"), Bytes.toBytes("col"), value); System.out.println("single column Put size: " + singleColumnPut.heapSize()); // multiple columns Put size value = null; Put multipleColumnsPut = new Put(rowKey); for (int i = 0; i < 53; i++) { multipleColumnsPut.add(Bytes.toBytes("t"), Bytes.toBytes("col" + i), value); } System.out.println("multiple columns Put size: " + (multipleColumnsPut.heapSize() + 751)); } }
程序输出结果如下:
single column Put size: 1208 multiple columns Put size: 10575
由运行结果可得到,9719/1192 = 8.75,与上述理论分析值(7.85~8.36倍)、实际测试结果值(9.0倍)十分接近,基本可以验证测试结果的准确性。
如 果你还对put.heapSize()方法感兴趣,可以继续阅读其源码实现,你会发现对于一个put对象来说,其中KeyValue对象的大小最主要决定 了整个put对象的heapSize大小,为了进一步通过实例验证,下面的这段代码分别计算单column和多columns两种情况下一行数据的 KeyValue对象的heapSize大小:
import org.apache.hadoop.hbase.KeyValue; public class KeyValueHeapSize { /** * @param args */ public static void main(String[] args) { // single column KeyValue size byte[] row = new byte[64]; // test row length byte[] family = new byte[1]; // test family length byte[] qualifier = new byte[4]; // test qualifier length long timestamp = 123456L; // ts byte[] value = new byte[751]; // test value length KeyValue singleColumnKv = new KeyValue(row, family, qualifier, timestamp, value); System.out.println("single column KeyValue size: " + singleColumnKv.heapSize()); // multiple columns KeyValue size value = null; KeyValue multipleColumnsWithoutValueKv = new KeyValue(row, family, qualifier, timestamp, value); System.out.println("multiple columns KeyValue size: " + (multipleColumnsWithoutValueKv.heapSize() * 53 + 751)); } }
程序输出结果如下:
single column KeyValue size: 920 multiple columns KeyValue size: 10079
与前面PutHeapSize程序的输出结果对比发现,KeyValue确实占据了整个Put对象的大部分heapSize空间,同时发现从KeyValue对象级别对比两种情况下的传出数据量情况:10079/920 = 10.9倍,也与实际测试值比较接近。
4. 相关结论
经过以上分析可以得出以下结论:
-
在实际应用场景中,对于单column qualifier和多column qualifier两种情况,如果value长度越长,row key长度越短,字段数(column qualifier数)越少,前者和后者在实际传输数据量上会相差小些;反之则相差较大。
-
如果采用多column qualifier的方式存储,且客户端采取批量写入的方式,则可以根据实际情况,适当增大客户端的write buffer大小,以便能够提高客户端的写入吞吐量。
您可能还对下面的文章感兴趣:
- 使用HBase EndPoint(coprocessor)进行计算 [2014-11-27 12:58:20]
- HBase解决Region Server Compact过程占用大量网络出口带宽的问题 [2013-07-31 13:12:54]
- HBase Thrift 接口使用注意事项 [2012-12-23 23:19:41]
- HBase集群出现NotServingRegionException问题的排查及解决方法 [2012-12-21 13:37:58]
- HBase Block Cache实现机制分析 [2012-11-27 13:37:30]
- HBase如何合理设置客户端Write Buffer [2012-11-27 13:36:42]
- HBase在淘宝主搜索的Dump中的性能调优 [2012-08-05 22:46:21]
- (H2与HBase)面向行or面向列的存储模型? [2012-08-03 00:17:03]
- 一个DBA眼中的HBase [2012-06-03 14:10:01]
- HBase中如何开发LoadBalance插件 [2012-05-17 23:34:55]
- 关于HBase的一些零碎事 [2012-03-25 20:50:39]
- HBase性能优化方法总结 [2012-03-11 22:39:14]
- HBase在数据统计应用中的使用心得 [2012-01-27 18:44:39]
- 记录碰到的HBase问题 [2011-10-25 13:36:23]
- hbase运维 [2011-08-22 12:22:03]
- HBase随机写以及随机读性能测试 [2011-08-17 13:48:20]
- HBase Java客户端编程 [2011-07-24 14:59:57]
- 关于HBase的一些零碎事 [2011-06-20 13:41:39]
- HBase性能调优 [2011-06-15 14:13:05]
- Cassandra和HBase主要设计思路对比 [2011-06-02 23:03:08]
- HBase二级索引与Join [2011-06-01 13:29:51]
- 菜鸟谈HBase之写速度篇 [2011-05-08 22:50:26]
- HFile存储格式 [2011-02-28 23:15:03]
- hbase介绍 [2011-01-29 22:36:10]
- HBase技术介绍 [2011-01-18 22:18:09]