HBase在单Column和多Column情况下批量Put的性能对比分析
HBase在单Column和多Column情况下批量Put的性能对比分析
作者:大圆那些事|文章可以转载,请以超链接形式标明文章原始出处和作者信息
网址:http://www.cnblogs.com/panfeng412/archive/2013/11/28/hbase-batch-put-performance-analysis-of-single-column-and-multiple-columns.html
针对HBase在单columnfamily单columnqualifier和单columnfamily多columnqualifier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50~60bytes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,rowkey为64bytes,value为751bytes):
1)开WAL,单columnfamily单columnqualifier,批量Put:(50~60)+64+751=865~875bytes;
2)开WAL,单columnfamily多columnqualifier,批量Put:((50~60)+64)*53+751=6793~7323bytes。
因此,总体来看,后者实际传输的数据量是前者的:(6793~7323bytes)/(865~875bytes)=7.85~8.36倍,与测试结果478/53=9.0倍基本相符(由于客户端writebuffer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
OK,口说无凭,下面我们通过对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731bytes)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:
singlecolumnPutsize:1208
multiplecolumnsPutsize: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:
singlecolumnKeyValuesize:920
multiplecolumnsKeyValuesize: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columnqualifier和多columnqualifier两种情况,如果value长度越长,rowkey长度越短,字段数(columnqualifier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columnqualifier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writebuffer大小,以便能够提高客户端的写入吞吐量。