hbase 批量查询数据

摘要：

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

---

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列
每条数据的大小	Avg=507Byte
总数据量	302,418,176条
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	低
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) 1、3亿-------------------5ms(单行) 2、3亿-------------------124ms(30行)
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）： 1、1亿-------------------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	否
是否开源	是
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、条件查询等查询操作

 

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。

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;
}

class HbaseDataGetter implements Callable<List<Data>>
{
private List<String> rowKeys;
private List<String> filterColumn;
private boolean isContiansRowkeys;
private boolean isContainsList;

public HbaseDataGetter(List<String> rowKeys, List<String> filterColumn,
boolean isContiansRowkeys, boolean isContainsList)
{
this.rowKeys = rowKeys;
this.filterColumn = filterColumn;
this.isContiansRowkeys = isContiansRowkeys;
this.isContainsList = isContainsList;
}

@Override
public List<Data> call() throws Exception
{
Object[] objects = getDatasFromHbase(rowKeys, filterColumn);
List<Data> listData = new ArrayList<Data>();
for (Object object : objects)
{
Result r = (Result) object;
Data data = assembleData(r, filterColumn, isContiansRowkeys,
isContainsList);
listData.add(data);
}
return listData;
}
}

private Object[] getDatasFromHbase(List<String> rowKeys,
List<String> filterColumn)
{
createTable(tableName);
Object[] objects = null;
HTableInterface hTableInterface = createTable(tableName);
List<Get> listGets = new ArrayList<Get>();
for (String rk : rowKeys)
{
Get get = new Get(Bytes.toBytes(rk));
if (filterColumn != null)
{
for (String column : filterColumn)
{
get.addColumn(columnFamilyName.getBytes(),
column.getBytes());
}
}
listGets.add(get);
}
try
{
objects = hTableInterface.get(listGets);
}
catch (IOException e1)
{
e1.printStackTrace();
}
finally
{
try
{
listGets.clear();
hTableInterface.close();
}
catch (IOException e)
{
e.printStackTrace();
}
}
return objects;
}

private HTableInterface createTable(String tableName)
{
HTable table = null;
try
{
table = new HTable(initHbaseConfiguration(), tableName);
}
catch (IOException e)
{
e.printStackTrace();
}
return table;
}

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 private ExecutorService pool = 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。