HBase在單Column和多Column情況下批量Put的性能對比分析
作者: 大圓那些事 | 文章可以轉載，請以超鏈接形式標明文章原始出處和作者信息
針對HBase在單column family單column qualifier和單column family多column qualifier兩種場景下，分別批量Put寫入時的性能對比情況，下面是結合HBase的源碼來簡單分析解釋這一現象。
1. 測試結果
在客戶端批量寫入時，單列族單列模式和單列族多列模式的TPS和RPC次數相差很大，以客戶端10個線程，開啟WAL的兩種模式下的測試數據為例，
- 單列族單列模式下，TPS能夠達到12403.87，實際RPC次數為53次；
- 單列族多列模式下，TPS只有1730.68，實際RPC次數為478次。
二者TPS相差約7倍，RPC次數相差約9倍。詳細的測試環境這里不再羅列，我們這里關心的只是在兩種條件下的性能差別情況。
2. 粗略分析
下面我們先從HBase存儲原理層面“粗略”分析下為什么出現這個現象：
HBase的KeyValue類中自帶的字段占用大小約為50~60 bytes左右（參考HBase源碼org/apache/hadoop/hbase/KeyValue.java），那么客戶端Put一行數據時（53個字段，row key為64 bytes，value為751 bytes）：
1） 開WAL，單column family單column qualifier，批量Put：(50~60) + 64 + 751 = 865~875 bytes；
2） 開WAL，單column family多column qualifier，批量Put：((50~60) + 64) * 53 + 751 = 6793~7323 bytes。
因此，總體來看，后者實際傳輸的數據量是前者的：(6793~7323 bytes) / (865~875 bytes) = 7.85~8.36倍，與測試結果478 / 53 = 9.0倍基本相符（由于客戶端write buffer大小一樣，實際請求數的比例關系即代表了實際傳輸的數據量的比例關系）。
3. 源碼分析
OK，口說無憑，下面我們通過對HBase的源碼分析來進一步驗證以上理論估算值：
HBase客戶端執行put操作后，會調用put.heapSize()累加當前客戶端buffer中的數據，滿足以下條件則調用flushCommits()將客戶端數據提交到服務端：
1）每次put方法調用時可能傳入的是一個List<Put>，此時每隔DOPUT_WB_CHECK條（默認為10條），檢查當前緩存數據是否超過writeBufferSize（測試中被設置為5MB），超過則強制執行刷新；
2）autoFlush被設置為true，此次put方法調用后執行一次刷新；
3）autoFlush被設置為false，但當前緩存數據已超過設定的writeBufferSize，則執行刷新。
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(); } }
由上述代碼可見，通過put.heapSize()累加客戶端的緩存數據，作為判斷的依據；那么，我們可以按照測試數據的實際情況，編寫代碼生成Put對象后就能得到測試過程中的一行數據（由53個字段組成，共計731 bytes）實際占用的客戶端緩存大小：
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)); } }
程序輸出結果如下：
single column Put size: 1208
multiple columns Put size: 10575
由運行結果可得到，9719/1192 = 8.75，與上述理論分析值（7.85~8.36倍）、實際測試結果值（9.0倍）十分接近，基本可以驗證測試結果的準確性。
如果你還對put.heapSize()方法感興趣，可以繼續閱讀其源碼實現，你會發現對于一個put對象來說，其中KeyValue對象的大小最主要決定了整個put對象的heapSize大小，為了進一步通過實例驗證，下面的這段代碼分別計算單column和多columns兩種情況下一行數據的KeyValue對象的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)); } }
程序輸出結果如下：
single column KeyValue size: 920
multiple columns KeyValue size: 10079
與前面PutHeapSize程序的輸出結果對比發現，KeyValue確實占據了整個Put對象的大部分heapSize空間，同時發現從KeyValue對象級別對比兩種情況下的傳出數據量情況：10079/920 = 10.9倍，也與實際測試值比較接近。
4. 相關結論
經過以上分析可以得出以下結論：
- 在實際應用場景中，對于單column qualifier和多column qualifier兩種情況，如果value長度越長，row key長度越短，字段數（column qualifier數）越少，前者和后者在實際傳輸數據量上會相差小些；反之則相差較大。
- 如果采用多column qualifier的方式存儲，且客戶端采取批量寫入的方式，則可以根據實際情況，適當增大客戶端的write buffer大小，以便能夠提高客戶端的寫入吞吐量。
浙公網安備 33010602011771號