文章目录
- 1. 什么时候需要Write Buffer？
- 2. 如何配置使用Write Buffer？
- 3. 如何确定每次flushCommits()时实际的RPC次数？
- 4. 如何确定每次flushCommits()时提交的记录条数？
- 5. Write Buffer有什么潜在的问题？
- 6. 如何预估Write Buffer占用的内存？
- 7. Ref
HBase客户端API提供了Write Buffer的方式，即批量提交一批Put对象到HBase服务端。本文将结合HBase相关源码，分析如何在实际项目中合理设置和使用它。
1. 什么时候需要Write Buffer？
默认情况下，一次Put操作即要与Region Server执行一次RPC操作，其执行过程可以被拆分为以下三个部分：
- T1：RTT(Round-Trip Time)，即网络往返时延，它指从客户端发送数据开始，到客户端收到来自服务端的确认，总共经历的时延，不包括数据传输的时间；
- T2：数据传输时间，即Put所操作的数据在客户端与服务端之间传输所消耗的时间开销，当数据量大的时候，T2的时间开销不容忽略；
- T3：服务端处理时间，对于Put操作，即写入WAL日志（如果设置了WAL标识为true）、更新MemStore等。
其中，T2和T3都是不可避免的时间开销，那么能不能减少T1呢？假设我们将多次Put操作打包起来一次性提交到服务端，则可以将T1部分的总时间从T1 * N降低为T1，其中T1指的是单次RTT时间，N为Put的记录条数。
正是出于上述考虑，HBase为用户提供了客户端缓存批量提交的方式（即Write Buffer）。假设RTT的时间较长，如1ms，则该种方式能够显著提高整个集群的写入性能。
那么，什么场景下适用于该种模式呢？下面简单分析一下：
- 如果Put提交的是小数据（如KB级别甚至更小）记录，那么T2很小，因此，通过该种模式减少T1的开销，能够明显提高写入性能。
- 如果Put提交的是大数据（如MB级别）记录，那么T2可能已经远大于T1，此时T1与T2相比可以被忽略，因此，使用该种模式并不能得到很好的性能提升，不建议通过增大Write Buffer大小来使用该种模式。
2. 如何配置使用Write Buffer？
如果要启动Write Buffer模式，则调用HTable的以下API将auto flush设置为false：
代码语言：javascript复制void setAutoFlush(boolean autoFlush)默认配置下，Write Buffer大小为2MB，可以根据应用实际情况，通过以下任意方式进行自定义：
1） 调用HTable接口设置，仅对该HTable对象起作用：
代码语言：javascript复制void setWriteBufferSize(long writeBufferSize) throws IOException2） 在hbase-site.xml中配置，所有HTable都生效（下面设置为5MB）：
代码语言：javascript复制hbase.client.write.buffer
5242880该种模式下向服务端提交的时机分为显式和隐式两种情况：
1） 显式提交：用户调用flushCommits()进行提交；
2） 隐式提交：当Write Buffer满了，客户端会自动执行提交；或者调用了HTable的close()方法时无条件执行提交操作。
3. 如何确定每次flushCommits()时实际的RPC次数？
客户端提交后，所有的Put操作可能涉及不同的行，然后客户端负责将这些Put对象根据row key按照 region server分组，再按region server打包后提交到region server，每个region server做一次RPC请求。如下图所示：
4. 如何确定每次flushCommits()时提交的记录条数？
下面我们先从HBase存储原理层面“粗略”分析下HBase中的一条Put记录格式：
HBase中Put对象的大小主要由若干个KeyValue对的大小决定（Put继承自org/apache/hadoop/hbase/client/Mutation.java，具体见Mutation的代码所示），而KeyValue类中自带的字段占用约50~60 bytes（参考源码：org/apache/hadoop/hbase/KeyValue.java），那么客户端Put一行数据时，假设column qualifier个数为N，row key长度为L1 bytes，value总长度为L2 bytes，则该Put对象占用大小可按以下公式预估：
代码语言：javascript复制Put Size = ((50~60) L1) * N L2) bytes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，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，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。
代码语言：javascript复制 private void doPut(final List 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，我们可以编写一个简单的程序生成Put对象，调用其heapSize()方法，就能得到一行数据实际占用的客户端缓存大小（该程序需要传递上述三个变量：N，L1，L2作为参数）：
代码语言：javascript复制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) {
if (args.length != 3) {
System.out.println("Invalid number of parameters: 3 parameters!");
System.exit(1);
}
int N = Integer.parseInt(args[0]);
int L1 = Integer.parseInt(args[1]);
int L2 = Integer.parseInt(args[2]);
byte[] rowKey = new byte[L1];
byte[] value = null;
Put put = new Put(rowKey);
for (int i = 0; i < N; i ) {
put.add(Bytes.toBytes("cf"), Bytes.toBytes("c" i), value);
}
System.out.println("Put Size: " (put.heapSize() L2) " bytes");
}
}[](javascript:void(0);该程序可以用来预估当前设置的write buffer可以一次性批量提交的记录数：
代码语言：javascript复制Puts Per Commit = Write Buffer Size / Put Size更进一步地，如果知道业务中的每秒产生的数据量，就可知道客户端大概多长时间会隐式调用flushCommits()向服务端提交一次；同时也可反过来根据数据实时刷新频率调整Write Buffer大小。
5. Write Buffer有什么潜在的问题？
首先，Write Buffer存在于客户端的本地内存中，那么当客户端运行出现问题时，会导致在Write Buffer中未提交的数据丢失；由于HBase服务端还未收到这些数据，因此也无法通过WAL日志等方式进行数据恢复。
其次，Write Buffer方式本身会占用客户端和HBase服务端的内存开销，具体见下节的详细分析。
6. 如何预估Write Buffer占用的内存？
客户端通过Write Buffer方式提交的话，会导致客户端和服务端均有一定的额外内存开销，Write Buffer Size越大，则占用的内存越大。客户端占用的内存开销可以粗略使用以下公式预估：
代码语言：javascript复制hbase.client.write.buffer * number of HTable object for writing而对于服务端来说，可以使用以下公式预估占用的Region Server总内存开销：
代码语言：javascript复制hbase.client.write.buffer * hbase.regionserver.handler.count * number of region server其中，hbase.regionserver.handler.count为每个Region Server上配置的RPC Handler线程数。
7. Ref
- https://www.cnblogs.com/panfeng412/archive/2012/10/16/how-to-use-hbase-client-write-buffer.html
