HBase优化之路-合理的使用编码压缩-云栖社区-阿里云

为什么要讨论HBase编码压缩

• 编码+压缩能够成倍的减少数据的磁盘占用空间，节省可观的存储费用
• 编码+压缩通常情况下可以提高系统吞吐率，让系统可以做更多的功
• 默认建表不启用编码或者压缩，对初学者不友好

了解HBase编码

举个栗子，我们有一张物流表叫"express"，记录物流订单的流转详情。如下面表格：rowkey包含两个部分，用#号分割，左边是物流订单号，右边是物流信息的更新时间点。表包含两个列，一个物流状态，一个是物流描述信息

我们对Rowkey进行编码得到如下

可以看到，除了第一行存储了完整的rowkey以外，其它行与首行进行了Diff，只保存了不相同的部分。除了rowkey编码以为，HBase还可以对版本号，更新类型等进行编码。HBase目前提供的可靠的编码包括“Prefix,Diff,Fast Diff, Index Encoding(阿里巴巴HBase团队研发的优化随机读场景的编码）”，更多关于编码的参考Compression and Data Block Encoding In HBase以及HBase数据压缩编码探索

了解HBase压缩

HBase压缩的对象是一行中的值，不包括rowkey、版本等。由于HBase的元数据中没有数据类型，因此HBase的压缩算法都是面向通用压缩场景，一般会有4-10倍的压缩率，下面表格介绍了各种压缩算法在不同场景下的收益

HBase还有其它的压缩算法如“Snappy，GZIP”。更多关于压缩的参考Compression and Data Block Encoding In HBase以及HBase数据压缩编码探索

如何选择HBase编码压缩

不同的场景下优化的侧重不同，选择的难度也不同。

• 读少写多，大存储量场景

该场景通常是存储一些比较冷的数据，对请求的响应要求不高，对存储成本敏感。在存储介质上通常选择便宜的HDD、高效云盘。这些介质相比于SSD在IO吞吐和IOPS方面都要弱很多。这里我们选择高压缩比的压缩算法“ZSTD、GZIP”，编码选择Diff。比如“Diff+ZSTD”组合，不仅节省存储成本，同时会减少写入和Compaction对IO的压力（因为写入磁盘的数据量减少了），提升写吞吐量

注：压缩不是万金油，有时候数据写入前就压缩了，或者压缩率不理想，这时候设置压缩反而浪费了CPU，弄巧成拙。因此我们需要运行时数据来判断压缩比，进入HBase的Web UI，找到表‘t1’的详情页：

我们把Table Schema部分展开，看一下当前表的编码（DATA_BLOCK_ENCODING）和压缩（COMPRESSION）配置

然后我们继续向下看Table Regions，看到表‘t1’有两个分区分布在两台Region Server节点上。我们选择一个Region Server点进入

选择第一个Region Server进入

在Region Server的详情中，我们找到Regions部分，然后选择Storefile Metrics标签，下面是该Region Server上各个分区的文件详情。我们找到‘t1’表的分区，如上图红色框的哪一行，可以看到文件未编码压缩前是305MB，编码压缩后是49MB，压缩比是 1 ：6.2

• 读请求较多场景

该场景一般偏向在线，请求多且对延迟有一定要求。读的优化相比写要更复杂，这个和场景关联性很强，所以我们可以有一些策略和预判，但是还是需要实际的数据来指导优化，具体问题具体分析。总的来讲，读存在一个缓存“BlockCache”，缓存的命中率严重影响读的性能。默认的情况下BlockCache中的数据是可以保持“编码”，但是数据从磁盘读出后被解压存储在BlockCache，在2.0版本中新增了Compressed Block Cache（全表维度），使得Block Cache中的数据也可以处于压缩状态。

优势：
1 缓存一般的命中在20%~80%较常见，因此一定有相当量的请求要走磁盘IO，那么编码压缩有助于减少这部分IO的开销
2 编码和压缩都可以使得Block Cache缓存更多的数据，从而提高命中率。但具体的提升效果也和场景相关，随机读场景的提升就不如顺序读多的场景
3 由于缓存命中提高，缓存淘汰相应减少，有利于GC

劣势：
1 编码压缩增加了CPU的开销，在CPU资源吃紧的情况下会影响读写响应时间

总结，通常情况下建议编码压缩都打开，使用DIFF+ZSTD组合作为默认配置可以满足绝大部分场景。通过HBase WebUI以及监控观察压缩比，CPU负载，IO负载，缓存命中率，读写请求响应等指标来判断是否需要进一步调整编码压缩配置。

如何修改编码压缩

编码压缩是column family级别的，我们可以通过shell来在线修改

alter 't1', {NAME => 'info', DATA_BLOCK_ENCODING => 'DIFF', COMPRESSION => 'ZSTD'}

注：修改表的编码压缩后并不是立即生效的，需要执行一次Major Compaction刷一遍数据文件，新生成文件才是新的编码压缩格式。