我們經常看到一些文章吹噓某産品如何如何快，如何如何強，而自己測試時卻不如描述的一些資料。其實原因可能在于你還不是真正了解其内部結構，對于其性能調優方法不夠了解。本文轉自TaoBao的Ken Wu同學的部落格，是目前看到比較完整的HBase調優文章。
原文連結：HBase性能調優
因官方Book Performance Tuning部分章節沒有按配置項進行索引，不能達到快速查閱的效果。是以我以配置項驅動，重新整理了原文，并補充一些自己的了解，如有錯誤，歡迎指正。配置優化
zookeeper.session.timeout
預設值：3分鐘（180000ms）
說明：RegionServer與Zookeeper間的連接配接逾時時間。當逾時時間到後，ReigonServer會被Zookeeper從RS叢集清單中移除，HMaster收到移除通知後，會對這台server負責的regions重新balance，讓其他存活的RegionServer接管.
調優：這個timeout決定了RegionServer是否能夠及時的failover。設定成1分鐘或更低，可以減少因等待逾時而被延長的failover時間。
不過需要注意的是，對于一些Online應用，RegionServer從當機到恢複時間本身就很短的（網絡閃斷，crash等故障，運維可快速介入），如果調低timeout時間，反而會得不償失。因為當ReigonServer被正式從RS叢集中移除時，HMaster就開始做balance了（讓其他RS根據故障機器記錄的WAL日志進行恢複）。當故障的RS在人工介入恢複後，這個balance動作是毫無意義的，反而會使負載不均勻，給RS帶來更多負擔。特别是那些固定配置設定regions的場景。
hbase.regionserver.handler.count
預設值：10
說明：RegionServer的請求處理IO線程數。
調優：這個參數的調優與記憶體息息相關。
較少的IO線程，适用于處理單次請求記憶體消耗較高的Big PUT場景（大容量單次PUT或設定了較大cache的scan，均屬于Big PUT）或ReigonServer的記憶體比較緊張的場景。
較多的IO線程，适用于單次請求記憶體消耗低，TPS要求非常高的場景。設定該值的時候，以監控記憶體為主要參考。
這裡需要注意的是如果server的region數量很少，大量的請求都落在一個region上，因快速充滿memstore觸發flush導緻的讀寫鎖會影響全局TPS，不是IO線程數越高越好。
壓測時，開啟Enabling RPC-level logging，可以同時監控每次請求的記憶體消耗和GC的狀況，最後通過多次壓測結果來合理調節IO線程數。
這裡是一個案例 Hadoop and HBase Optimization for Read Intensive Search Applications，作者在SSD的機器上設定IO線程數為100，僅供參考。
hbase.hregion.max.filesize
預設值：256M
說明：在目前ReigonServer上單個Reigon的最大存儲空間，單個Region超過該值時，這個Region會被自動split成更小的region。
調優：小region對split和compaction友好，因為拆分region或compact小region裡的storefile速度很快，記憶體占用低。缺點是split和compaction會很頻繁。
特别是數量較多的小region不停地split, compaction，會導緻叢集響應時間波動很大，region數量太多不僅給管理上帶來麻煩，甚至會引發一些Hbase的bug。
一般512以下的都算小region。
大region，則不太适合經常split和compaction，因為做一次compact和split會産生較長時間的停頓，對應用的讀寫性能沖擊非常大。此外，大region意味着較大的storefile，compaction時對記憶體也是一個挑戰。
當然，大region也有其用武之地。如果你的應用場景中，某個時間點的通路量較低，那麼在此時做compact和split，既能順利完成split和compaction，又能保證絕大多數時間平穩的讀寫性能。
既然split和compaction如此影響性能，有沒有辦法去掉？
compaction是無法避免的，split倒是可以從自動調整為手動。
隻要通過将這個參數值調大到某個很難達到的值，比如100G，就可以間接禁用自動split（RegionServer不會對未到達100G的region做split）。
再配合RegionSplitter這個工具，在需要split時，手動split。
手動split在靈活性和穩定性上比起自動split要高很多，相反，管理成本增加不多，比較推薦online實時系統使用。
記憶體方面，小region在設定memstore的大小值上比較靈活，大region則過大過小都不行，過大會導緻flush時app的IO wait增高，過小則因store file過多影響讀性能。
hbase.regionserver.global.memstore.upperLimit/lowerLimit
預設值：0.4/0.35
upperlimit說明：hbase.hregion.memstore.flush.size 這個參數的作用是 當單個memstore達到指定值時，flush該memstore。但是，一台ReigonServer可能有成百上千個memstore，每個memstore也許未達到flush.size，jvm的heap就不夠用了。該參數就是為了限制memstores占用的總記憶體。
當ReigonServer内所有的memstore所占用的記憶體總和達到heap的40%時，HBase會強制block所有的更新并flush這些memstore以釋放所有memstore占用的記憶體。
lowerLimit說明： 同upperLimit，隻不過當全局memstore的記憶體達到35%時，它不會flush所有的memstore，它會找一些記憶體占用較大的memstore，做個别flush，當然更新還是會被block。lowerLimit算是一個在全局flush導緻性能暴跌前的補救措施。為什麼說是性能暴跌？可以想象一下，如果memstore需要在一段較長的時間内做全量flush，且這段時間内無法接受任何讀寫請求，對HBase叢集的性能影響是很大的。
調優：這是一個Heap記憶體保護參數，預設值已經能适用大多數場景。它的調整一般是為了配合某些專屬優化，比如讀密集型應用，将讀緩存開大，降低該值，騰出更多記憶體給其他子產品使用。
這個參數會給使用者帶來什麼影響？
比如，10G記憶體，100個region，每個memstore 64M，假設每個region隻有一個memstore，那麼當100個memstore平均占用到50%左右時，就會達到lowerLimit的限制。假設此時，其他memstore同樣有很多的寫請求進來。在那些大的region未flush完，就可能又超過了upperlimit，則所有region都會被block，開始觸發全局flush。
不過，除了你的記憶體非常小或你的應用場景裡大多數都是讀，我覺得不需要去調這個參數。
hfile.block.cache.size
預設值：0.2
說明：storefile的讀緩存占用Heap的大小百分比，0.2表示20%。該值直接影響資料讀的性能。
調優：當然是越大越好，如果讀比寫少，開到0.4-0.5也沒問題。如果讀寫較均衡，0.3左右。如果寫比讀多，果斷預設吧。設定這個值的時候，你同時要參考 hbase.regionserver.global.memstore.upperLimit ，該值是memstore占heap的最大百分比，兩個參數一個影響讀，一個影響寫。如果兩值加起來超過80-90%，會有OOM的風險，謹慎設定。
hbase.hstore.blockingStoreFiles
預設值：7
說明：在compaction時，如果一個Store（Coulmn Family）内有超過7個storefile需要合并，則block所有的寫請求，進行flush，限制storefile數量增長過快。
調優：block寫請求會影響目前region的性能，将值設為單個region可以支撐的最大store file數量會是個不錯的選擇，即允許comapction時，memstore繼續生成storefile。最大storefile數量可通過region size/memstore size來計算。如果你将region size設為無限大，那麼你需要預估一個region可能産生的最大storefile數。
hbase.hregion.memstore.block.multiplier
預設值：2
說明：當一個region裡的memstore超過單個memstore.size兩倍的大小時，block該region的所有請求，進行flush，釋放記憶體。雖然我們設定了memstore的總大小，比如64M，但想象一下，在最後63.9M的時候，我Put了一個100M的資料，此時memstore的大小會瞬間暴漲到超過預期的memstore.size。這個參數的作用是當memstore的大小增至超過memstore.size時，block所有請求，遏制風險進一步擴大。
調優： 這個參數的預設值還是比較靠譜的。如果你預估你的正常應用場景（不包括異常）不會出現突發寫或寫的量可控，那麼保持預設值即可。如果正常情況下，你的寫請求量就會經常暴長到正常的幾倍，那麼你應該調大這個倍數并調整其他參數值，比如hfile.block.cache.size和hbase.regionserver.global.memstore.upperLimit/lowerLimit，以預留更多記憶體，防止HBase server OOM。
其他
啟用LZO壓縮
LZO對比Hbase預設的GZip，前者性能較高，後者壓縮比較高，具體參見 Using LZO Compression。對于想提高HBase讀寫性能的開發者，采用LZO是比較好的選擇。對于非常在乎存儲空間的開發者，則建議保持預設。
不要在一張表裡定義太多的Column Family
Hbase目前不能良好的處理超過包含2-3個CF的表。因為某個CF在flush發生時，它鄰近的CF也會因關聯效應被觸發flush，最終導緻系統産生更多IO。
批量導入
在批量導入資料到Hbase前，你可以通過預先建立regions，來平衡資料的負載。詳見 Table Creation: Pre-Creating Regions
避免CMS concurrent mode failure
HBase使用CMS GC。預設觸發GC的時機是當年老代記憶體達到90%的時候，這個百分比由 -XX:CMSInitiatingOccupancyFraction=N 這個參數來設定。concurrent mode failed發生在這樣一個場景：
當年老代記憶體達到90%的時候，CMS開始進行并發垃圾收集，于此同時，新生代還在迅速不斷地晉升對象到年老代。當年老代CMS還未完成并發标記時，年老代滿了，悲劇就發生了。CMS因為沒記憶體可用不得不暫停mark，并觸發一次全jvm的stop the world（挂起所有線程），然後采用單線程拷貝方式清理所有垃圾對象。這個過程會非常漫長。為了避免出現concurrent mode failed，我們應該讓GC在未到90%時，就觸發。
通過設定 -XX:CMSInitiatingOccupancyFraction=N
這個百分比， 可以簡單的這麼計算。如果你的 hfile.block.cache.size 和 hbase.regionserver.global.memstore.upperLimit 加起來有60%（預設），那麼你可以設定 70-80，一般高10%左右差不多。
Hbase用戶端優化
AutoFlush
将HTable的setAutoFlush設為false，可以支援用戶端批量更新。即當Put填滿用戶端flush緩存時，才發送到服務端。預設是true。
Scan Caching
scanner一次緩存多少資料來scan（從服務端一次抓多少資料回來scan）。
預設值是 1，一次隻取一條。
Scan Attribute Selection
scan時建議指定需要的Column Family，減少通信量，否則scan操作預設會傳回整個row的所有資料（所有Coulmn Family）。
Close ResultScanners
通過scan取完資料後，記得要關閉ResultScanner，否則RegionServer可能會出現問題（對應的Server資源無法釋放）。
Optimal Loading of Row Keys
當你scan一張表的時候，傳回結果隻需要row key（不需要CF, qualifier,values,timestaps）時，你可以在scan執行個體中添加一個filterList，并設定 MUST_PASS_ALL操作，filterList中add FirstKeyOnlyFilter或KeyOnlyFilter。這樣可以減少網絡通信量。
Turn off WAL on Puts
當Put某些非重要資料時，你可以設定writeToWAL(false)，來進一步提高寫性能。writeToWAL(false)會在Put時放棄寫WAL log。風險是，當RegionServer當機時，可能你剛才Put的那些資料會丢失，且無法恢複。