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，对其进行深入介绍，分析如何在实际项目中合理设置和使用它。

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为一次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。

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：

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：

void setWriteBufferSize(long writeBufferSize) throws IOException

   2)  在hbase-site.xml中配置，所有HTable都生效(下面设置为5MB)：

<property> <name>hbase.client.write.buffer</name> <value>5242880</value> </property>

   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。

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：

   

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：

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<Put>，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。

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)：

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”);         }    }

   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：

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。

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。

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地使用以下公式预估：

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：

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。