怎么用Arthas來診斷 HBase異常進程

這篇文章給大家分享的是有關怎么用Arthas來診斷 HBase異常進程的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

1. 異常突起

HBase 集群的某一個 RegionServer 的 CPU 使用率突然飆升到百分之百，單獨重啟該 RegionServer 之后，CPU 的負載依舊會逐漸攀上頂峰。多次重啟集群之后，CPU 滿載的現象依然會復現，且會持續居高不下，慢慢地該 RegionServer 就會宕掉，慢慢地 HBase 集群就完犢子了。

2. 異常之上的現象

CDH 監控頁面來看，除 CPU 之外的幾乎所有核心指標都是正常的，磁盤和網絡 IO 都很低，內存更是充足，壓縮隊列，刷新隊列也是正常的。

普羅米修斯的監控也是類似這樣的，就不貼圖了。

監控指標里的數字，只能直觀地告訴我們現象，不能告訴我們異常的起因。因此我們的第二反應是看日志。

與此同時，日志中還有很多類似這樣的干擾輸出。

后來發現這樣的輸出只是一些無關緊要的信息，對分析問題沒有任何幫助，甚至會干擾我們對問題的定位。

但是，日志中大量 scan responseTooSlow 的警告信息，似乎在告訴我們，HBase 的 Server 內部正在發生著大量耗時的 scan 操作，這也許就是 CPU 負載高的元兇。可是，由于各種因素的作用，我們當時的關注點并沒有在這個上面，因為這樣的信息，我們在歷史的時間段里也頻繁撞見。

3. 初識 arthas

監控和日志都不能讓我們百分百確定 CPU 負載高是由哪些操作引起的，我們用 top 命令也只能看到 HBase 這個進程消耗了很多 CPU，就像下圖看到的這樣。

命令 top 定位到的異常的 HBase 進程 ID 是 1214，該進程就是 HRegionServer 的進程。輸入序號 1，回車，就進入了監聽該進程的命令行界面。

4.3 dashboard

輸入 thread 命令回車，查看該進程下所有線程的執行情況。

4.5 thread -n 3

單位時間為 5 秒內，資源占用前三名的線程。

4.7 使用async-profiler生成火焰圖

生成火焰圖的最簡單命令。

profiler start

隔一段時間，大概三十秒。

profiler stop

關于火焰圖的入門級知識：

查看 jvm 進程 cpu 火焰圖工具。

火焰圖里很清楚地定位到 CPU 時間占用最高的線程是綠框最長的那些線程，也就是 scan 操作。

5. scan 操作引起的 CPU 負載過高

通過以上的進程分析，我們最終可以確定，scan 操作的發生，導致 CPU 負載很高。我們查詢 HBase 的 API 基于 happybase 封裝而成。

其實常規的 scan 操作是能正常返回結果的，發生異常查詢的表也不是很大，所以我們排除了熱點的可能。抽象出來業務方的查詢邏輯是：

from happybase.connection import Connectionimport time
start = time.time()
con = Connection(host='ip', port=9090, timeout=3000)
table = con.table("table_name")
try:
    res = list(table.scan(filter="PrefixFilter('273810955|')",                      row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',                      limit=3))
except Exception as e:
    pass
end = time.time()print 'timeout: %d' % (end - start)

PrefixFilter 和 row_start 的組合是為了實現分頁查詢的需求，row_start 的一堆亂碼字符，是加密的一個 user_id，里面有特殊字符。日志中看到，所有的耗時查詢，都有此類亂碼字符的傳參。于是，我們猜想，查詢出現的異常與這些亂碼字符有關。

但是，后續測試復現的時候又發現。

# 會超時
  res = list(table.scan(filter="PrefixFilter('273810955|')",                      row_start='27', limit=3))
  # 不會超時
  res = list(table.scan(filter="PrefixFilter('273810955|')",                      row_start='27381095', limit=3))

也就是，即使不是亂碼字符傳參，filter 和 row_start 組合異常，也會導致 CPU 異常的高，row_start 指定的過小，小于前綴，數據掃描的范圍估計就會變大，類似觸發了全表掃描，CPUload 勢必會變大。

6. 頻繁創建連接或使用線程池造成 scan 線程持續增長

我們操作 HBase 的公共代碼是由 happybase 封裝而成，其中還用到了 happybase 的線程池，在我們更深入的測試中又發現了一個現象，當我們使用連接池或在循環中重復創建連接時，然后用 arthas 監控線程情況，發現 scan 的線程會很嚴重，測試代碼如下：

6.1 連接在循環外部創建，重復使用

from happybase.connection import Connectionimport time
con = Connection(host='ip', port=9090, timeout=2000)
table = con.table("table")for i in range(100):
    try:
          start = time.time()
        res = list(table.scan(filter="PrefixFilter('273810955|')",                              row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',                              limit=3))
    except Exception as e:
        pass
    end = time.time()print 'timeout: %d' % (end - start)

程序開始運行時，可以打開 arthas 進入到 HRegionServer 進程的監控，運行 thread 命令，查看此時的線程使用情況：

小部分在運行，大部分在等待。此時，CPU 的負載情況：

6.2 循環在內部頻繁創建然后使用

代碼如下：

from happybase.connection import Connectionimport timefor i in range(100):
    try:
        start = time.time()
        con = Connection(host='ip', port=9090, timeout=2000)
        table = con.table("table")
        res = list(table.scan(filter="PrefixFilter('273810955|')",                              row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',                              limit=3))
    except Exception as e:
        pass
    end = time.time()print 'timeout: %d' % (end - start)

下圖中可以看到開始 RUNNING 的線程越來越多，CPU 的消耗也越來越大。

6.3 連接池的方式訪問 HBase

CPU 被之前的實驗拉高，重啟下集群使 CPU 的狀態恢復到之前平穩的狀態。然后繼續我們的測試，測試代碼：

沒有超時時間

from happybase import ConnectionPool
import timepool = ConnectionPool(size=1, host='ip', port=9090)for i in range(100):
    start = time.time()
    try:
        with pool.connection(2000) as con:
            table = con.table("table")
            res = list(table.scan(filter="PrefixFilter('273810955|')",                                  row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',                                  limit=3))
    except Exception as e:
        pass
    end = time.time()print 'timeout: %d' % (end - start)

如果不指定超時時間，會只有一個線程持續運行，因為我的連接池設置為 1。

指定超時時間

from happybase import ConnectionPool
import timepool = ConnectionPool(size=1, host='ip', port=9090, timeout=2000)for i in range(100):
    start = time.time()
    try:
        with pool.connection(2000) as con:
            table = con.table("table")
            res = list(table.scan(filter="PrefixFilter('273810955|')",                                  row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',                                  limit=3))
    except Exception as e:
        pass
    end = time.time()print 'timeout: %d' % (end - start)

此次測試中，我指定了連接池中的超時時間，期望的是，連接超時，及時斷開，繼續下一次耗時查詢。此時，服務端處理 scan 請求的線程情況：

7. hbase.regionserver.handler.count

參考大神的博客，以及自己對這個參數的理解，每一個客戶端發起的 RPC 請求（讀或寫），發送給服務端的時候，服務端就會有一個線程池，專門負責處理這些客戶端的請求，這個線程池可以保證同一時間點有 30 個線程可運行，剩余請求要么阻塞，要么被塞進隊列中等待被處理，scan 請求撐滿了服務端的線程池，大量的耗時操作，把 CPU 資源消耗殆盡，其余常規的讀寫請求也勢必大受影響，慢慢集群就完犢子了。

8. 控制 scan 請求占用很小的隊列

首先，這個 hbase.regionserver.handler.count 的參數不能被調小，如果太小，集群并發高時，讀寫延時必高，因為大部分請求都在排隊。理想情況是，讀和寫占用不同的線程池，在處理讀請求時，scan 和 get 分別占用不同的線程池，實現線程池資源隔離。如果是我的話，第一反應可能也會簡單、粗略地搞仨線程池，寫線程池，get 線程池、scan 線程池。scan 線程池分配很小的核心線程，讓其占用很小的資源，限制其無限擴張。但是真實的情況是這樣嗎？暫時，我還沒仔細研究源碼，HBase 提供了如下參數，可以滿足讀寫資源分離的需求。

hbase.regionserver.handler.count

描述
在RegionServer上旋轉的RPC偵聽器實例數。主機將相同的屬性用于主機處理程序的計數。過多的處理程序可能適得其反。使它成為CPU計數的倍數。如果大多數情況下是只讀的，則處理程序計數接近cpu計數的效果很好。從兩倍的CPU計數開始，然后從那里進行調整。
默認30

hbase.ipc.server.callqueue.handler.factor

描述
確定呼叫隊列數量的因素。值為0表示在所有處理程序之間共享一個隊列。值為1表示每個處理程序都有自己的隊列。
默認0.1

hbase.ipc.server.callqueue.read.ratio

描述
將呼叫隊列劃分為讀寫隊列。指定的間隔（應在0.0到1.0之間）將乘以呼叫隊列的數量。值為0表示不拆分呼叫隊列，這意味著讀取和寫入請求都將被推送到同一組隊列中。小于0.5的值表示讀隊列少于寫隊列。值為0.5表示將有相同數量的讀取和寫入隊列。大于0.5的值表示將有比寫隊列更多的讀隊列。值1.0表示除一個隊列外的所有隊列均用于調度讀取請求。示例：給定呼叫隊列的總數為10，讀比率為0表示：10個隊列將包含兩個讀/寫請求。read.ratio為0.3表示：3個隊列將僅包含讀取請求，而7個隊列將僅包含寫入請求。read.ratio為0.5表示：5個隊列僅包含讀取請求，而5個隊列僅包含寫入請求。read.ratio為0.8表示：8個隊列將僅包含讀取請求，而2個隊列將僅包含寫入請求。read.ratio為1表示：9個隊列將僅包含讀取請求，而1個隊列將僅包含寫入請求。
默認0

hbase.ipc.server.callqueue.scan.ratio

描述
給定讀取呼叫隊列的數量（根據呼叫隊列總數乘以callqueue.read.ratio計算得出），scan.ratio屬性會將讀取呼叫隊列分為小讀取隊列和長讀取隊列。小于0.5的值表示長讀隊列少于短讀隊列。值為0.5表示將有相同數量的短讀和長讀隊列。大于0.5的值表示長讀取隊列比短讀取隊列多。值為0或1表示使用相同的隊列進行獲取和掃描。示例：假設讀取呼叫隊列的總數為8，則scan.ratio為0或1表示：8個隊列將同時包含長讀取請求和短讀取請求。scan.ratio為0.3表示：2個隊列將僅包含長讀請求，而6個隊列將僅包含短讀請求。scan.ratio為0.5表示：4個隊列將僅包含長讀請求，而4個隊列將僅包含短讀請求。scan.ratio為0.8表示：6個隊列將僅包含長讀請求，而2個隊列將僅包含短讀請求。
默認0

這幾個參數的作用官網解釋的還挺詳細，按照其中的意思，配置一定比例，就可以達到讀寫隊列，get 和 scan 隊列分離的目的，但是，調配參數后，繼續如上測試，發現，并不難控制 RUNNING 的線程的數量，發現沒毛用。

這里有一個疑問，隊列和我所理解的線程池直接到底是什么關系？是否是一個東西？這個之后需要觀其源碼，窺其本質。

感謝各位的閱讀！關于“怎么用Arthas來診斷 HBase異常進程”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！