Java 和 Python 中对 HBase 的并行扫描请求具有不同的性能

Question

声明

我们有 10 台机器的 HBase 集群和里面的数十亿行。每行由一个列族和约 20 列组成。我们需要执行频繁的扫描请求，其中包含开始行前缀和结束行前缀。通常每次扫描 returns 大约 100 - 10000 行。

因为请求可能会非常频繁（每分钟最多几个请求），所以性能优先。由于系统的架构，我们希望在 Python 而不是当前的 Java 代码中实现我们的解决方案。问题是 Python 我们获得的性能比 Java.

差 5 到 10 倍

现在有效

我们有 Java 代码执行对 HBase 的扫描请求。它使用常用的 HBase Java API:

public List<String> getNumber(Number key) {
    List<String> res = new ArrayList<>();

    String start_key = key.getNumber();
    String next_key = key.getNumber() + "1";
    byte[] prefix_begin = Bytes.toBytes(start_key);
    byte[] prefix_end = Bytes.toBytes(next_key);
    Scan scan = new Scan(prefix_begin, prefix_end);
    ResultScanner scanner = table.getScanner(scan);
    for (Result result : scanner) {
        byte[] row = result.getRow();
        res.add(Bytes.toString(row));
    }
    
    return res;
}

这些查询在 Callable 接口和 ScheduledThreadPoolExecutor 的帮助下并行化。每个可调用的 call() 方法只是运行 getNumber(Number key).

public List<String> getNumbers(List<Number> keys) {
    List<String> res = new ArrayList<String>();

    List<Callables.CallingCallable> callables = new ArrayList();
    for (Number source : keys) {
        callables.add(new Callables.CallingCallable(this, source));
    }

    Object futures = new ArrayList();
    ScheduledThreadPoolExecutor executor = new ScheduledThreadPoolExecutor(24);

    try {
        futures = executor.invokeAll(callables);
    } catch (InterruptedException ex) {
    }

    executor.shutdown();
}

这很好用，可以实现以下性能：

1.5 - 2.0 秒 每次扫描和
5.0 - 8.0 秒 每 100 次并行扫描

我们尝试什么

我们尝试在 Happybase 库的帮助下在 Python 中实现类似的解决方案：

@staticmethod
def execute_query(key, table_name, con_pool):
        items = []
        with con_pool.connection() as connection:
            table = happybase.Table(table_name, connection)
            [row_start, row_end] = get_start_and_end_row(key)
            selected_rows = table.scan(row_start=row_start, row_stop=row_end)
            for key, data in selected_rows:
                items.append(Item(data))
        return items

@staticmethod
def execute_in_parallel(table_name, hbase_host, hbase_port, keys):
        pool = ThreadPool(24)
        con_pool = happybase.ConnectionPool(size=24, host=hbase_host, port=hbase_port)
        execute_query_partial = partial(execute_query, table_name=table_name, con_pool=con_pool)
        result_info = pool.map_async(execute_query_partial, keys, chunksize=1)
        result = result_info.get()

取得的成绩：

2.0 - 3.0 秒 每次扫描和
每 100 次并行扫描 30 - 55 秒

正如我们所见，单次扫描的性能非常相似。但是 Python 中的并行任务要慢得多。

知道为什么会这样吗？也许我们的 Python/Happybase 代码有问题？或者 HBase Thrift 服务器的性能（HappyBase 使用它连接到 HBase）？

Answer 1

有一种使用 Jython 的方法，它允许您访问 java JVM 和 java 库。这样你就可以在同一个源文件中写 python 和 java 了。然后代码被编译为 JVM 的 java 字节码。这应该提供与用 java 代码编写的 Jython 相同的性能，因此您不必用纯 java.

编写

Java 基准 vs Python 高得多。这是一个显示 java 和 python 之间性能的网站。

http://benchmarksgame.alioth.debian.org/u64q/python.html

这里是 jython 的网站： http://www.jython.org/

Java 和 Python 中对 HBase 的并行扫描请求具有不同的性能

Parallel scan requests to HBase in Java and Python have different performance

python

java

performance

hbase

happybase

声明

现在有效

我们尝试什么