用 Arthas 神器来诊断 HBase 异常进程

1. 异常突起

HBase 集群的某一个 RegionServer 的 CPU 使用率突然飙升到百分之百，单独重启该 RegionServer 之后，CPU 的负载依旧会逐渐攀上顶峰。多次重启集群之后，CPU 满载的现象依然会复现，且会持续居高不下，慢慢地该 RegionServer 就会宕掉，慢慢地 HBase 集群就完犊子了。

2. 异常之上的现象

CDH 监控页面来看，除 CPU 之外的几乎所有核心指标都是正常的，磁盘和网络 IO 都很低，内存更是充足，压缩队列，刷新队列也是正常的。

普罗米修斯的监控也是类似这样的，就不贴图了。

监控指标里的数字，只能直观地告诉我们现象，不能告诉我们异常的起因。因此我们的第二反应是看日志。

（企业微信截图）

与此同时，日志中还有很多类似这样的干扰输出。

后来发现这样的输出只是一些无关紧要的信息，对分析问题没有任何帮助，甚至会干扰我们对问题的定位。

但是，日志中大量 scan responseTooSlow 的警告信息，似乎在告诉我们，HBase 的 Server 内部正在发生着大量耗时的 scan 操作，这也许就是 CPU 负载高的元凶。可是，由于各种因素的作用，我们当时的关注点并没有在这个上面，因为这样的信息，我们在历史的时间段里也频繁撞见。

3. 初识 arthas

监控和日志都不能让我们百分百确定 CPU 负载高是由哪些操作引起的，我们用 top 命令也只能看到 HBase 这个进程消耗了很多 CPU，就像下图看到的这样。

如果不做进一步分析，你仍然不知道，问题出现在 HBase 相关进程下的哪些执行线程。Java 中分析进程的命令，可以使用 jstack 或 jstat gcutil 等。但是，今天要介绍的主角不是这俩，甚至不是 async-profiler，而是 arthas。async-profiler 虽然也是一个很强大的工具，但是 arthas 包含了它，且功能更强大，堪称神器。

arthas 很早以前就听说过，起初以为它只能用来分析 WEB 应用，例如 Spring Boot，这两天仔细翻看其官方文档之后，才觉得自己是多么的无知。arthas 的相关介绍和入门使用，请参考其文档，它的官方文档比任何第三方资料都详细和友好。

https://github.com/alibaba/arthas
阿尔萨斯官方文档
https://github.com/jvm-profiling-tools/async-profiler

4. 用 arthas 来分析 HBase 的异常进程

4.1 运行 arthas

java -jar /data/arthas/arthas-boot.jar  --target-ip 0.0.0.0

--target-ip 默认 127.0.0.1，此处赋值为 0.0.0.0 是为了使用 webconsole

4.2 arthas 运行成功的界面

命令 top 定位到的异常的 HBase 进程 ID 是 1214，该进程就是 HRegionServer 的进程。输入序号 1，回车，就进入了监听该进程的命令行界面。

4.3 dashboard

运行 dashboard 命令回车，就可以查看该进程占用资源的总体情况，可以从图中看到，ID 为 59 的线程，占用的 CPU 最高。

4.4 thread

输入 thread 命令回车，查看该进程下所有线程的执行情况。

4.5 thread -n 3

输出资源占用前三名的线程。

4.6 thread -n 3 -i 5000

单位时间为 5 秒内，资源占用前三名的线程。

4.7 使用async-profiler生成火焰图

生成火焰图的最简单命令。

profiler start

隔一段时间，大概三十秒。

profiler stop

在 web console 里查看。

关于火焰图的入门级知识：

查看 jvm 进程 cpu 火焰图工具。

火焰图里很清楚地定位到 CPU 时间占用最高的线程是绿框最长的那些线程，也就是 scan 操作。

5. scan 操作引起的 CPU 负载过高

通过以上的进程分析，我们最终可以确定，scan 操作的发生，导致 CPU 负载很高。我们查询 HBase 的 API 基于 happybase 封装而成，https://happybase.readthedocs.io/en/latest/

其实常规的 scan 操作是能正常返回结果的，发生异常查询的表也不是很大，所以我们排除了热点的可能。抽象出来业务方的查询逻辑是：

from happybase.connection import Connection
import 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 的组合是为了实现分页查询的需求，row_start 的一堆乱码字符，是加密的一个 user_id，里面有特殊字符。日志中看到，所有的耗时查询，都有此类乱码字符的传参。于是，我们猜想，查询出现的异常与这些乱码字符有关。

但是，后续测试复现的时候又发现。

# 会超时res = list(table.scan(filter="PrefixFilter('273810955|')",row_start='27', limit=3))# 不会超时res = list(table.scan(filter="PrefixFilter('273810955|')",row_start='27381095', limit=3))

也就是，即使不是乱码字符传参，filter 和 row_start 组合异常，也会导致 CPU 异常的高，row_start 指定的过小，小于前缀，数据扫描的范围估计就会变大，类似触发了全表扫描，CPUload 势必会变大。

6. 频繁创建连接或使用线程池造成 scan 线程持续增长

我们操作 HBase 的公共代码是由 happybase 封装而成，其中还用到了 happybase 的线程池，在我们更深入的测试中又发现了一个现象，当我们使用连接池或在循环中重复创建连接时，然后用 arthas 监控线程情况，发现 scan 的线程会很严重，测试代码如下：

6.1 连接在循环外部创建，重复使用

from happybase.connection import Connection
import 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:passend = time.time()print 'timeout: %d' % (end - start)

程序开始运行时，可以打开 arthas 进入到 HRegionServer 进程的监控，运行 thread 命令，查看此时的线程使用情况：

小部分在运行，大部分在等待。此时，CPU 的负载情况：

6.2 循环在内部频繁创建然后使用

代码如下：

from happybase.connection import Connection
import time
for 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:passend = time.time()print 'timeout: %d' % (end - start)

下图中可以看到开始 RUNNING 的线程越来越多，CPU 的消耗也越来越大。

此时 CPU 的使用情况，由刚才的较为平稳，陡然上升：

6.3 连接池的方式访问 HBase

CPU 被之前的实验拉高，重启下集群使 CPU 的状态恢复到之前平稳的状态。然后继续我们的测试，测试代码：

没有超时时间

from happybase import ConnectionPool
import time
pool = 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:passend = time.time()print 'timeout: %d' % (end - start)

如果不指定超时时间，会只有一个线程持续运行，因为我的连接池设置为 1。

CPU 的负载也不是太高，如果我的连接池设置的更大，或者我的并发加大，那么这些耗时 scan 的线程应该会更多，CPU 使用率也会飙升。

指定超时时间

from happybase import ConnectionPool
import time
pool = 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:passend = time.time()print 'timeout: %d' % (end - start)

此次测试中，我指定了连接池中的超时时间，期望的是，连接超时，及时断开，继续下一次耗时查询。此时，服务端处理 scan 请求的线程情况：

服务端用于处理 scan 请求的 RUNNING 状态的线程持续增长，并耗费大量的 CPU。

7. hbase.regionserver.handler.count

参考大神的博客，以及自己对这个参数的理解，每一个客户端发起的 RPC 请求（读或写），发送给服务端的时候，服务端就会有一个线程池，专门负责处理这些客户端的请求，这个线程池可以保证同一时间点有 30 个线程可运行，剩余请求要么阻塞，要么被塞进队列中等待被处理，scan 请求撑满了服务端的线程池，大量的耗时操作，把 CPU 资源消耗殆尽，其余常规的读写请求也势必大受影响，慢慢集群就完犊子了。

8. 控制 scan 请求占用很小的队列

首先，这个 hbase.regionserver.handler.count 的参数不能被调小，如果太小，集群并发高时，读写延时必高，因为大部分请求都在排队。理想情况是，读和写占用不同的线程池，在处理读请求时，scan 和 get 分别占用不同的线程池，实现线程池资源隔离。如果是我的话，第一反应可能也会简单、粗略地搞仨线程池，写线程池，get 线程池、scan 线程池。scan 线程池分配很小的核心线程，让其占用很小的资源，限制其无限扩张。但是真实的情况是这样吗？暂时，我还没仔细研究源码，HBase 提供了如下参数，可以满足读写资源分离的需求。以下内容摘自 HBase 官网文档，翻译为谷歌翻译。https://hbase.apache.org/2.1/book.html

hbase.regionserver.handler.count

描述
在RegionServer上旋转的RPC侦听器实例数。主机将相同的属性用于主机处理程序的计数。过多的处理程序可能适得其反。使它成为CPU计数的倍数。如果大多数情况下是只读的，则处理程序计数接近cpu计数的效果很好。从两倍的CPU计数开始，然后从那里进行调整。
默认
30

hbase.ipc.server.callqueue.handler.factor

描述
确定呼叫队列数量的因素。值为0表示在所有处理程序之间共享一个队列。值为1表示每个处理程序都有自己的队列。
默认
0.1

hbase.ipc.server.callqueue.read.ratio

描述
将呼叫队列划分为读写队列。指定的间隔（应在0.0到1.0之间）将乘以呼叫队列的数量。值为0表示不拆分呼叫队列，这意味着读取和写入请求都将被推送到同一组队列中。小于0.5的值表示读队列少于写队列。值为0.5表示将有相同数量的读取和写入队列。大于0.5的值表示将有比写队列更多的读队列。值1.0表示除一个队列外的所有队列均用于调度读取请求。示例：给定呼叫队列的总数为10，读比率为0表示：10个队列将包含两个读/写请求。read.ratio为0.3表示：3个队列将仅包含读取请求，而7个队列将仅包含写入请求。read.ratio为0.5表示：5个队列仅包含读取请求，而5个队列仅包含写入请求。read.ratio为0.8表示：8个队列将仅包含读取请求，而2个队列将仅包含写入请求。read.ratio为1表示：9个队列将仅包含读取请求，而1个队列将仅包含写入请求。
默认
0

hbase.ipc.server.callqueue.scan.ratio

描述
给定读取呼叫队列的数量（根据呼叫队列总数乘以callqueue.read.ratio计算得出），scan.ratio属性会将读取呼叫队列分为小读取队列和长读取队列。小于0.5的值表示长读队列少于短读队列。值为0.5表示将有相同数量的短读和长读队列。大于0.5的值表示长读取队列比短读取队列多。值为0或1表示使用相同的队列进行获取和扫描。示例：假设读取呼叫队列的总数为8，则scan.ratio为0或1表示：8个队列将同时包含长读取请求和短读取请求。scan.ratio为0.3表示：2个队列将仅包含长读请求，而6个队列将仅包含短读请求。scan.ratio为0.5表示：4个队列将仅包含长读请求，而4个队列将仅包含短读请求。scan.ratio为0.8表示：6个队列将仅包含长读请求，而2个队列将仅包含短读请求。
默认
0

这几个参数的作用官网解释的还挺详细，按照其中的意思，配置一定比例，就可以达到读写队列，get 和 scan 队列分离的目的，但是，调配参数后，继续如上测试，发现，并不难控制 RUNNING 的线程的数量，发现没毛用。

这里有一个疑问，队列和我所理解的线程池直接到底是什么关系？是否是一个东西？这个之后需要观其源码，窥其本质。