一、背景

最近公司采用Hbase scan 的方式，经常性会遇到任务跑不出来region 读取超时，由于scan 全量数据，合计行数10个亿，列数接近500。根据建议方案，改为Hbase 快照读方式，避免给region 造成过大压力

二、Hbase 快照原理

snapshot流程主要涉及3个步骤：

1. 加一把全局锁，此时不允许任何的数据写入更新以及删除

2. 将Memstore中的缓存数据flush到文件中（可选）

3. 为所有HFile文件分别新建引用指针，这些指针元数据就是snapshot

三、实际线上表现

改为快照方式扫描之后，提交的任务半天提交不起来，接近1小时，任务才能启起来。

一般遇到程序卡住不动，会想到使用jstack 查看程序的堆栈信息

(1)查看程序的进程pid（top 命令或者ps -ef|grep 命令）

(2)找到程序的pid，打印jstack 信息

 能看到程序一直卡在这个地方，一直计算block 信息，找到对应的Hbase 源码，查看对应的代码信息

可以看到是由于计算block location信息，那什么是location 呢？

利用chatGPT查询hbase locality的含义，能发现其实就是数据本地性，而我们实际任务中是不需要计算这个本地性占比，因为只需要能拉到数据即可，无论是从本地还是远端

HBase locality的原理可以分为两个方面，即数据本地性和任务本地性。

数据本地性
在HBase中，数据是以Region的形式存储的，一个Region包含了一段连续的行键范围。每个Region都会被分配到一个RegionServer上进行管理，并在该RegionServer上存储它所包含的所有数据。

当客户端访问HBase中的数据时，它会首先向HBase的Master节点请求获取对应数据所在的RegionServer的信息，然后再从该RegionServer上获取所需的数据。如果客户端所在的节点与该数据所在的RegionServer节点相同，就可以直接在该节点上获取数据，避免了网络传输的延迟，从而提高了数据访问的效率。

任务本地性
HBase中的任务包括数据写入和数据查询两种类型。在HBase中，数据写入是通过向表中的RegionServer发送写请求来完成的。如果客户端所在的节点与该RegionServer节点相同，那么写请求可以直接发送到该节点上，从而实现本地写入。

另一方面，数据查询任务是由HBase的RegionServer节点完成的。当RegionServer节点接收到查询请求时，它会首先检查所需数据所在的Region是否已经在该节点上加载到内存中，如果是，则可以直接在该节点上执行查询操作，否则需要从其他节点上获取数据，这将导致额外的网络延迟和资源开销。

因此，为了最大化任务本地性，HBase通常会将数据分布在多个Region中，并将这些Region分配到尽可能多的节点上进行管理，从而最大化数据和任务之间的本地性。此外，HBase还提供了一些机制来管理Region的负载均衡和RegionServer节点的故障转移，以保证系统的高可用性和稳定性。

 最终只需要在提交任务的地方设置 hbase.TableSnapshotInputFormat.locality.enabled 为false 即可，任务提交就非常快了。

参考：

HBase原理 – 分布式系统中snapshot是怎么玩的？ – 有态度的HBase/Spark/BigData