Apache Hudi 架构原理与最佳实践

1. 什么是Hudi？

Apache Hudi代表Hadoop Upserts anD Incrementals，管理大型分析数据集在HDFS上的存储。Hudi的主要目的是高效减少摄取过程中的数据延迟。由Uber开发并开源，HDFS上的分析数据集通过两种类型的表提供服务：读优化表（Read Optimized Table）和近实时表（Near-Real-Time Table）。

读优化表的主要目的是通过列式存储提供查询性能，而近实时表则提供实时（基于行的存储和列式存储的组合）查询。

Hudi是一个开源Spark库，用于在Hadoop上执行诸如更新，插入和删除之类的操作。它还允许用户仅摄取更改的数据，从而提高查询效率。它可以像任何作业一样进一步水平扩展，并将数据集直接存储在HDFS上。

2. Hudi如何工作？

Hudi针对HDFS上的数据集提供以下原语

• 插入更新（upsert）
• 增量消费

Hudi维护在数据集上执行的所有操作的时间轴（timeline），以提供数据集的即时视图。Hudi将数据集组织到与Hive表非常相似的基本路径下的目录结构中。数据集分为多个分区，文件夹包含该分区的文件。每个分区均由相对于基本路径的分区路径唯一标识。

分区记录会被分配到多个文件。每个文件都有一个唯一的文件ID和生成该文件的提交（commit）。如果有更新，则多个文件共享相同的文件ID，但写入时的提交（commit）不同。

存储类型–处理数据的存储方式

• 写时复制
• 纯列式
• 创建新版本的文件
• 读时合并
• 近实时

视图–处理数据的读取方式

读取优化视图-输入格式仅选择压缩的列式文件

• parquet文件查询性能
• 500 GB的延迟时间约为30分钟
• 导入现有的Hive表

近实时视图

• 混合、格式化数据
• 约1-5分钟的延迟
• 提供近实时表

增量视图

• 数据集的变更
• 启用增量拉取

Hudi存储层由三个不同的部分组成

元数据–它以时间轴的形式维护了在数据集上执行的所有操作的元数据，该时间轴允许将数据集的即时视图存储在基本路径的元数据目录下。时间轴上的操作类型包括

• 提交（commit），一次提交表示将一批记录原子写入数据集中的过程。单调递增的时间戳，提交表示写操作的开始。
• 清理（clean），清理数据集中不再被查询中使用的文件的较旧版本。
• 压缩（compaction），将行式文件转化为列式文件的动作。
• 索引，将传入的记录键快速映射到文件（如果已存在记录键）。索引实现是可插拔的，Bloom过滤器-由于不依赖任何外部系统，因此它是默认配置，索引和数据始终保持一致。Apache HBase-对少量key更高效。在索引标记过程中可能会节省几秒钟。
• 数据，Hudi以两种不同的存储格式存储数据。实际使用的格式是可插入的，但要求具有以下特征–读优化的列存储格式（ROFormat），默认值为Apache Parquet；写优化的基于行的存储格式（WOFormat），默认值为Apache Avro。

3. 为什么Hudi对于大规模和近实时应用很重要？

Hudi解决了以下限制

• HDFS的可伸缩性限制
• 需要在Hadoop中更快地呈现数据
• 没有直接支持对现有数据的更新和删除
• 快速的ETL和建模
• 要检索所有更新的记录，无论这些更新是添加到最近日期分区的新记录还是对旧数据的更新，Hudi都允许用户使用最后一个检查点时间戳。此过程不用执行扫描整个源表的查询

4. 如何使用Apache Spark将Hudi用于数据管道？

4.1 下载Hudi

$ mvn clean install -DskipTests -DskipITs$ mvn clean install -DskipTests -DskipITs -Dhive11

4.2 版本兼容性

Hudi需要安装Java 8，适用于Spark-2.x版本。

4.3 生成Hudi数据集

设置环境变量

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/jre/
export HIVE_HOME=/var/hadoop/setup/apache-hive-1.1.0-cdh5.7.2-bin
export HADOOP_HOME=/var/hadoop/setup/hadoop-2.6.0-cdh5.7.2
export HADOOP_INSTALL=/var/hadoop/setup/hadoop-2.6.0-cdh5.7.2
export HADOOP_CONF_DIR=$HADOOP_INSTALL/etc/hadoop
export SPARK_HOME=/var/hadoop/setup/spark-2.3.1-bin-hadoop2.7
export SPARK_INSTALL=$SPARK_HOME
export SPARK_CONF_DIR=$SPARK_HOME/conf
export PATH=$JAVA_HOME/bin:$HIVE_HOME/bin:$HADOOP_HOME/bin:$SPARK_INSTALL/bin:$PATH

4.4 Api支持

使用DataSource API，只需几行代码即可快速开始读取或写入Hudi数据集及使用RDD API操作Hudi数据集。

5. Hudi最佳实践

• 使用一种新的HoodieRecordPayload类型，并保留以前的持久类型作为CombineAndGetUpdateValue(...)的输出。否则前一次提交的提交时间一直更新到最新，会使得下游增量ETL将此记录计数两次。
• 左连接（left join）包含所有通过键保留的数据的数据框（data frame），并插入persisted_data.key为空的记录。但不确定是否充分利用了BloomIndex/metadata。
• 添加一个新的标志字段至从HoodieRecordPayload元数据读取的HoodieRecord中，以表明在写入过程中是否需要复制旧记录。
• 在数据框（data frame）选项中传递一个标志位以强制整个作业会复制旧记录。

6. Hudi的优势

• HDFS中的可伸缩性限制。
• Hadoop中数据的快速呈现
• 支持对于现有数据的更新和删除
• 快速的ETL和建模

7. Apache Hudi与Apache Kudu的比较

Apache Kudu与Hudi非常相似；Apache Kudu用于对PB级数据进行实时分析，也支持插入更新。

Apache Kudu和Hudi之间的主要区别在于Kudu试图充当OLTP（在线事务处理）工作负载的数据存储，而Hudi却不支持，它仅支持OLAP（在线分析处理）。

Apache Kudu不支持增量拉取，但Hudi支持增量拉取。

还有其他主要的主要区别，Hudi完全基于Hadoop兼容的文件系统，例如HDFS，S3或Ceph，而Hudi也没有自己的存储服务器，Apache Kudu的存储服务器通过RAFT进行相互通信。

对于繁重的工作流，Hudi依赖于Apache Spark，因此可以像其他Spark作业一样轻松地扩展Hudi。

8. Hudi总结

Hudi填补了在HDFS上处理数据的巨大空白，因此可以与一些大数据技术很好地共存。Hudi最好用于在HDFS之上对parquet格式数据执行插入/更新操作。