Apache Hudi使用簡介

• Apache Hudi使用簡介
• 資料實時處理和實時的資料
• 業務場景和技術選型
• Apache hudi簡介
  • 使用Aapche Hudi整體思路
  • Hudi表資料結構
    • 資料檔案
    • .hoodie檔案
  • Hudi記錄Id
  • COW和MOR
    • Copy On Write Table
    • Merge On Read Table
• 基於hudi的程式碼實現
  • binlog資料寫入Hudi表
  • 歷史資料同步以及表元資料同步至hive
    • 同步歷史資料至hudi表
    • 同步hudi表結構至hive meta
• 一些踩坑
  • hive相關配置
  • spark streaming的一些調優
• 未來改進
• 參考資料

資料實時處理和實時的資料

實時分為處理的實時和資料的實時
即席分析是要求對資料實時的處理，馬上要得到對應的結果
Flink、Spark Streaming是用來對實時資料的實時處理，資料要求實時，處理也要迅速
資料不實時，處理也不及時的場景則是我們的數倉T+1資料

而本文探討的Apache Hudi，對應的場景是資料的實時，而非處理的實時。它旨在將Mysql中的時候以近實時的方式對映到大資料平臺，比如Hive中。

業務場景和技術選型

傳統的離線數倉，通常資料是T+1的，不能滿足對當日資料分析的需求
而流式計算一般是基於視窗，並且視窗邏輯相對比較固定。
而筆者所在的公司有一類特殊的需求，業務分析比較熟悉現有事務資料庫的資料結構，並且希望有很多即席分析，這些分析包含當日比較實時的資料。慣常他們是基於Mysql從庫，直接通過Sql做相應的分析計算。但很多時候會遇到如下障礙

• 資料量較大、分析邏輯較為複雜時，Mysql從庫耗時較長
• 一些跨庫的分析無法實現

因此，一些彌合在OLTP和OLAP之間的技術框架出現，典型有TiDB。它能同時支援OLTP和OLAP。而諸如Apache Hudi和Apache Kudu則相當於現有OLTP和OLAP技術的橋樑。他們能夠以現有OLTP中的資料結構儲存資料，支援CRUD，同時提供跟現有OLAP框架的整合(如Hive，Impala)，以實現OLAP分析

Apache Kudu，需要單獨部署叢集。而Apache Hudi則不需要，它可以利用現有的大資料叢集比如HDFS做資料檔案儲存，然後通過Hive做資料分析，相對來說更適合資源受限的環境

Apache hudi簡介

使用Aapche Hudi整體思路

Hudi 提供了Hudi 表的概念，這些表支援CRUD操作。我們可以基於這個特點，將Mysql Binlog的資料重放至Hudi表，然後基於Hive對Hudi表進行查詢分析。資料流向架構如下

Hudi表資料結構

Hudi表的資料檔案，可以使用作業系統的檔案系統儲存，也可以使用HDFS這種分散式的檔案系統儲存。為了後續分析效能和資料的可靠性，一般使用HDFS進行儲存。以HDFS儲存來看，一個Hudi表的儲存檔案分為兩類。

• 包含_partition_key相關的路徑是實際的資料檔案，按分割槽儲存，當然分割槽的路徑key是可以指定的，我這裡使用的是_partition_key
• .hoodie 由於CRUD的零散性，每一次的操作都會生成一個檔案，這些小檔案越來越多後，會嚴重影響HDFS的效能，Hudi設計了一套檔案合併機制。 .hoodie資料夾中存放了對應的檔案合併操作相關的日誌檔案。

資料檔案

Hudi真實的資料檔案使用Parquet檔案格式儲存

.hoodie檔案

Hudi把隨著時間流逝，對錶的一系列CRUD操作叫做Timeline。Timeline中某一次的操作，叫做Instant。Instant包含以下資訊

• Instant Action 記錄本次操作是一次資料提交（COMMITS），還是檔案合併（COMPACTION），或者是檔案清理（CLEANS）
• Instant Time 本次操作發生的時間
• state 操作的狀態，發起(REQUESTED)，進行中(INFLIGHT)，還是已完成(COMPLETED)

.hoodie資料夾中存放對應操作的狀態記錄

Hudi記錄Id

hudi為了實現資料的CRUD，需要能夠唯一標識一條記錄。hudi將把資料集中的唯一欄位(record key ) + 資料所在分割槽 (partitionPath) 聯合起來當做資料的唯一鍵

COW和MOR

基於上述基礎概念之上，Hudi提供了兩類表格式COW和MOR。他們會在資料的寫入和查詢效能上有一些不同

Copy On Write Table

簡稱COW。顧名思義，他是在資料寫入的時候，複製一份原來的拷貝，在其基礎上新增新資料。正在讀資料的請求，讀取的是是近的完整副本，這類似Mysql 的MVCC的思想。

上圖中，每一個顏色都包含了截至到其所在時間的所有資料。老的資料副本在超過一定的個數限制後，將被刪除。這種型別的表，沒有compact instant，因為寫入時相當於已經compact了。

• 優點 讀取時，只讀取對應分割槽的一個數據檔案即可，較為高效
• 缺點 資料寫入的時候，需要複製一個先前的副本再在其基礎上生成新的資料檔案，這個過程比較耗時。且由於耗時，讀請求讀取到的資料相對就會滯後

Merge On Read Table

簡稱MOR。新插入的資料儲存在delta log 中。定期再將delta log合併進行parquet資料檔案。讀取資料時，會將delta log跟老的資料檔案做merge，得到完整的資料返回。當然，MOR表也可以像COW表一樣，忽略delta log，只讀取最近的完整資料檔案。下圖演示了MOR的兩種資料讀寫方式

• 優點 由於寫入資料先寫delta log，且delta log較小，所以寫入成本較低
• 缺點 需要定期合併整理compact，否則碎片檔案較多。讀取效能較差，因為需要將delta log 和 老資料檔案合併

基於hudi的程式碼實現

我在github上放置了基於Hudi的封裝實現，對應的原始碼地址為 https://github.com/wanqiufeng/hudi-learn。

binlog資料寫入Hudi表

• binlog-consumer分支使用Spark streaming消費kafka中的Binlog資料，並寫入Hudi表。Kafka中的binlog是通過阿里的Canal工具同步拉取的。程式入口是CanalKafkaImport2Hudi，它提供了一系列引數，配置程式的執行行為

一個使用的demo如下

/data/opt/spark-2.4.4-bin-hadoop2.6/bin/spark-submit --class com.niceshot.hudi.CanalKafkaImport2Hudi \
	--name hudi__goods \
    --master yarn \
    --deploy-mode cluster \
    --driver-memory 512m \
    --executor-memory 512m \
    --executor-cores 1 \
	--num-executors 1 \
    --queue hudi \
    --conf spark.executor.memoryOverhead=2048 \
    --conf "spark.executor.extraJavaOptions=-XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=\tmp\hudi-debug" \
	--conf spark.core.connection.ack.wait.timeout=300 \
	--conf spark.locality.wait=100 \
	--conf spark.streaming.backpressure.enabled=true \
	--conf spark.streaming.receiver.maxRate=500 \
	--conf spark.streaming.kafka.maxRatePerPartition=200 \
	--conf spark.ui.retainedJobs=10 \
	--conf spark.ui.retainedStages=10 \
	--conf spark.ui.retainedTasks=10 \
	--conf spark.worker.ui.retainedExecutors=10 \
	--conf spark.worker.ui.retainedDrivers=10 \
	--conf spark.sql.ui.retainedExecutions=10 \
	--conf spark.yarn.submit.waitAppCompletion=false \
	--conf spark.yarn.maxAppAttempts=4 \
	--conf spark.yarn.am.attemptFailuresValidityInterval=1h \
	--conf spark.yarn.max.executor.failures=20 \
	--conf spark.yarn.executor.failuresValidityInterval=1h \
	--conf spark.task.maxFailures=8 \
    /data/opt/spark-applications/hudi_canal_consumer/hudi-canal-import-1.0-SNAPSHOT-jar-with-dependencies.jar  --kafka-server local:9092 --kafka-topic dt_streaming_canal_xxx --base-save-path hdfs://192.168.2.1:8020/hudi_table/ --mapping-mysql-db-name crm --mapping-mysql-table-name order --primary-key id --partition-key createDate --duration-seconds 1200

歷史資料同步以及表元資料同步至hive

history_import_and_meta_sync 分支提供了將歷史資料同步至hudi表，以及將hudi表資料結構同步至hive meta的操作

同步歷史資料至hudi表

這裡採用的思路是

• 將mysql全量資料通過注入sqoop等工具，匯入到hive表。
• 然後採用分支程式碼中的工具HiveImport2HudiConfig，將資料匯入Hudi表

HiveImport2HudiConfig提供瞭如下一些引數，用於配置程式執行行為

一個程式執行demo

nohup java -jar hudi-learn-1.0-SNAPSHOT.jar --sync-hive-db-name hudi_temp --sync-hive-table-name crm__wx_user_info --base-save-path hdfs://192.168.2.2:8020/hudi_table/ --mapping-mysql-db-name crm --mapping-mysql-table-name "order" --primary-key "id" --partition-key created_date --hive-site-path /etc/lib/hive/conf/hive-site.xml --tmp-data-path /data/tmp > order.log &

同步hudi表結構至hive meta

需要將hudi的資料結構和分割槽，以hive外表的形式同步至Hive meta，才能是Hive感知到hudi資料，並通過sql進行查詢分析。Hudi本身在消費Binlog進行儲存時，可以順帶將相關表元資料資訊同步至hive。但考慮到每條寫入Apache Hudi表的資料，都要讀寫Hive Meta ，對Hive的效能可能影響很大。所以我單獨開發了HiveMetaSyncConfig工具，用於同步hudi表元資料至Hive。考慮到目前程式只支援按天分割槽，所以同步工具可以一天執行一次即可。引數配置如下

| 引數名 | 含義 | 是否必填 |預設值|
| :-------- | --------