内容简介：随着云数仓技术的不断成熟，数据湖俨然已成为当下最热门的技术之一，而 Apache Hudi 是当下最具竞争力的数据湖格式之一： 拥有最活跃的开源社区之一，周活跃 PR 一直维持在 50+ 水平； 拥有最活跃的国内用户群之一...
随着云数仓技术的不断成熟，数据湖俨然已成为当下最热门的技术之一，而 Apache Hudi 是当下最具竞争力的数据湖格式之一：
- 拥有最活跃的开源社区之一，周活跃 PR 一直维持在 50+ 水平；
- 拥有最活跃的国内用户群之一，目前的 Apache Hudi 钉钉群用户已超过 2200+，国内各大厂商都已经布局 Apache Hudi 生态。
Apache Hudi 的活跃度得益于其出色的 file format 设计和丰富的事物语义支持：
- 类 LSM 的 file format 布局很好的适配了近实时更新场景，解决了超大数据集更新的痛点；
- Hudi 的事物层语义在目前的湖存储中是极其成熟和丰富的，基本所有的数据治理都可以自动化完成：compaction、rollback、cleaning、clustering。
Flink On Hudi
Apache Hudi 的 table format 对流计算友好的特性使得 Flink On Hudi 成为 Apache Hudi 项目最值得探索和挖掘的方向之一，Flink 不仅为 Hudi 解锁了超大数据流的实时更新能力、更添加了流式消费和计算的能力，让端到端近实时 ETL 得以在低成本的文件存储上轻松实现。
Flink On Hudi 项目在 2020 年 11 月立项，至今已迭代了三个版本，从第一个版本开始人气和活跃度就一直高涨。5 月份组建的 Apache Hudi 钉钉群截止目前半年的时间，已经有超过 2200+ 用户，并且活跃度一直排在 Flink 用户群的前列。
Flink On Hudi 已成为部署 Apache Hudi 项目的首选方案，国内主要云厂商：阿里云、华为云、腾讯云，国外的 AWS 都已集成 Flink On Hudi；国内的大型互联网公司：头条、快手、B站 以及传统企业：顺丰、海康等均有 Flink On Hudi 的生产实践，具钉钉群的跟踪回访等不完全统计，至少超过 50+ 国内公司在生产上使用 Flink On Hudi，Uber 公司更将 Flink On Hudi 作为 2022 年的重点方向在推进 ！
Flink On Hudi 的开发者生态也非常活跃，目前国内有阿里云、华为云、头条、B站的同学持续贡献，Uber 公司和 AWS 更专门投入人力来对接 Flink On Hudi。
版本 Highlights
0.10.0 版本经过社区用户的千锤百炼，贡献了多项重要的 fix，更有核心读写能力的大幅增强，解锁了多个新场景，Flink On Hudi 侧的更新重点梳理如下：
Bug 修复
- 修复对象存储上极端 case 流读数据丢失的问题 [HUDI-2548]；
- 修复全量+增量同步偶发的数据重复 [HUDI-2686]；
- 修复 changelog 模式下无法正确处理 DELETE 消息 [HUDI-2798]；
- 修复在线压缩的内存泄漏问题 [HUDI-2715]。
新特性
- 支持增量读取；
- 支持 batch 更新；
- 新增 Append 模式写入，同时支持小文件合并；
- 支持 metadata table。
功能增强
- 写入性能大幅提升：优化写入内存、优化了小文件策略(更加均衡，无碎片文件)、优化了 write task 和 coordinator 的交互；
- 流读语义增强：新增参数 earliest，提升从最早消费性能、支持参数跳过压缩读取，解决读取重复问题；
- 在线压缩策略增强：新增 eager failover + rollback，压缩顺序改为从最早开始；
- 优化事件顺序语义：支持处理序，支持事件序自动推导。
下面挑一些重点内容为大家详细介绍：
小文件优化
Flink On Hudi 写入流程大致分为以下几个组件：
-
row data to hoodie：负责将 table 的数据结构转成 HoodieRecord；
-
bucket assigner：负责新的文件 bucket (file group) 分配；
-
write task：负责将数据写入文件存储；
-
coordinator：负责写 trasaction 的发起和 commit；
-
cleaner：负责数据清理。
其中的 bucket assigner 负责了文件 file group 的分配，也是小文件分配策略的核心组件。0.10.0 版本的每个 bucket assign task 持有一个 bucket assigner，每个 bucket assigner 独立管理自己的一组 file group 分组：
在写入 INSERT 数据的时候，bucket assigner 会扫描文件视图，查看当前管理的 file group 中哪些属于小文件范畴，如果 file group 被判定为小文件，则会继续追加写入。比如上图中 task-1 会继续往 FG-1、FG-2 中追加 80MB 和 60MB 的数据。
为了避免过度的写放大，当可写入的 buffer 过小时会忽略，比如上图中 FG-3、FG-4、FG-5 虽然是小文件，但是不会往文件中追加写。task-2 会新开一个 file group 写入。
全局文件视图
0.10.0 版本将原本 write task 端的文件视图统一挪到 JobManager，JobManager 启动之后会使用 Javaline 本地启动一个 web server，提供全局文件视图的访问代理。Write task 通过发送 http 请求和 web server 交互，拿到当前写入的 file group 视图。
Web server 避免了重复的文件系统视图加载，极大的节省了内存开销。
流读能力增强
0.10.0 版本新增了从最早消费数据的参数，通过指定 read.start-commit 为 earliest 即可流读全量 + 增量数据，值得一提的是，当从 earliest 开始消费时，第一次的 file split 抓取会走直接扫描文件视图的方式，在开启 metadata table 功能后，文件的扫描效率会大幅度提升；之后的增量读取部分会扫描增量的 metadata，以便快速轻量地获取增量的文件讯息。
新增处理顺序
Apache Hudi 的消息合并大体分为两块：增量数据内部合并、历史数据和增量数据合并。消息之间合并通过 write.precombine.field 字段来判断版本新旧，如下图中标注蓝色方块的消息为合并后被选中的消息。
0.10.0 版本可以不指定 write.precombine.field 字段，此时使用处理顺序：即后来的消息比较新，对应上图紫色部分被选中的消息。
Metadata Table
Metadata table 是 0.7.0 Hudi 引入的功能，目的是在查询端减少 DFS 的访问，类似于文件 listings 和 partitions 信息直接通过 metadata table 查询获取。Metadata 在 0.10.0 版本得到大幅加强，Flink 端也支持了 该功能。
新版的 metadata table 为同步更新模型，当完成一次成功的数据写入之后，coordinator 会先同步抽取文件列表、partiiton 列表等信息写入 metadata table 然后再写 event log 到 timeline (即 metadata 文件)。
Metadata table 的基本文件格式为 avro log，avro log 中的文件编码区别于正常的 MOR data log 文件，是由高效的 HFile data block 构成，这样做的好处是自持更高效率的 kv 查找。同时 metadata table 的 avro log 支持直接压缩成 HFile 文件，进一步优化查询效率。
总结和展望
在短短的半年时间，Flink On Hudi 至今已积攒了数量庞大的用户群体。积极的用户反馈和丰富的用户场景不断打磨 Flink On Hudi 的易用性和成熟度，使得 Flink On Hudi 项目以非常高效的形式快速迭代。通过和头部公司如头条、B 站等共建的形式，Flink On Hudi 形成了非常良性的开发者用户群。
Flink On Hudi 是 Apache Hudi 社区接下来两个大版本主要的发力方向，在未来规划中，主要有三点：
-
完善端到端 streaming ETL 场景 支持原生的 change log、支持维表查询、支持更轻量的去重场景；
-
Streaming 查询优化 record-level 索引，二级索引，独立的文件索引；
-
Batch 查询优化 z-ordering、data skipping。
致谢
最后感谢 Flink Hudi 活跃的社区用户以及开发者，正是有你们一路相伴，Flink On Hudi 才能高效率地演化和迭代；也因为有你们，Flink On Hudi 在实时数据湖方向的探索和实践逐渐成为行业先驱，且越来越成熟 ~
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
- 一个小技巧提升 OkHttp 请求稳定性
- TiDB 3.0 GA，稳定性和性能大幅提升
- TiDB 3.0 GA，稳定性和性能大幅提升
- OneAlert助力车行易提升事件响应效率，保障服务稳定性
- Hunt Framework 2.2.0 发布，稳定性得到全面提升
- Kube-OVN v0.9.1 稳定性提升
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
