1. 引入
大多數現代資料湖都是基於某種分散式檔案系統（DFS），如HDFS或基於雲的儲存，如AWS S3構建的。遵循的基本原則之一是檔案的“一次寫入多次讀取”訪問模型。這對於處理海量資料非常有用，如數百GB到TB的資料。
但是在構建分析資料湖時，更新資料並不罕見。根據不同場景，這些更新頻率可能是每小時一次，甚至可能是每天或每週一次。另外可能還需要在最新檢視、包含所有更新的歷史檢視甚至僅是最新增量檢視上執行分析。
通常這會導致使用用於流和批處理的多個系統，前者處理增量資料，而後者處理歷史資料。
處理儲存在HDFS上的資料時，維護增量更新的常見工作流程是這裡所述的Ingest-Reconcile-Compact-Purge策略。
Apache Hudi之類的框架在這裡便可發揮作用。它在後臺為我們管理此工作流程，從而使我們的核心應用程式程式碼更加簡潔，Hudi支援對最新資料檢視的查詢以及查詢在某個時間點的增量更改。
這篇文章將介紹Hudi的核心概念以及如何在Copy-On-Write模式下進行操作。
本篇文章專案原始碼放在github。
2. 大綱
- 先決條件和框架版本
- Hudi核心概念
- 初始設定和依賴項
- 使用CoW表
2.1 先決條件和框架版本
如果你事先了解如何使用scala編寫spark作業以及讀取和寫入parquet檔案，那麼本篇文章理解起來將非常容易。
框架版本如下
- JDK: openjdk 1.8.0_242
- Scala: 2.12.8
- Spark: 2.4.4
- Hudi Spark bundle: 0.5.2-incubating
注意：在撰寫本文時，AWS EMR與Hudi v0.5.0-incubating整合在一起，該軟體包具有一個bug會導致upsert操作卡死或花費很長時間才能完成，可檢視相關issue瞭解更多，該問題已在當前版本的Hudi（0.5.2-incubating及之後版本）中修復。如果計劃在AWS EMR上執行程式碼，則可能要考慮用最新版本覆蓋預設的整合版本。
2.2 Hudi核心概念
先從一些需要理解的核心概念開始。
1. 表型別
Hudi支援兩種表型別
-
寫時複製（CoW）：寫入CoW表時，將執行Ingest-Reconcile-Compact-Purge週期。每次寫操作後，CoW表中的資料始終是最新記錄，對於需要儘快讀取最新資料的場景，可首選此模式。資料僅以列檔案格式（parquet）儲存在CoW表中，由於每個寫操作都涉及壓縮和覆蓋，因此此模式產生的檔案最少。
-
讀時合併（MoR）：MoR表專注於快速寫操作。寫入這些表將建立增量檔案，隨後將其壓縮以生成讀取時的最新資料，壓縮操作可以同步或非同步完成，資料以列檔案格式（parquet）和基於行的檔案格式（avro）組合儲存。
這是Hudi文件中提到的兩種表格格式之間的權衡取捨。
| Trade-off | CoW | MoR |
|---|---|---|
| 資料延遲 | Higher | Lower |
| 更新開銷 (I/O) | Higher (重寫整個parquet檔案) | Lower (追加到delta log檔案) |
| Parquet檔案大小 | Smaller (高update(I/0) 開銷) | Larger (低更新開銷) |
| Write Amplification | Higher | Lower (由compaction策略決定) |
2. 查詢型別
Hudi支援兩種主要型別的查詢：“快照查詢”和“增量查詢”。除兩種主要查詢型別外，MoR表還支援“讀優化查詢”。
-
快照查詢：對於CoW表，快照查詢返回資料的最新檢視，而對於MoR表，則返回接近實時的檢視。 對於MoR表，快照查詢將即時合併基本檔案和增量檔案，因此可能會有一些讀取延遲。使用CoW，由於寫入負責合併，因此讀取很快，只需要讀取基本檔案。
-
增量查詢：增量查詢使您可以通過指定“開始”時間或在特定時間點通過指定“開始”和“結束”時間來檢視特定提交時間之後的資料。
-
讀優化查詢：對於MoR表，讀取優化查詢返回一個檢視，該檢視僅包含基本檔案中的資料，而不合並增量檔案。
3. 以Hudi格式寫入時的關鍵屬性
-
hoodie.datasource.write.table.type，定義表的型別-預設值為COPY_ON_WRITE。對於MoR表，將此值設定為MERGE_ON_READ。 -
hoodie.table.name，這是必填欄位，每個表都應具有唯一的名稱。 -
hoodie.datasource.write.recordkey.field，將此視為表的主鍵。此屬性的值是DataFrame中列的名稱，該列是主鍵。 -
hoodie.datasource.write.precombine.field，更新資料時，如果存在兩個具有相同主鍵的記錄，則此列中的值將決定更新哪個記錄。選擇諸如時間戳記的列將確保選擇具有最新時間戳記的記錄。 -
hoodie.datasource.write.operation，定義寫操作的型別。值可以為upsert，insert，bulk_insert和delete，預設值為upsert。
2.3 初始設定和依賴項
1. 依賴說明
為了在Spark作業中使用Hudi，需要使用spark-sql，hudi-spark-bundle和spark-avro依賴項，此外還需要將Spark配置為使用KryoSerializer。
pom.xml大致內容如下
<properties>
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>1.8</maven.compiler.target>
<encoding>UTF-8</encoding>
<scala.version>2.12.8</scala.version>
<scala.compat.version>2.12</scala.compat.version>
<spec2.version>4.2.0</spec2.version>
</properties>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_${scala.compat.version}</artifactId>
<version>2.4.4</version>
</dependency>
<dependency>
<groupId>org.apache.hudi</groupId>
<artifactId>hudi-spark-bundle_${scala.compat.version}</artifactId>
<version>0.5.2-incubating</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-avro_${scala.compat.version}</artifactId>
<version>2.4.4</version>
</dependency>
</dependencies>
2. 設定Schema
我們使用下面的Album類來表示表的schema。
case class Album(albumId: Long, title: String, tracks: Array[String], updateDate: Long)
3. 生成測試資料
建立一些用於upsert操作的資料。
- INITIAL_ALBUM_DATA有兩個記錄，鍵為801。
- UPSERT_ALBUM_DATA包含一個更新的記錄和兩個新的記錄。
def dateToLong(dateString: String): Long = LocalDate.parse(dateString, formatter).toEpochDay
private val INITIAL_ALBUM_DATA = Seq(
Album(800, "6 String Theory", Array("Lay it down", "Am I Wrong", "68"), dateToLong("2019-12-01")),
Album(801, "Hail to the Thief", Array("2+2=5", "Backdrifts"), dateToLong("2019-12-01")),
Album(801, "Hail to the Thief", Array("2+2=5", "Backdrifts", "Go to sleep"), dateToLong("2019-12-03"))
)
private val UPSERT_ALBUM_DATA = Seq(
Album(800, "6 String Theory - Special", Array("Jumpin' the blues", "Bluesnote", "Birth of blues"), dateToLong("2020-01-03")),
Album(802, "Best Of Jazz Blues", Array("Jumpin' the blues", "Bluesnote", "Birth of blues"), dateToLong("2020-01-04")),
Album(803, "Birth of Cool", Array("Move", "Jeru", "Moon Dreams"), dateToLong("2020-02-03"))
)
4. 初始化SparkContext
最後初始化Spark上下文。這裡要注意的重要一點是KryoSerializer的使用。
val spark: SparkSession = SparkSession.builder()
.appName("hudi-datalake")
.master("local[*]")
.config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
.config("spark.sql.hive.convertMetastoreParquet", "false") // Uses Hive SerDe, this is mandatory for MoR tables
.getOrCreate()
2.4 使用CoW表
本節將處理CoW表的記錄，如讀取和刪除記錄。
1. basePath(基本路徑)和Upsert方法
定義一個basePath，upsert方法會將表資料寫入該路徑，該方法將以org.apache.hudi格式寫入Dataframe，請確保上面討論的所有Hudi屬性均已設定。
val basePath = "/tmp/store"
private def upsert(albumDf: DataFrame, tableName: String, key: String, combineKey: String) = {
albumDf.write
.format("hudi")
.option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY, DataSourceWriteOptions.COW_TABLE_TYPE_OPT_VAL)
.option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, key)
.option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, combineKey)
.option(HoodieWriteConfig.TABLE_NAME, tableName)
.option(DataSourceWriteOptions.OPERATION_OPT_KEY, DataSourceWriteOptions.UPSERT_OPERATION_OPT_VAL)
// Ignore this property for now, the default is too high when experimenting on your local machine
// Set this to a lower value to improve performance.
// I'll probably cover Hudi tuning in a separate post.
.option("hoodie.upsert.shuffle.parallelism", "2")
.mode(SaveMode.Append)
.save(s"$basePath/$tableName/")
}
2. 初始化upsert
插入INITIAL_ALBUM_DATA，我們應該建立2條記錄，對於801，該記錄的日期為2019-12-03。
val tableName = "Album"
upsert(INITIAL_ALBUM_DATA.toDF(), tableName, "albumId", "updateDate")
spark.read.format("hudi").load(s"$basePath/$tableName/*").show()
讀取CoW表就像使用格式（“hudl”）的常規spark.read一樣簡單。
// Output
+-------------------+--------------------+------------------+----------------------+--------------------+-------+-----------------+--------------------+----------+
|_hoodie_commit_time|_hoodie_commit_seqno|_hoodie_record_key|_hoodie_partition_path| _hoodie_file_name|albumId| title| tracks|updateDate|
+-------------------+--------------------+------------------+----------------------+--------------------+-------+-----------------+--------------------+----------+
| 20200412182343| 20200412182343_0_1| 801| default|65841d0a-0083-447...| 801|Hail to the Thief|[2+2=5, Backdrift...| 18233|
| 20200412182343| 20200412182343_0_2| 800| default|65841d0a-0083-447...| 800| 6 String Theory|[Lay it down, Am ...| 18231|
+-------------------+--------------------+------------------+----------------------+--------------------+-------+-----------------+--------------------+----------+
另一種確定的方法是檢視Workload profile的日誌輸出，內容大致如下
Workload profile :WorkloadProfile {globalStat=WorkloadStat {numInserts=2, numUpdates=0}, partitionStat={default=WorkloadStat {numInserts=2, numUpdates=0}}}
3. 更新記錄
upsert(UPSERT_ALBUM_DATA.toDF(), tableName, "albumId", "updateDate")
檢視Workload profile的日誌輸出，並驗證它是否符合預期
Workload profile :WorkloadProfile {globalStat=WorkloadStat {numInserts=2, numUpdates=1}, partitionStat={default=WorkloadStat {numInserts=2, numUpdates=1}}}
查詢輸出如下
spark.read.format("hudi").load(s"$basePath/$tableName/*").show()
//Output
+-------------------+--------------------+------------------+----------------------+--------------------+-------+--------------------+--------------------+----------+
|_hoodie_commit_time|_hoodie_commit_seqno|_hoodie_record_key|_hoodie_partition_path| _hoodie_file_name|albumId| title| tracks|updateDate|
+-------------------+--------------------+------------------+----------------------+--------------------+-------+--------------------+--------------------+----------+
| 20200412183510| 20200412183510_0_1| 801| default|65841d0a-0083-447...| 801| Hail to the Thief|[2+2=5, Backdrift...| 18233|
| 20200412184040| 20200412184040_0_1| 800| default|65841d0a-0083-447...| 800|6 String Theory -...|[Jumpin' the blue...| 18264|
| 20200412184040| 20200412184040_0_2| 802| default|65841d0a-0083-447...| 802| Best Of Jazz Blues|[Jumpin' the blue...| 18265|
| 20200412184040| 20200412184040_0_3| 803| default|65841d0a-0083-447...| 803| Birth of Cool|[Move, Jeru, Moon...| 18295|
+-------------------+--------------------+------------------+----------------------+--------------------+-------+--------------------+--------------------+----------+
4. 查詢記錄
我們在上面檢視資料的方式稱為“快照查詢”，這是預設設定，另外還支援“增量查詢”。
4.1 增量查詢
要執行增量查詢，我們需要在讀取時將hoodie.datasource.query.type屬性設定為incremental，並指定hoodie.datasource.read.begin.instanttime屬性。 這將在指定的即時時間之後讀取所有記錄，對於本示例，我們將instantTime指定為20200412183510。
spark.read
.format("hudi")
.option(DataSourceReadOptions.QUERY_TYPE_OPT_KEY, DataSourceReadOptions.QUERY_TYPE_INCREMENTAL_OPT_VAL)
.option(DataSourceReadOptions.BEGIN_INSTANTTIME_OPT_KEY, "20200412183510")
.load(s"$basePath/$tableName")
.show()
這將在提交時間20200412183510之後返回所有記錄。
+-------------------+--------------------+------------------+----------------------+--------------------+-------+--------------------+--------------------+----------+
|_hoodie_commit_time|_hoodie_commit_seqno|_hoodie_record_key|_hoodie_partition_path| _hoodie_file_name|albumId| title| tracks|updateDate|
+-------------------+--------------------+------------------+----------------------+--------------------+-------+--------------------+--------------------+----------+
| 20200412184040| 20200412184040_0_1| 800| default|65841d0a-0083-447...| 800|6 String Theory -...|[Jumpin' the blue...| 18264|
| 20200412184040| 20200412184040_0_2| 802| default|65841d0a-0083-447...| 802| Best Of Jazz Blues|[Jumpin' the blue...| 18265|
| 20200412184040| 20200412184040_0_3| 803| default|65841d0a-0083-447...| 803| Birth of Cool|[Move, Jeru, Moon...| 18295|
+-------------------+--------------------+------------------+----------------------+--------------------+-------+--------------------+--------------------+----------+
5. 刪除記錄
我們要檢視的最後一個操作是刪除，刪除類似於upsert，需要一個待刪除記錄的DataFrame，如下面的示例程式碼所示，不需要整行，只需要主鍵即可。
val deleteKeys = Seq(
Album(803, "", null, 0l),
Album(802, "", null, 0l)
)
import spark.implicits._
val df = deleteKeys.toDF()
df.write.format("hudi")
.option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY, DataSourceWriteOptions.COW_TABLE_TYPE_OPT_VAL)
.option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "albumId")
.option(HoodieWriteConfig.TABLE_NAME, tableName)
// Set the option "hoodie.datasource.write.operation" to "delete"
.option(DataSourceWriteOptions.OPERATION_OPT_KEY, DataSourceWriteOptions.DELETE_OPERATION_OPT_VAL)
.mode(SaveMode.Append) // Only Append Mode is supported for Delete.
.save(s"$basePath/$tableName/")
spark.read.format("hudi").load(s"$basePath/$tableName/*").show()
這是本部分介紹的全部內容。後面我們將探討在MERGE-ON-READ表進行操作。