😊 如果您觉得这篇文章有用 ✔️ 的话,请给博主一个一键三连 🚀🚀🚀 吧 (点赞 🧡、关注 💛、收藏 💚)!!!您的支持 💖💖💖 将激励 🔥 博主输出更多优质内容!!!
- Hudi 核心知识点详解(一)
- Hudi 核心知识点详解(二)
4.Hudi 核心点解析
4.1 基本概念
Hudi 提供了 Hudi 表的概念,这些表支持 CRUD 操作,可以利用现有的大数据集群比如 HDFS 做数据文件存储,然后使用 SparkSQL 或 Hive 等分析引擎进行数据分析查询。
Hudi 表的三个主要组件:
- ✅ 有序的时间轴元数据,类似于数据库事务日志。
- ✅ 分层布局的数据文件:实际写入表中的数据。
- ✅ 索引(多种实现方式):映射包含指定记录的数据集。
4.1.1 时间轴 Timeline
Hudi 核心:
- 在所有的表中维护了一个包含在不同的即时(Instant)时间对数据集操作(比如新增、修改或删除)的时间轴(Timeline)。
- 在每一次对 Hudi 表的数据集操作时都会在该表的 Timeline 上生成一个 Instant,从而可以实现在仅查询某个时间点之后成功提交的数据,或是仅查询某个时间点之前的数据,有效避免了扫描更大时间范围的数据。
- 可以高效地只查询更改前的文件(如在某个 Instant 提交了更改操作后,仅 query 某个时间点之前的数据,则仍可以 query 修改前的数据)。
Timeline 是 Hudi 用来管理提交(commit
)的抽象,每个 commit
都绑定一个固定时间戳,分散到时间线上。
在 Timeline 上,每个 commit
被抽象为一个 Hoodie Instant,一个 Instant
记录了一次提交(commit
)的 行为、时间戳、和 状态。
图中采用时间(小时)作为分区字段,从
10
:
00
10:00
10:00 开始陆续产生各种 commits
,
10
:
20
10:20
10:20 来了一条
9
:
00
9:00
9:00 的数据,该数据仍然可以落到
9
:
00
9:00
9:00 对应的分区,通过 Timeline 直接消费
10
:
00
10:00
10:00 之后的增量更新(只消费有新 commits
的 group
),那么这条延迟的数据仍然可以被消费到。
时间轴(Timeline)的实现类(位于 hudi-common-xx.jar
中),时间轴相关的实现类位于 org.apache.hudi.common.table.timeline
包下。
4.1.2 文件管理
Hudi 将 DFS 上的数据集组织到基本路径(HoodieWriteConfig.BASEPATHPROP
)下的目录结构中。
数据集分为多个分区(DataSourceOptions.PARTITIONPATHFIELDOPT_KEY
),这些分区与 Hive 表非常相似,是包含该分区的数据文件的文件夹。
在每个分区内,文件被组织为文件组,由文件 id
充当唯一标识。每个文件组包含多个文件切片,其中每个切片包含在某个即时时间的提交 / 压缩生成的基本列文件(.parquet
)以及一组日志文件(.log
),该文件包含自生成基本文件以来对基本文件的插入 / 更新。
Hudi 的 base file
(parquet
文件) 在 footer
的 meta
去记录了 record key
组成的 BloomFilter,用于在 file based index
的实现中实现高效率的 key contains
检测。
Hudi 的 log
(avro
文件)是自己编码的,通过积攒数据 buffer
以 LogBlock 为单位写出,每个 LogBlock 包含 magic number
、size
、content
、footer
等信息,用于数据读、校验和过滤。
4.1.3 索引 Index
Hudi 通过索引机制提供高效的 Upsert 操作,该机制会将一个 RecordKey
+ PartitionPath
组合的方式作为唯一标识映射到一个文件 ID,而且这个唯一标识和文件组 / 文件 ID 之间的映射自记录被写入文件组开始就不会再改变。
- 全局索引:在全表的所有分区范围下强制要求键保持唯一,即确保对给定的键有且只有一个对应的记录。
- 非全局索引:仅在表的某一个分区内强制要求键保持唯一,它依靠写入器为同一个记录的更删提供一致的分区路径。
4.2 表的存储类型
4.2.1 数据计算模型
Hudi 是 Uber 主导开发的开源数据湖框架,所以大部分的出发点都来源于 Uber 自身场景,比如司机数据和乘客数据通过订单 Id 来做 Join 等。
在 Hudi 过去的使用场景里,和大部分公司的架构类似,采用批式和流式共存的 Lambda 架构,后来 Uber 提出增量 Incremental 模型,相对批式来讲,更加实时;相对流式而言,更加经济。
4.2.1.1 批式模型(Batch)
批式模型就是使用 MapReduce、Hive、Spark 等典型的批计算引擎,以小时任务或者天任务的形式来做数据计算。
- 延迟:小时级延迟或者天级别延迟。这里的延迟不单单指的是定时任务的时间,在数据架构里,这里的延迟时间通常是定时任务间隔时间 + 一系列依赖任务的计算时间 + 数据平台最终可以展示结果的时间。数据量大、逻辑复杂的情况下,小时任务计算的数据通常真正延迟的时间是 2 − 3 2-3 2−3 小时。
- 数据完整度:数据较完整。以处理时间为例,小时级别的任务,通常计算的原始数据已经包含了小时内的所有数据,所以得到的数据相对较完整。但如果业务需求是事件时间,这里涉及到终端的一些延迟上报机制,在这里,批式计算任务就很难派上用场。
- 成本:成本很低。只有在做任务计算时,才会占用资源,如果不做任务计算,可以将这部分批式计算资源出让给在线业务使用。从另一个角度来说成本是挺高的,如原始数据做了一些增删改查,数据晚到的情况,那么批式任务是要全量重新计算。
4.2.1.2 流式模型(Stream)
流式模型,典型的就是使用 Flink 来进行实时的数据计算。
- 延迟:很短,甚至是实时。
-
数据完整度:较差。因为流式引擎不会等到所有数据到齐之后再开始计算,所以有一个
watermark
的概念,当数据的时间小于watermark
时,就会被丢弃,这样是无法对数据完整度有一个绝对的保障。在互联网场景中,流式模型主要用于活动时的数据大盘展示,对数据的完整度要求并不算很高。在大部分场景中,用户需要开发两个程序,一是流式数据生产流式结果,二是批式计算任务,用于次日修复实时结果。 -
成本:很高。因为流式任务是常驻的,并且对于多流 Join 的场景,通常要借助内存或者数据库来做
state
的存储,不管是序列化开销,还是和外部组件交互产生的额外 IO,在大数据量下都是不容忽视的。
4.2.1.3 增量模型(Incremental)
针对批式和流式的优缺点,Uber 提出了 增量模型(Incremental Mode
),相对批式来讲,更加实时;相对流式而言,更加经济。
增量模型,简单来讲,是以 mini batch
的形式来跑准实时任务。Hudi 在增量模型中支持了两个最重要的特性:
-
Upsert
:这个主要是解决批式模型中,数据不能插入、更新的问题,有了这个特性,可以往 Hive 中写入增量数据,而不是每次进行完全的覆盖。(Hudi 自身维护了key
➡file
的映射,所以当upsert
时很容易找到key
对应的文件) -
Incremental Query
:增量查询,减少计算的原始数据量。以 Uber 中司机和乘客的数据流 Join 为例,每次抓取两条数据流中的增量数据进行批式的 Join 即可,相比流式数据而言,成本要降低几个数量级。
4.2.2 查询类型(Query Type)
Hudi 支持三种不同的查询表的方式:Snapshot Queries
、Incremental Queries
和 Read Optimized Queries
。
4.2.2.1 快照查询(Snapshot Queries)
- 查询某个增量提交操作中数据集的最新快照,先进行动态合并最新的基本文件(
Parquet
)和增量文件(Avro
)来提供近实时数据集(通常会存在几分钟的延迟)。 - 读取所有
partition
下每个 FileGroup 最新的 FileSlice 中的文件,Copy On Write 表读parquet
文件,Merge On Read 表读parquet
+log
文件。
4.2.2.2 增量查询(Incremental Queries)
- 仅查询新写入数据集的文件,需要指定一个 Commit / Compaction 的即时时间(位于 Timeline 上的某个 Instant)作为条件,来查询此条件之后的新数据。
- 可查看自给定
commit
/delta commit
即时操作以来新写入的数据,有效的提供变更流来启用增量数据管道。
4.2.2.3 读优化查询(Read Optimized Queries)
- 直接查询基本文件(数据集的最新快照),其实就是列式文件(Parquet)。并保证与非 Hudi 列式数据集相比,具有相同的列式查询性能。
- 可查看给定的
commit
/compact
即时操作的表的最新快照。 - 读优化查询和快照查询相同仅访问基本文件,提供给定文件片自上次执行压缩操作以来的数据。通常查询数据的最新程度的保证取决于压缩策略。
4.2.3 Hudi 支持表类型
Hudi 提供两类型表:写时复制(Copy on Write
,COW
)表和 读时合并(Merge On Read
,MOR
)表。
- 对于 Copy-On-Write Table,用户的
update
会重写数据所在的文件,所以是一个写放大很高,但是读放大为 0 0 0,适合 写少读多 的场景。 - 对于 Merge-On-Read Table,整体的结构有点像 LSM-Tree,用户的写入先写入到
delta data
中,这部分数据使用行存,这部分delta data
可以手动merge
到存量文件中,整理为parquet
的列存结构。
4.2.3.1 写时复制表(COW)
Copy on Write
简称 COW
,顾名思义,它是在数据写入的时候,复制一份原来的拷贝,在其基础上添加新数据。
正在读数据的请求,读取的是最近的完整副本,这类似 MySQL 的 MVCC 的思想。
- ✅ 优点:读取时,只读取对应分区的一个数据文件即可,较为高效。
- ⭕ 缺点:数据写入的时候,需要复制一个先前的副本再在其基础上生成新的数据文件,这个过程比较耗时。
COW 表主要使用列式文件格式(Parquet
)存储数据,在写入数据过程中,执行同步合并,更新数据版本并重写数据文件,类似 RDBMS 中的 B-Tree 更新。
- 更新
update
:在更新记录时,Hudi 会先找到包含更新数据的文件,然后再使用更新值(最新的数据)重写该文件,包含其他记录的文件保持不变。当突然有大量写操作时会导致重写大量文件,从而导致极大的 I/O 开销。 - 读取
read
:在读取数据时,通过读取最新的数据文件来获取最新的更新,此存储类型适用于少量写入和大量读取的场景。
4.2.3.2 读时合并表(MOR)
Merge On Read
简称 MOR
,新插入的数据存储在 delta log
中,定期再将 delta log
合并进行 parquet
数据文件。
读取数据时,会将 delta log
跟老的数据文件做 merge
,得到完整的数据返回。下图演示了 MOR 的两种数据读写方式。
- ✅ 优点:由于写入数据先写
delta log
,且delta log
较小,所以写入成本较低。 - ⭕ 缺点:需要定期合并整理
compact
,否则碎片文件较多。读取性能较差,因为需要将delta log
和老数据文件合并。
MOR 表是 COW 表的升级版,它使用列式(parquet
)与行式(avro
)文件混合的方式存储数据。在更新记录时,类似 NoSQL 中的 LSM-Tree 更新。
- 更新:在更新记录时,仅更新到增量文件(
Avro
)中,然后进行异步(或同步)的compaction
,最后创建列式文件(parquet
)的新版本。此存储类型适合频繁写的工作负载,因为新记录是以追加的模式写入增量文件中。 - 读取:在读取数据集时,需要先将增量文件与旧文件进行合并,然后生成列式文件成功后,再进行查询。
4.2.3.3 COW VS MOR
对于写时复制(COW)和读时合并(MOR)writer
来说,Hudi 的 WriteClient 是相同的。
- 🚀 COW 表,用户在
snapshot
读取的时候会扫描所有最新的FileSlice
下的base file
。 - 🚀 MOR 表,在
READ OPTIMIZED
模式下,只会读最近的经过compaction
的commit
。
权衡 | 写时复制 COW | 读时合并 MOR |
---|---|---|
数据延迟 | 更高 | 更低 |
更新代价(I/O) | 更高(重写整个 parquet 文件) |
更低(追加到增量日志) |
Parquet 文件大小 | 更小(高更新代价(I/O)) | 更大(低更新代价) |
写放大 | 更高 | 更低(取决于压缩策略) |
适用场景 | 写少读多 | 写多读少 |
4.2.4 数据写操作类型
在 Hudi 数据湖框架中支持三种方式写入数据:UPSERT
(插入更新)、INSERT
(插入)和 BULK INSERT
(写排序)。
-
UPSERT
:默认行为,数据先通过index
打标(INSERT
/UPDATE
),有一些启发式算法决定消息的组织以优化文件的大小。 -
INSERT
:跳过index
,写入效率更高 -
BULK INSERT
:写排序,对大数据量的 Hudi 表初始化友好,对文件大小的限制best effort
(写 HFile)。
4.2.4.1 写流程(UPSERT)
1️⃣ Copy On Write 类型表,UPSERT 写入流程
- 第一步:先对
records
按照record key
去重。 - 第二步:首先对这批数据创建索引 (
HoodieKey
➡HoodieRecordLocation
);通过索引区分哪些records
是update
,哪些records
是insert
(key
第一次写入)。 - 第三步:对于
update
消息,会直接找到对应key
所在的最新 FileSlice 的base
文件,并做merge
后写新的base file
(新的 FileSlice)。 - 第四步:对于
insert
消息,会扫描当前partition
的所有 SmallFile(小于一定大小的base file
),然后merge
写新的 FileSlice;如果没有 SmallFile,直接写新的FileGroup + FileSlice
。
2️⃣ Merge On Read 类型表,UPSERT 写入流程
- 第一步:先对
records
按照record key
去重(可选)。 - 第二步:首先对这批数据创建索引 (
HoodieKey
➡HoodieRecordLocation
);通过索引区分哪些records
是update
,哪些records
是insert
(key
第一次写入)。 - 第三步:如果是
insert
消息,如果log file
不可建索引(默认),会尝试merge
分区内最小的base file
(不包含log file
的 FileSlice),生成新的 FileSlice;如果没有base file
就新写一个FileGroup + FileSlice + base file
;如果log file
可建索引,尝试append
小的log file
,如果没有就新写一个FileGroup + FileSlice + base file
。 - 第四步:如果是
update
消息,写对应的file group + file slice
,直接append
最新的log file
(如果碰巧是当前最小的小文件,会merge base file
,生成新的file slice
)log file
大小达到阈值会roll over
一个新的。
4.2.4.2 写流程(INSERT)
1️⃣ Copy On Write 类型表,INSERT 写入流程文章来源:https://www.toymoban.com/news/detail-775718.html
- 第一步:先对
records
按照record key
去重(可选); - 第二步:不会创建
Index
; - 第三步:如果有小的 base file 文件,
merge base file
,生成新的FileSlice + base file
,否则直接写新的FileSlice + base file
;
2️⃣ Merge On Read 类型表,INSERT 写入流程文章来源地址https://www.toymoban.com/news/detail-775718.html
- 第一步:先对
records
按照record key
去重(可选); - 第二步:不会创建
Index
; - 第三步:如果
log file
可索引,并且有小的 FileSlice,尝试追加或写最新的log file
;如果log file
不可索引,写一个新的FileSlice + base file
。
到了这里,关于【大数据】Hudi 核心知识点详解(二)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!