【Hudi】Hudi 核心知识点详解（二）

😊 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 $10:00$ 开始陆续产生各种 commits，$10:20$ 来了一条 $9:00$ 的数据，该数据仍然可以落到 $9:00$ 对应的分区，通过 Timeline 直接消费 $10:00$ 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 $2-3$ 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 $0$，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

• 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

• 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。