Hudi(Hadoop Upserts and Incrementals)增量处理框架
一、工作原理:
DFS上对数据进行索引和布局,分为插入更新和增量拉取。
存储类型:
-
CopyOnWrite(写时复制):
- 仅使用列文件格式(parquet)存储数据 在写入过程执行同步合并,并更新版本重写文件。
- 即使更新一行,都将重写整个parquet文件,文件越大,花费时间越长。 读视图:快照查询、增量查询
-
MergeOnRead(读时合并):
-
使用列式(parquet)加基于行(avro)的文件格式组合,来存储数据。
-
写入hudi的新数据,都会更新记录到新的日志或增量文件中,文件在内部数据以avro编码
-
然后同步或异步压缩,生成新版本的列文件(parquet)
-
读视图:快照查询、增量查询、读取优化
写时复制 读时合并 延迟 高 耗(I/O) 高(重写parquet) quet文件大小 小(高I/O损耗代价) 更高 更低 (取决于压缩策略)
-
-
Copy On Write(写入性能差,读性能高)
-
Merge On Read(读性能差,但写入比较及时,可提供近实时的数据分析能力)
二、写入工具:Spark HudiDataSource Api、DeltaStreamer
1. DeltaStreamer:HoddieDeltaStreamer工具(hudi-utilities-bundle中的一部分)
- 提供了从Sqoop、HiveIncrementalPuller输出或DFS文件夹中的多个文件增量导入
- 支持json、avro或之定义记录类型的传入数据
- 管理检查点,回滚、恢复
- 利用DFS或Confluent schema注册表的Avro模式
- 支持自定义转换操作
2. Datasource Writer: hudi-spark模块提供的DataSource API
- 可以将任何DataFrame写入(读取)到Hudi数据集中
三、查询:
hive、spark、presto、MapReduce
四、管理:
- Admin CLI
- 通过hudi的命令行工具,管理hudi表
- Graphite指标
- 为Hudi Client配置正确的数据集名称和指标环境后,它将生成以下graphite指标,以帮助调试hudi数据集
五、其他:
- 性能:使用hoodieKey
- 缺点:
- 缺乏事务锁等机制
- 不支持同时刻多个用户写一张表
- 不支持NoSQL / RDBMS数据存储
- 使用Hadoop InputFormat相关扩展直接操作Parquet文件(能更好的被其他计算引擎整合)
- HiveSyncTool:
- hudi提供HiveSyncTool工具同步数据到hive
- 支持的语言:Scala、Java
- Python支持以pyspark操作hudi: https://issues.apache.org/jira/browse/HUDI-783
- hudi提供了docker,便于初学者练习:https://github.com/apache/hudi