Hudi常用参数-索引相关参数配置

index相关配置

• hoodie.index.class
  用户自定义索引的全路径名，索引类必须为HoodieIndex的子类，当指定该配置时，其会优先于hoodie.index.type配置。

• hoodie.index.type
  使用的索引类型，默认为布隆过滤器。可能的选项是[BLOOM | HBASE | GLOBAL_BLOOM | SIMPLE | GLOBAL_SIMPLE | BUCKET | RANGE] 。 布隆过滤器消除了对外部系统的依赖，并存储在Parquet数据文件的页脚中。
  注意：
  BUCKET、RANGE索引仅支持INSERT、UPSERT、DELETE、COMPACT操作。

• hoodie.index.bloom.num_entries
  存储在布隆过滤器中的条目数。 假设maxParquetFileSize为128MB，averageRecordSize为1024B，因此，一个文件中的记录总数约为130K。 默认值（60000）大约是此近似值的一半。
  注意：
  将此值设置得太低，将产生很多误报，并且索引查找将必须扫描比其所需的更多的文件；如果将其设置得非常高，将线性增加每个数据文件的大小（每50000个条目大约4KB）。

• hoodie.index.bloom.fpp
  根据条目数允许的错误率。 用于计算应为布隆过滤器分配多少位以及哈希函数的数量。通常将此值设置得很低（默认值：0.000000001），在磁盘空间上进行权衡以降低误报率。

• hoodie.bloom.index.parallelism
  索引查找的并行度，其中涉及Spark Shuffle。 默认情况下(0)，根据输入的工作负载特征自动计算的。

• hoodie.bloom.index.prune.by.ranges
  默认为true时，从文件框定信息，可以加快索引查找的速度。 如果键具有单调递增的前缀，例如时间戳，则特别有用。

• hoodie.bloom.index.use.caching
  默认为true时，将通过减少用于计算并行度或受影响分区的IO来缓存输入的RDD以加快索引查找。

• hoodie.bloom.index.use.treebased.filter
  默为true时，启用基于间隔树的文件过滤优化。与暴力模式相比，此模式可根据键范围加快文件过滤速度。

• hoodie.bloom.index.bucketized.checking
  默为true时，启用了桶式布隆过滤。这减少了在基于排序的布隆索引查找中看到的偏差。

• hoodie.bloom.index.keys.per.bucket
  仅在启用bloomIndexBucketizedChecking并且索引类型为bloom的情况下适用。
  此配置控制“存储桶”的大小（默认10000000），该大小可跟踪对单个文件进行的记录键检查的次数，并且是分配给执行布隆过滤器查找的每个分区的工作单位。 较高的值将分摊将布隆过滤器读取到内存的固定成本。

• hoodie.bloom.index.update.partition.path
  仅在索引类型为GLOBAL_BLOOM时适用。
  默认为true时，当对一个已有记录执行包含分区路径的更新操作时，将会导致把新记录插入到新分区，而把原有记录从旧分区里删除。为false时，只对旧分区的原有记录进行更新。

• hoodie.index.hbase.zkquorum
  仅在索引类型为HBASE时适用，必填选项。要连接的HBase ZK Quorum URL。

• hoodie.index.hbase.zkport
  仅在索引类型为HBASE时适用，必填选项。要连接的HBase ZK Quorum端口。

• hoodie.index.hbase.zknode.path
  仅在索引类型为HBASE时适用，必填选项。这是根znode，它将包含HBase创建及使用的所有znode。

• hoodie.index.hbase.table
  仅在索引类型为HBASE时适用，必填选项。HBase表名称，用作索引。Hudi将row_key和[partition_path, fileID, commitTime]映射存储在表中。

• hoodie.bucket.index.num.buckets
  仅在索引类型为BUCKET时适用。Hudi表中每个分区划分桶的个数，每个分区内的数据通过Hash方式放入每个桶内。默认为256。
  注意：
  建表或第一次写入数据时设置后不能修改，否则更新数据会存在异常。

• hoodie.bucket.index.hash.field
  仅在索引类型为BUCKET时适用。进行分桶时计算Hash值的字段，必须为主键的子集，默认为Hudi表的主键。

• hoodie.range.index.range
  仅在索引类型为RANGE时适用。每个数据文件中存储的记录范围，只适用于主键为自增主键的场景。如设置默认值为100000，则主键为0-99999记录存储到一个数据文件，以此类推后面每100000条记录存储一个数据文件。
  注意：
  建表或第一次写入数据时设置后不能修改，否则更新数据会存在异常。

• hoodie.check.index.parameter
  是否对数据写入设置的索引参数进行校验。默认为true
  注意：
  不同索引间通常是不兼容的，设置为false，可能会导致数据异常。