读取Hudi cow表视图

操作场景

写时复制表（Copy On Write）也简称cow表，使用parquet文件存储数据，内部的更新操作需要通过重写原始parquet文件完成。

• 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。且由于耗时，读请求读取到的数据相对就会滞后。

Hudi cow表支持以下三种视图类型，用户可根据业务需求选择合适的读取方式：

• 实时视图（Snapshot/Real-time View）：读取cow表最新已提交的parquet文件数据，反映表中最新的一致性状态。适用于需要获取全量最新数据的场景，如全表统计、实时报表查询等。
• 增量视图（Incremental View）：读取指定commit时间范围内的增量数据，仅返回该时间段内发生变化的数据记录。适用于增量数据同步、变更数据捕获（CDC）等场景。
• 读优化视图（Read Optimized View）：仅读取parquet文件（已压缩和合并的列式存储文件），不读取日志文件。对于cow表而言，由于cow表本身仅使用parquet文件存储数据，因此读优化视图等同于实时视图。

读取Hudi cow表示例

• 实时视图读取（Hive，SparkSQL为例）：直接读取Hive里面存储的Hudi表即可，${table_name}表示表名称。

  select count(*) from ${table_name};

• 实时视图读取（Spark dataSource API为例）：和读普通的dataSource表类似。

  必须指定查询类型QUERY_TYPE_OPT_KEY为QUERY_TYPE_SNAPSHOT_OPT_VAL，${table_name}表示表名称。

  spark.read.format("hudi")
  .option(QUERY_TYPE_OPT_KEY, QUERY_TYPE_SNAPSHOT_OPT_VAL) // 指定查询类型为实时视图模式
  .load("/tmp/default/cow_bugx/") // 指定读取的Hudi表路径
  .createTempView("mycall")
  spark.sql("select * from mycall").show(100)

• 增量视图读取（Hive为例，${table_name}表示表名称）：

  set hoodie.${table_name}.consume.mode=INCREMENTAL;  //设置增量读取模式
  set hoodie.${table_name}.consume.max.commits=3;  // 指定最大消费的commits数量
  set hoodie.${table_name}.consume.start.timestamp=20201227153030;  // 指定初始增量拉取commit
  select count(*) from default.${table_name} where `_hoodie_commit_time`>'20201227153030'; // 这个过滤条件必须加且值为初始增量拉取的commit。

• 增量视图读取（SparkSQL为例，${table_name}表示表名称）：

  set hoodie.${table_name}.consume.mode=INCREMENTAL;  //设置增量读取模式
  set hoodie.${table_name}.consume.start.timestamp=20201227153030;  // 指定初始增量拉取commit
  set hoodie.${table_name}.consume.end.timestamp=20210308212318;  // 指定增量拉取结束commit，如果不指定的话采用最新的commit
  select count(*) from default.${table_name} where `_hoodie_commit_time`>'20201227153030'; // 这个过滤条件必须加且值为初始增量拉取的commit。

• 增量视图读取（Spark dataSource API为例）：

  必须指定查询类型QUERY_TYPE_OPT_KEY为增量模式QUERY_TYPE_INCREMENTAL_OPT_VAL

  spark.read.format("hudi")  
  .option(QUERY_TYPE_OPT_KEY, QUERY_TYPE_INCREMENTAL_OPT_VAL) // 指定查询类型为增量模式
  .option(BEGIN_INSTANTTIME_OPT_KEY, "20210308212004")  // 指定初始增量拉取commit
  .option(END_INSTANTTIME_OPT_KEY, "20210308212318")  // 指定增量拉取结束commit
  .load("/tmp/default/cow_bugx/")  // 指定读取的Hudi表路径
  .createTempView("mycall")  // 注册为spark临时表
  spark.sql("select * from mycall where `_hoodie_commit_time`>'20210308211131'") // 开始查询，和hive增量查询语句一样
  .show(100, false)

• 读优化视图：cow表读优化视图等同于实时视图。

常见问题

Q：增量视图读取时，时间戳的格式是什么？

A：时间戳格式为yyyyMMddHHmmss，例如20201227153030表示2020年12月27日15时30分30秒。请确保start.timestamp和end.timestamp使用正确的格式，否则可能导致查询结果为空或报错。

Q：如何获取Hudi表的commit时间戳？

A：可以通过Hudi CLI或Hive查询_hoodie_commit_time字段获取commit时间戳。commit时间戳的格式为yyyyMMddHHmmss，表示数据提交的时间。

Q：增量视图读取时，过滤条件_hoodie_commit_time为什么必须加？

A：Hudi增量视图通过_hoodie_commit_time字段过滤增量数据，该条件用于限定返回数据的commit时间范围。如果不加此过滤条件，Hudi将无法识别增量读取的起始时间，可能导致返回全量数据或查询失败。

Q：实时视图和增量视图应该如何选择？

A：如果您需要获取表的最新全量数据，请使用实时视图；如果您只需要获取指定时间范围内的变更数据（如增量同步场景），请使用增量视图。

相关文档

• 创建Hudi表，具体请参考CREATE TABLE。
• 读取Hudi mor表视图，具体请参考读取Hudi cow表视图。