Hudi表概述

Hudi表类型

• Copy On Write

  写时复制表也简称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。

  适用场景：读多写少的场景，如数据湖报表、交互式分析等。

  • 优点：读取性能优异，只需读取对应分区的单个数据文件。文件结构简单，无碎片化问题。
  • 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。数据写入存在延迟，读取到的可能是稍早的数据版本。

• Merge On Read

  读时合并表也简称MOR表，使用列格式Parquet和行格式Avro两种方式混合存储数据。其中Parquet格式文件用于存储基础数据，Avro格式文件（也可叫做log文件）用于存储增量数据。

  适用场景：写多读少的场景，如实时同步、实时数仓入湖等。

  • 优点：写入性能优异，增量数据先写入轻量的日志文件。写入成本较低，适合高频写入场景。
  • 缺点：增量日志持续堆积会生成大量碎片化小文件，必须定期执行 Compaction（文件压缩合并）任务，整合 Avro 增量日志与基准 Parquet 文件，运维成本更高。业务读取数据时，需实时加载基准Parquet存量数据、拼接合并全部增量Avro日志，额外增加计算开销，文件IO与计算负载更高。

Hudi表存储

Hudi在写入数据时会根据设置的存储路径、表名、分区结构等属性生成Hudi表。

Hudi表的数据文件，可以使用操作系统的文件系统存储，也可以使用HDFS这种分布式的文件系统存储。为了后续分析性能和数据的可靠性，一般使用HDFS进行存储。以HDFS存储来看，一个Hudi表的存储文件分为两类。

使用具有HDFS管理权限的用户登录MRS集群Manager页面，选择“集群 > 服务 > HDFS”，在“概览”页面单击NameNode WebUI后的链接，进入到HDFS的WebUI界面，选择“Utilities > Browse the file system”，即可查看Hudi表。

• “.hoodie”文件夹中存放了对应的文件合并操作相关的日志文件。

  

• 包含_partition_key相关的路径是实际的数据文件和metadata，按分区存储。

  Hudi的数据文件使用Parquet文件格式的base file和Avro格式的log file存储。