Hudi

Hudi特性

• ACID事务能力，支持实时入湖和批量入湖。
• 多种视图能力（读优化视图/增量视图/实时视图），支持快速数据分析。
• MVCC设计，支持数据版本回溯。
• 自动管理文件大小和布局，以优化查询性能准实时摄取，为查询提供最新数据。
• 支持并发读写，基于snapshot的隔离机制实现写入时可读取。
• 支持原地转表，将存量的历史表转换为Hudi数据集。

Hudi关键技术和优势

• 可插拔索引机制：Hudi提供多种索引机制，可以快速完成对海量数据的更新和删除操作。
• 良好的生态支持：Hudi支持多种数据引擎接入包括Hive、Spark、Flink。

Hudi支持两种表类型

• 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。

  • 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。

• 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。

  • 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。

Hudi支持三种视图，针对不同场景提供相应的读能力

• Snapshot View

  实时视图：该视图提供当前hudi表最新的快照数据，即一旦有最新的数据写入hudi表，通过该视图就可以查出刚写入的新数据。

  cow表和mor均支持这种视图能力。

• Incremental View

  增量视图：该视图提供增量查询的能力，可以查询指定COMMIT之后的增量数据，可用于快速拉取增量数据。

  cow表支持该种视图能力， mor表也可以支持该视图，但是一旦mor表完成compact操作其增量视图能力消失。

• Read Optimized View

  读优化视图：该视图只会提供最新版本的parquet文件中存储的数据。

  该视图在cow表和mor表上表现不同：

  对于cow表，该视图能力和实时视图能力是一样的（cow表只用parquet文件存数据）。

  对于mor表，仅访问基本文件，提供给定文件片自上次执行compact操作以来的数据， 可简单理解为该视图只会提供mor表parquet文件存储的数据，log文件里面的数据将被忽略。 该视图数据并不一定是最新的，但是mor表一旦完成compact操作，增量log数据被合入到了base数据里面，这个时候该视图和实时视图能力一样。