Hudi数据表Compaction规范

对于MOR表，不管是流式写入还是批量写入，需要保证每天至少完成1次Compaction操作。如果长时间不做compaction，Hudi表的log将会越来越大，这必将会出现以下问题：

• Hudi表读取很慢，且需要很大的资源。 这是由于读MOR表涉及到log合并，大log合并需要消耗大量的资源并且速度很慢。
• 长时间进行一次Compaction需要耗费很多资源才能完成，且容易出现OOM。
• 阻塞Clean，如果没有Compaction操作来产生新版本的Parquet文件，那旧版本的文件就不能被Clean清理，增加存储压力。

Compaction作业是将存量的parquet文件内的数据与新增的log中的数据进行合并，需要消耗较高的内存资源，按照之前的表设计规范以及实际流量的波动结合考虑，建议Compaction作业CPU与内存的比例按照1:4~1:8配置，保证Compaction作业稳定运行。当Compaction出现OOM问题，可以通过调大内存占比解决。

CPU和内存比例配置合理会保证Compaction作业是稳定的，实现单个Compaction task的稳定运行。但是Compaction整体的运行时长取决于本次Compaction处理文件数以及分配的cpu核数（并发能力），因此可以通过增加Compaciton作业的CPU核的个数来提升Compaction性能（注意增加cpu也要保证CPU与内存的比例）。

为了保证流式入库作业的稳定运行，就需要保证流式作业不在实时入库的过程中做其它任务，比如Flink写Hudi的同时会做Compaction。这看似是一个不错的方案，即完成了入库又完成Compaction。但是Compaction操作是非常消耗内存和IO的，它会给流式入库作业带来以下影响：

• 增加端到端时延：Compaction会放大写入时延，因为Compaction比入库更耗时。
• 作业不稳定：Compaction会给入库作业带来更多的不稳定性，Compaction OOM将会导致整个作业直接失败。

Compaction是MOR表非常重要且必须执行的维护手段，对于实时任务来说，要求Compaction执行合并的过程必须和实时任务解耦，通过周期调度Spark任务来完成异步Compaction，这个方案的关键之处在于如何合理的设置这个周期，周期如果太短意味着Spark任务可能会空跑，周期如果太长可能会积压太多的Compaction Plan没有去执行而导致Spark任务耗时长并且也会导致下游的读作业时延高。对此场景，在这里给出以下建议：按照集群资源使用情况，可以每2小时或每4个小时去调度执行一次异步Compaction作业，这是一个基本的维护MOR表的方案。

Flink写hudi建议的方案是Flink只负责写数据和生成Compaction计划。由单独的队列提交Spark SQL或Spark jar作业异步执行compaction、clean和archive。Compaction计划的生成是轻量级的对Flink写入作业影响可以忽略。

上述方案落地的具体步骤参考如下：

• Flink只负责写数据和生成Compaction计划

  Flink流任务建表语句/SQL hints中添加如下参数，控制Flink任务写Hudi时只会生成Compaction plan。

  'compaction.async.enabled' = 'false'      // 关闭Flink 执行Compaction任务
  'compaction.schedule.enabled' = 'true'    // 开启Compaction计划生成
  'compaction.delta_commits' = '5'          // MOR表默认5次checkpoint尝试生成compaction plan，该参数需要根据具体业务调整
  'clean.async.enabled' = 'false'           // 关闭Clean操作
  'hoodie.archive.automatic' = 'false'      // 关闭Archive操作

• Spark离线完成Compaction计划的执行，以及Clean和Archive操作

  在调度平台（可以使用华为的DataArts）运行一个定时调度的离线任务来让Spark完成Hudi表的Compaction计划执行以及Clean和Archive操作。

  以SQL作业为例，在配置中添加：

  hoodie.archive.automatic = false;
  hoodie.clean.automatic = false;
  hoodie.compact.inline = true;
  hoodie.run.compact.only.inline=true;
  hoodie.cleaner.commits.retained = 500;  // clean保留timeline上最新的500个deltacommit对应的数据文件，之前的deltacommit所对应的旧版本文件会被清理。该值需要大于compaction.delta_commits设置的值，需要根据具体业务调整。
  hoodie.keep.max.commits = 700;  // timeline最多保留700个deltacommit
  hoodie.keep.min.commits = 501;  // timeline最少保留500个deltacommit。该值需要大于hoodie.cleaner.commits.retained设置的值，需要根据具体业务调整。

  随后保持上述配置按顺序调度执行以下SQL：

  run compaction on <database name>. <table name>;   // 执行Compaction计划
  run clean on <database name>. <table name>;        // 执行Clean操作
  run archivelog on <database name>.<table name>;    // 执行Archive操作

对于在•Hudi表采用异步Compaction和•采用Spark异步执行Compaction，不...中提到的异步Compaction任务，这里给出以下开发建议：

• 不需要对每张Hudi表都开发异步Compaction任务，这样会导致作业开发成本上升。
• 异步Compaction任务可以通过提交Spark SQL作业来完成，也可以在Spark jar任务中处理多张表的compaction，clean，archive：

  hoodie.clean.async = true;
  hoodie.clean.automatic = false;
  hoodie.compact.inline = true;
  hoodie.run.compact.only.inline=true;
  hoodie.cleaner.commits.retained = 500;
  hoodie.keep.min.commits = 501;
  hoodie.keep.max.commits = 700;

  需要按顺序调度执行以下SQL：

  run compaction on <database name>. <table1>;
  run clean on <database name>. <table1>;
  run archivelog on <database name>.<table1>;
  run compaction on <database name>.<table2>;
  run clean on <database name>.<table2>;
  run archivelog on <database name>.<table2>;