Hudi元数据 (#34)

1. 增加Hudi学习网站。
2. 增加Hudi参数调优章节。

引用：#25

Reviewed-on: #34

hudi/Hudi参数调优.md

@@ -0,0 +1,118 @@
+
+## 内存
+
+|参数名称 | 描述 | 默认值 | 备注 |
+|----|----|----|----|
+| write.task.max.size | 写任务的最大内存(以MB为单位)，当达到阈值时，它刷新最大大小的数据桶以避免OOM。 |  1024 | 为写缓冲区预留的内存为write.task.max.size - compact .max_memory。当写任务的总缓冲区达到阈值时，将刷新内存中最大的缓冲区  |
+| write.batch.size | Flink支持到达一定阈值之后，将数据写入到Hudi | 64 | 推荐使用默认值 |
+| write.log_block.size | hudi的日志写入器接收到消息后不会立刻flush数据，写入器以LogBlock为单位将数据刷新到磁盘。 | 128 | 推荐使用默认值 |
+| write.merge.max_memory | 对于COW表，Hudi将会合并增量数据和base文件数据。增量数据将会被缓存和溢写磁盘。 | 100 | 推荐使用默认值 |
+| compaction.max_memory | Compaction期间占用的最大内存 | 100 | 如果是在线压缩，则可以在资源足够时打开它，例如设置为1024MB |
+
+
+## 并行度
+
+|参数名称 | 描述 | 默认值 | 备注 |
+|----|----|----|----|
+| write.tasks |  写入器任务的并行度，每个任务依次向1到N个桶写。 | 4 | 增加并行度对小文件的数量没有影响|
+| write.bucket_assign.tasks | 桶分配操作符的并行性。<br>无默认值，使用Flink parallelism.default | parallelism.default | 增加并行度也会增加桶的数量，<br>从而增加小文件(小桶)的数量。 |
+| write.index_boostrap.tasks | index bootstrap的并行度，增加并行度可以提高bootstarp阶段的效率。 | parallelism.default | 只有当index.bootstrap .enabled为true时才生效 |
+| read.tasks | 读操作的并行度(批和流) | / |  /|
+| compaction.tasks | 实时compaction的并行度，默认为10 | 10 | Online compaction 会占用写任务的资源,推荐使用offline compaction |
+
+
+## Compaction 
+
+通过设置compaction.async.enabled = false关闭在线压缩，但我们仍然建议对写作业启用compaction.schedule.enable。可以通过离线压缩来执行压缩计划。
+
+
+|参数名称 | 描述 | 默认值 | 备注 |
+|----|----|----|----|
+| compaction.schedule.enabled | 是否定期生成compaction计划 | true | 即使compaction.async.enabled = false，也建议打开 |
+| compaction.async.enabled | 异步压缩，MOR默认启用 | true | 通过关闭此选项来关闭offline compaction |
+| compaction.trigger.strategy | 触发compaction的策略 | num_commits | -- |
+| compaction.delta_commits | 触发压缩所需的最大delte提交，默认为5次提交 | 5 | -- |
+| compaction.delta_seconds | 触发压缩所需的最大增量秒数，默认为1小时 | 3600 | -- |
+| compaction.max_memory | compaction溢出映射的最大内存(以MB为单位)，默认为100MB | 100 | 有足够的资源，建议调整到1024MB |
+| compaction.target_io | 每次压缩的目标IO(读和写)，默认为5GB | 5120 | offline compaction 的默认值是500GB |
+
+
+### 触发compaction的策略 
+
+- num_commits: 当达到N个delta提交时触发压缩。
+- time_elapsed：当距离上次压缩时间> N秒时触发压缩。
+- num_and_time:当满足NUM_COMMITS和TIME_ELAPSED时，进行trigger压缩。 
+- num_or_time: 在满足NUM_COMMITS或TIME_ELAPSED时触发压缩。
+
+## Memory Optimization 
+
+### MOR 表
+- Flink的状态后端设置为RocksDB，默认为内存。
+- 如果有足够的内存，compaction.max_memory可以设置大于100MB建议调整到1024MB。
+- 在配置TM内存的时候，需要保证每个写任务都能分配到write.task.max.size对应的内存。需要保留一部分内存给TM的网络缓冲区和其他类型的任务(如bucketAssignFunctio)使用。
+- 需要注意compaction内存的变化，compaction.max_memory控制的是压缩任务读取日志时可以使用每个任务的最大内存，ompaction.tasks控制的是压缩任务的并行性。
+
+
+### COW表
+
+- Flink的状态后端设置为RocksDB，默认为内存。
+- 增大write.task.max.size和write.merge.max_memory(默认1024MB和100MB，调整为2014MB和1024MB)
+- 在配置TM内存的时候，需要保证每个写任务都能分配到write.task.max.size对应的内存。需要保留一部分内存给TM的网络缓冲区和其他类型的任务(如bucketAssignFunctio)使用。
+
+
+## Bulk Insert 
+
+- 用于快照数据导入。如果快照数据来自其他数据源，可以使用bulk_insert模式将快照数据快速导入到Hudi中。
+- bulk_insert消除了序列化和数据合并。用户无需重复数据删除，因此需要保证数据的唯一性。
+- bulk_insert在批处理执行模式下效率更高。批处理执行方式根据分区路径对输入记录进行排序，并将这些记录写入Hudi，避免了频繁切换文件句柄导致的写性能下降。有序写入一个分区中不会频繁写换对应的数据分区。
+- bulk_insert的并行度由write.tasks指定。并行度会影响小文件的数量。
+ 从理论上讲，bulk_insert的并行性是bucket的数量(特别是，当每个bucket写到最大文件大小时，它将转到新的文件句柄。最后，文件的数量>= write.bucket_assign.tasks)。
+
+
+|参数名称 | 描述 | 默认值 | 备注 |
+|----|----|----|----|
+| write.operation |  |  upsert |  |
+| write.bulk_insert.shuffle_by_partition | 写入前是否根据分区字段进行shuffle。启用此选项将减少小文件的数量，但可能存在数据倾斜的风险 | true |  |
+| write.bulk_insert.sort_by_partition | 写入前是否根据分区字段对数据进行排序。启用此选项将在写任务写多个分区时减少小文件的数量 | true | |
+| write.sort.memory | Sort时使用的最大内存 |  128 | |
+
+
+
+## Index Bootstrap 
+
+- 用于snapshot data+incremental data导入的需求。如果snapshot data已经通过bulk insert插入到Hudi中。通过Index Bootstrap功能，用户可以实时插入incremental data，保证数据不重复，构造离线数据indexState
+- 可以在写入快照数据的同时增加资源以流模式写入，然后减少资源以写入增量数据(或打开速率限制函数)。
+
+|参数名称 | 描述 | 默认值 | 备注 |  
+|----|----|----|----|
+| index.bootstrap.enabled	 | 启index.bootstrap.enabled时，Hudi表中的剩余记录将一次性加载到Flink状态 | false | |
+| index.partition.regex | 优化选择。设置正则表达式来过滤分区。默认情况下，所有分区都被加载到flink状态 | * | |
+
+## 模式
+
+
+### Changelog Mode
+
+Hudi可以保留消息的所有中间变化(+I / -U / +U / -D)，然后通过flink的状态计算消费，从而拥有一个接近实时的数据仓库ETL管道(增量计算)。
+
+|参数名称 | 描述 | 默认值 | 
+|----|----|----|
+| changelog.enabled | 它在默认情况下是关闭的，为了拥有upsert语义，只有合并的消息被确保保留，中间的更改可以被合并。设置为true以支持使用所有更改 | true |
+
+- 批处理(快照)读取仍然合并所有中间更改，不管格式是否存储了中间更改日志消息。
+- changelog.enable设置为true后，更改日志记录的保留只是最好的工作:异步压缩任务将更改日志记录合并到一个记录中，因此，如果流源不及时使用，则压缩后只能读取每个键的合并记录。
+  解决方案是通过调整compact策略，比如压缩选项:compress.delta_commits和compression .delta_seconds，为读取器保留一些缓冲时间。
+
+
+
+### Insert Mode 
+
+- 默认情况下，Hudi对插入模式采用小文件策略:MOR将增量记录追加到日志文件中，COW合并 base parquet文件(增量数据集将被重复数据删除)。这种策略会导致性能下降。
+- 如果要禁止文件合并行为，可将write.insert.deduplicate设置为false，则跳过重复数据删除。每次刷新行为直接写入一个new parquet文件(MOR表也直接写入parquet文件)。
+- 适用于能否在外部保证写入hudi cow表的数据是单调递增的或者可以不在乎重复数据的情况，但是可能会存在小文件问题。
+
+|参数名称 | 描述 | 默认值 |
+|----|----|----|
+| write.insert.deduplicate |  Insert mode 默认启用重复数据删除功能。关闭此选项后，每次刷新行为直接写入一个now parquet文件 | true |
+
+

hudi/reference.md

@@ -5,4 +5,5 @@
 |----|----|----|
 | hudi-resources | https://github.com/zeekling/hudi-resources | 汇总Apache Hudi相关资料 |
 | 官网 | https://hudi.apache.org/cn/docs/0.13.0/overview | 中文官网|
+| Hudi官方文档翻译 | https://hudi.apachecn.org/docs/master/concepts.html |