flink_book/hudi/README.md

1. Hudi 简介

Apache Hudi将核心仓库和数据库功能直接带到数据湖中。Hudi提供了表、事务、高效upserts/删除、高级索引、流式摄取 服务、数据群集/压缩优化以及并发，同时保持数据以开源文件格式保留。

Hudi是Hadoop Upserts and Incrementals缩写，用于管理分布式文件系统DFS上大型分析数据集存储。Hudi是一种针对分析 型业务的、扫描优化的数据存储抽象，它能够使DFS数据集在分钟级的时延内支持变更，也支持下游系统对这个数据集的增量 处理。

1.1 Hudi特性和功能

1. 支持快速Upsert以及可插拔的索引。
2. 支持原子方式操作，且支持回滚。
3. 写入和插件操作之间的快照隔离。
4. savepoint用户数据恢复的保存点。
5. 使用统计信息管理文件大小和布局。
6. 行和列的异步压缩。
7. 具有时间线来追踪元数据血统。
8. 通过聚类优化数据集。

1.2 Hudi 基础架构

• 支持通过Flink、Spark、Hive等工具，将数据写入到数据库存储。
• 支持 HDFS、S3、Azure、云等等作为数据湖的数据存储。
• 支持不同查询引擎，如：Spark、Flink、Presto、Hive、Impala、Aliyun DLA。
• 支持 spark、flink、map-reduce 等计算引擎对 hudi 的数据进行读写操作。

1.3 Hudi 功能

• Hudi是在大数据存储上的一个数据集，可以将Change Logs 通过upsert方式合并到Hudi。
• Hudi对上可以暴露成一个普通的Hive或者Spark表，通过API或者命令行的方式可以获取到增量修改信息，继续供下游消费。
• Hudi保管修改历史，可以做到时间旅行以及回退。
• Hudi内部有主键到文件级别的索引，默认记录文件的是布隆过滤器。

1.4 Hudi的特性

Apache Hudi支持在Hadoop兼容的存储之上存储大量数据，不仅可以批处理，还可以在数据湖上进行流处理。

• Update/Delete 记录：Hudi 使用细粒度的文件/记录级别索引来支持 Update/Delete 记录，同时还提供写操作的事务保证。查询会处理后一个提交的快照，并基于此输出结果。
• 变更流：Hudi 对获取数据变更提供了的支持，可以从给定的 时间点 获取给定表中已 updated / inserted / deleted 的所有记录的增量流，并解锁新的查询姿势（类别）。
• Apache Hudi 本身不存储数据，仅仅管理数据。
• Apache Hudi 也不分析数据，需要使用计算分析引擎，查询和保存数据，比如 Spark 或 Flink；
• 使用 Hudi 时，加载 jar 包，底层调用 API，所以需要依据使用大数据框架版本，编译 Hudi 源码，获取对应依赖jar包。

2.核心概念

2.1 Timeline

在Hudi中维护一个所有操作的时间轴，每个操作对应时间上面的instant，每个instant提供表的view，同时支持按照时间顺序搜索数据。

• Instant action: 对表的具体操作。
• Instant time: 当前操作执行的时间戳。
• state:当前instant的状态。

Hudi 能够保证所有的操作都是原子性的，按照时间轴的。Hudi的关键操作包含：

• COMMITS:一次原子性写入数据到Hudi的操作。
• CLEANS：删除表中不再需要的旧版本文件的后台活动。
• DELTA_COMMIT: delta commit主要是一批原子性写入MOR表，其中部分或者全部都会写入delta logs。
• COMPACTION： 在后台将不同操作类型进行压缩，将log文件压缩为列式存储格式。
• ROLLBACK： 将不成功的commit/delta commit进行回滚。
• SAVEPOINT： 将某些文件标记为已保存，方便异常场景下恢复。

State详细解释：

• REQUESTED： 表示已计划但尚未启动操作
• INFLIGHT： 表示当前正在执行操作
• COMPLETED： 表示在时间线上完成一项操作

2.2 文件布局

• Hudi在分布式文件系统的基本路径下将数据表组织成目录结构。
• 一个表包含多个分区。
• 在每个分区里面，文件被分为文件组，由文件id作为唯一标识。
• 每个文件组当中包含多个文件切片。
• 每个切片都包含一个在特定提交/压缩instant操作生成的基本文件(.parquet)；日志文件(.log)这些文件包含自生成基本 文件以来对基本文件的插入/更新。

Hudi采用多版本并发控制（MVCC），其中压缩操作合并日志和基本文件以生成新的文件切片，而清理操作清除未使用/旧的 文件切片以回收文件系统上的空间。

2.3 表&查询类型

表类型	支持查询类型
Copy On Write	快照查询 + 增量查询
Merge On Read	快照查询 + 增量查询 + 读取优化查询

2.3.1 表类型

2.3.1.1 Copy On Write

使用排他列式文件格式(比如：parquet)存储，简单地更新版本&通过在写入期间执行同步合并来重写文件。

2.3.1.1 Merge On Read

使用列式(比如：parquet) + 基于行的文件格式 (比如：avro) 组合存储数据。更新记录到增量文件中，然后压缩以同步或 异步生成新版本的柱状文件。

对比维度	CopyOnWrite	MergeOnRead
数据延迟	Higher	Lower
查询延迟	Lower	Higher
更新成本（I/O）	Higher(需要重写parquet)	Lower(添加到delta log)
Parquet文件大小	Smaller(高更新（I/O）成本)	Larger(低更新成本)
写入放大	Higher	Lower（取决于压缩策略）

2.3.2 查询类型

2.3.2.1 快照查询

查看给定提交或压缩操作的表的最新快照。

2.3.2.2 增量查询

2.3.2.3 读优化查询

3. Hudi 数据管理

3.1 Hudi 表数据结构

Hudi 表的数据文件一般使用 HDFS 进行存储。从文件路径和类型来讲，Hudi表的存储文件分为两类。

• .hoodie 文件，
• amricas 和 asia 相关的路径是 实际的数据文件，按分区存储，分区的路径 key 是可以指定的。

3.1.1 .hoodie文件