Apache Hudi异步Compaction方式汇总

本篇文章对执行异步Compaction的不同部署模型一探究竟。

1. Compaction

对于Merge-On-Read表，数据使用列式Parquet文件和行式Avro文件存储，更新被记录到增量文件，然后进行同步/异步compaction生成新版本的列式文件。Merge-On-Read表可减少数据摄入延迟，因而进行不阻塞摄入的异步Compaction很有意义。

2. 异步Compaction

异步Compaction会进行如下两个步骤

调度Compaction：由摄取作业完成，在这一步，Hudi扫描分区并选出待进行compaction的FileSlice，最后CompactionPlan会写入Hudi的Timeline。
执行Compaction：一个单独的进程/线程将读取CompactionPlan并对FileSlice执行Compaction操作。

3. 部署模型

几种执行异步Compaction的方法如下

3.1 Spark Structured Streaming

在0.6.0版本，Hudi支持在Spark Structured Streming作业中支持异步Compaction，Compactions在streaming作业内被异步调度和执行，Spark Structured作业在Merge-On-Read表中会默认开启异步Compaction。

Java代码示例如下

import org.apache.hudi.DataSourceWriteOptions;

import org.apache.hudi.HoodieDataSourceHelpers;

import org.apache.hudi.config.HoodieCompactionConfig;

import org.apache.hudi.config.HoodieWriteConfig;

import org.apache.spark.sql.streaming.OutputMode;

import org.apache.spark.sql.streaming.ProcessingTime;

 DataStreamWriter<Row> writer = streamingInput.writeStream().format("org.apache.hudi")

        .option(DataSourceWriteOptions.OPERATION_OPT_KEY(), operationType)

        .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY(), tableType)

        .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY(), "_row_key")

        .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY(), "partition")

        .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY(), "timestamp")

        .option(HoodieCompactionConfig.INLINE_COMPACT_NUM_DELTA_COMMITS_PROP, "10")

        .option(DataSourceWriteOptions.ASYNC_COMPACT_ENABLE_OPT_KEY(), "true")

        .option(HoodieWriteConfig.TABLE_NAME, tableName)

   			.option("checkpointLocation", checkpointLocation)

        .outputMode(OutputMode.Append());

 writer.trigger(new ProcessingTime(30000)).start(tablePath);

3.2 DeltaStreamer Continuous模式

Hudi DeltaStreamer提供连续摄入模式，Spark作业可以持续从上游消费数据写入Hudi，在该模式下，Hudi也支持异步Compaction，下面是在连续模式下进行异步Compaction示例

spark-submit --packages org.apache.hudi:hudi-utilities-bundle_2.11:0.6.0 \

--class org.apache.hudi.utilities.deltastreamer.HoodieDeltaStreamer \

--table-type MERGE_ON_READ \

--target-base-path <hudi_base_path> \

--target-table <hudi_table> \

--source-class org.apache.hudi.utilities.sources.JsonDFSSource \

--source-ordering-field ts \

--schemaprovider-class org.apache.hudi.utilities.schema.FilebasedSchemaProvider \

--props /path/to/source.properties \

--continous

3.3 Hudi CLI

Hudi CLI 是另一种异步执行指定Compaction的方式，示例如下

hudi:trips->compaction run --tableName <table_name> --parallelism <parallelism> --compactionInstant <InstantTime>

...

3.4 Hudi Compactor脚本

Hudi还提供了独立工具来异步执行指定Compaction，示例如下

spark-submit --packages org.apache.hudi:hudi-utilities-bundle_2.11:0.6.0 \

--class org.apache.hudi.utilities.HoodieCompactor \

--base-path <base_path> \

--table-name <table_name> \

--instant-time <compaction_instant> \

--schema-file <schema_file>

4. 总结

Hudi提供了不同的Compaction方式，可根据不同应用场景部署不同Compaction方式。