技術文章 » Apache hudi 核心功能點分析

Apache hudi 核心功能點分析

2023-05-05 12:01:37

Hudi

文中部分程式碼對應 0.14.0 版本

發展背景

初始的需求是Uber公司會有很多記錄級別的更新場景，Hudi 在Uber 內部主要的一個場景，就是乘客打車下單和司機接單的匹配，乘客和司機分別是兩條資料流，通過 Hudi 的 Upsert 能力和增量讀取功能，可以分鐘級地將這兩條資料流進行拼接，得到乘客-司機的匹配資料。
為了提升更新的時效性，因此提出了一套新的框架作為近實時的增量的解決方案

從名字Hadoop Upsert and Incremental 也可以看出hudi的主要功能是upsert 和 incremental 的能力，架在Hadoop之上。

整體架構


核心功能點

支援更新刪除

https://hudi.apache.org/cn/docs/indexing
主要是通過索引技術來實現高效的upsert和delete。通過索引可以將一條記錄的Hoodie key (record key)對映到一個檔案id，然後根據表的型別，以及寫入資料的型別，來決定更新和刪除輸入的插入方式。

索引型別

  1. BloomFilter 預設實現，預設會在每次commit檔案時，將這個檔案的所包含的key所構建的bloomfilter以及key的range 寫出到parquet 檔案的footer中。
  2. HBase 全域性索引，依賴外部叢集
  3. Simple Index (根據key的欄位去查詢相應file 中是否存在)
  4. Bucket Index 先分桶再取hash，為了解決大規模場景下bloomfilter 索引效率低的問題



索引的型別還分為global 和 非 global 兩種，BloomFilter Index和 Simple Index這兩種有global的選項，hbase天然就是global的選項，global index會保障全域性分割區下鍵的唯一性，代價會更高。

Odps/MaxCompute也支援更新刪除
https://help.aliyun.com/document_detail/205825.html
也是用過base file + delta log的思路來實現

Hive3.0 也支援更新刪除和ACID語意
https://www.adaltas.com/en/2019/07/25/hive-3-features-tips-tricks/
https://cwiki.apache.org/confluence/display/Hive/Hive+Transactions

差別在於hudi是支援了資料表的upsert，也就是能在寫入時就保證資料主鍵的唯一性，而odps 和 hive應該只是支援了通過update 和 delete dml語句來更新資料，覆蓋場景不同。後者應該主要只是在資料訂正的場景，作為入湖的選型還是需要天然支援upsert才行。

ACID事務支援

我認為事務支援是hudi中最核心的部分，因為資料的更新刪除都強依賴事務的能力，傳統數倉中只提供insert語意並且檔案只能追加，對事務保障的需求會弱很多，最多就是讀到了不完整的資料(寫入分割區資料後還發生append)。
但是當需要支援update和delete語意時，對事務的保障的需求就會強很多，所以可以看到hive和odps中想要開啟表的更新和刪除能力，首先需要開啟表的事務屬性。
hudi中事務的實現
**MVCC **通過mvcc機制實現多writer和reader之間的快照隔離

OCC 樂觀並行控制
預設hudi是認為單writer寫入的，這種情況下吞吐是最大的。如果有多writer，那麼需要開啟多writer的並行控制

hoodie.write.concurrency.mode=optimistic_concurrency_control

# 指定鎖的實現 預設是基於filesystem 的鎖機制(要求filesystem能提供原子性的建立和刪除保障）
hoodie.write.lock.provider=<lock-provider-classname>

支援檔案粒度的樂觀並行控制，在寫入完成commit時，如果是開啟了occ，那麼會先獲取鎖，然後再進行commit。看起來這個鎖是全域性粒度的一把鎖，以filesystem lock為例
commit 流程

protected void autoCommit(Option<Map<String, String>> extraMetadata, HoodieWriteMetadata<O> result) {
final Option<HoodieInstant> inflightInstant = Option.of(new HoodieInstant(State.INFLIGHT,
    getCommitActionType(), instantTime));
// 開始事務，如果是occ並行模型，會獲取鎖
this.txnManager.beginTransaction(inflightInstant,
    lastCompletedTxn.isPresent() ? Option.of(lastCompletedTxn.get().getLeft()) : Option.empty());
try {
  setCommitMetadata(result);
  // reload active timeline so as to get all updates after current transaction have started. hence setting last arg to true.
  // 嘗試解衝突，衝突判定的策略是可插拔的，預設是變更的檔案粒度檢視是否有交集. 目前衝突的檔案更改是無法處理的，會終止commit請求
  TransactionUtils.resolveWriteConflictIfAny(table, this.txnManager.getCurrentTransactionOwner(),
      result.getCommitMetadata(), config, this.txnManager.getLastCompletedTransactionOwner(), true, pendingInflightAndRequestedInstants);
  commit(extraMetadata, result);
} finally {
  this.txnManager.endTransaction(inflightInstant);
}
}

鎖獲取流程

@Override
public boolean tryLock(long time, TimeUnit unit) {
try {
    synchronized (LOCK_FILE_NAME) {
        // Check whether lock is already expired, if so try to delete lock file
        // 先檢查lock file 是否存在，預設路徑是 base/.hoodie/lock 也就是所有的commit操作都會操作這個檔案
        if (fs.exists(this.lockFile)) {
            if (checkIfExpired()) {
                fs.delete(this.lockFile, true);
                LOG.warn("Delete expired lock file: " + this.lockFile);
            } else {
                reloadCurrentOwnerLockInfo();
                return false;
            }
        }
        // 如果檔案不存在，則獲取鎖，建立檔案
        acquireLock();
        return fs.exists(this.lockFile);
    }
} catch (IOException | HoodieIOException e) {
    // 建立時可能會發生失敗，則返回false獲取鎖失敗
    LOG.info(generateLogStatement(LockState.FAILED_TO_ACQUIRE), e);
    return false;
}
}

如果兩個寫入請求修改的檔案沒有重疊，在resolveConflict階段直接通過，如果有重疊，那麼後提交的寫入會失敗並回滾。

FileLayouts


  • 一個表對應一個分散式檔案的base dir
  • 每個分割區中檔案按照file groups組織，每個file groups對應一個 file ID
  • 每個file group 包含多個 file slice
  • 每個slice有一個base file (parquet 檔案)，以及一組 .log 檔案 delta 檔案

Base File是儲存Hudi資料集的主體檔案，以Parquet等列式格式儲存。格式為

<fileId>_<writeToken>_<instantTime>.parquet

Log File是在MOR表中用於儲存變化資料的檔案，也常被稱作Delta Log，Log File不會獨立存在，一定會從屬於某個Parquet格式的Base File，一個Base File和它從屬的若干Log File所構成的就是一個File Slice。

.<fileId>_<baseCommitTime>.log.<fileVersion>_<writeToken>

File Slice，在MOR表裡，由一個Base File和若干從屬於它的Log File組成的檔案集合被稱為一個File Slice。File Slice是針對MOR表的特定概念，對於COW表來說，由於它不生成Log File，所以File Silce只包含Base File，或者說每一個Base File就是一個獨立的File Silce。

FileId相同的檔案屬於同一個File Group。同一File Group下往往有多個不同版本（instantTime）的Base File（針對COW表）或Base File + Log File的組合（針對MOR表），當File Group內最新的Base File迭代到足夠大（ >100MB）時，Hudi就不會在當前File Group上繼續追加資料了，而是去建立新的File Group。

這裡面可以看到根據大小上下限來決定是否建立新的File Group在hudi中叫自適應的file sizing。這裡其實就是在partition的粒度下建立了更小粒度的group. 類似於Snowflake中的micro partition技術。這個對於行級別的更新是很友好的，不管是cow還是mor表都減少了更新帶來的重寫資料的範圍。

多種查詢型別

  • Snapshot Queries可以查詢最新COMMIT的快照資料。針對Merge On Read型別的表，查詢時需要線上合併列存中的Base資料和紀錄檔中的實時資料；針對Copy On Write表，可以查詢最新版本的Parquet資料。Copy On Write和Merge On Read表支援該型別的查詢。 批式處理
  • Incremental Queries支援增量查詢的能力，可以查詢給定COMMIT之後的最新資料。Copy On Write和Merge On Read表支援該型別的查詢。 流式/增量處理。 增量讀取的最開始的意義應該是能加速數倉計算的pipeline，因為在傳統離線數倉裡面只能按照partition粒度commit，因為無法將paritition做到特別細粒度，最多可能到小時，30min，那麼下游排程就只能按這個粒度來排程計算。而hudi裡面基於事務就可以非常快速的commit，並提供commit 之後的增量語意，那麼就可以加速離線資料處理pipeline。衍生的價值應該是可以讓他提供類似訊息佇列的功能，這樣就可以也當做一個實時數倉來用(如果時效性夠的話）
  • Read Optimized Queries只能查詢到給定COMMIT之前所限定範圍的最新資料。Read Optimized Queries是對Merge On Read表型別快照查詢的優化，通過犧牲查詢資料的時效性，來減少線上合併紀錄檔資料產生的查詢延遲。因為這種查詢只查存量資料，不查增量資料，因為使用的都是列式檔案格式，所以效率較高。

Metadata管理

Hudi預設支援了寫入表的後設資料管理，metadata 也是一張MOR的hoodie表. 初始的需求是為了避免頻繁的list file(分散式檔案系統中這一操作通常很重)。Metadata是以HFile的格式儲存（Hbase儲存格式），提供高效的kv點查效率
Metadata 相關功能的設定org.apache.hudi.common.config.HoodieMetadataConfig
提供了哪些後設資料？

  • hoodie.metadata.index.bloom.filter.enable儲存資料檔案的bloom filter index
  • hoodie.metadata.index.column.stats.enable儲存資料檔案的column 的range 用於裁剪優化

flink data skipping支援: https://github.com/apache/hudi/pull/6026

Catalog 支援 基於dfs 或者 hive metastore 來構建catalog 來管理所有在hudi上的表的後設資料

CREATE CATALOG hoodie_catalog
  WITH (
    'type'='hudi',
    'catalog.path' = '${catalog default root path}',
    'hive.conf.dir' = '${directory where hive-site.xml is located}',
    'mode'='hms' -- supports 'dfs' mode that uses the DFS backend for table DDLs persistence
  );

其他表服務能力

schema evolution, clustering，clean, file sizing..

外掛實現

寫入型別

https://hudi.apache.org/cn/docs/write_operations

  • Upsert 預設，會先按索引查詢來決定資料寫入更新的位置或者僅執行插入。如果是構建一張資料庫的映象表可以使用這種方式。
  • Insert 沒有去重的邏輯（不會按照record key去查詢），對於沒有去重需求，或者能容忍重複，僅僅需要事務保障，增量讀取功能可以使用這種模式
  • bulk_insert 用於首次批次匯入，通常通過Flink batch任務來執行，預設會按照分割區鍵來排序，儘可能的避免小檔案問題
  • delete 資料刪除 軟刪除和硬刪除

外掛支援多種寫入模式, 參見org.apache.hudi.table.HoodieTableSink#getSinkRuntimeProvider。常見的有
https://hudi.apache.org/cn/docs/hoodie_deltastreamer
BULK_INSERT, bulk insert 模式通常是用來批次匯入資料，
每次寫入資料RowData時，會同時更新bloom filter索引(將record key 新增到bloom filter 中). 在一個parquet檔案寫完成之後，會將構建的bloom filter資訊序列化成字串, 以及此檔案的key range，序列化後儲存到file footer中（在沒開啟bloom filter索引時也會做這一步）.

public Map<String, String> finalizeMetadata() {
    HashMap<String, String> extraMetadata = new HashMap<>();

    extraMetadata.put(HOODIE_AVRO_BLOOM_FILTER_METADATA_KEY, bloomFilter.serializeToString());
    if (bloomFilter.getBloomFilterTypeCode().name().contains(HoodieDynamicBoundedBloomFilter.TYPE_CODE_PREFIX)) {
        extraMetadata.put(HOODIE_BLOOM_FILTER_TYPE_CODE, bloomFilter.getBloomFilterTypeCode().name());
    }

    if (minRecordKey != null && maxRecordKey != null) {
        extraMetadata.put(HOODIE_MIN_RECORD_KEY_FOOTER, minRecordKey.toString());
        extraMetadata.put(HOODIE_MAX_RECORD_KEY_FOOTER, maxRecordKey.toString());
    }

    return extraMetadata;
}

Append Mode: 僅只有Insert的資料
Upsert:

  • bootstrap index 生成BootstrapOperator用於基於已經存在的hoodie錶的歷史資料集，構建初始的index索引（可選）通過引數index.bootstrap.enabled開啟，預設為false。載入過程會可能會比較慢，開啟的情況下需要等到所有task都載入完成才能處理資料。這個載入需要獲取所有分割區的 索引，載入到state中. 這個理論上是需要讀取metadata列 _hoodie_record_key和 _hoodie_partition_path 然後構建出IndexRecord，所以會很慢。
  • stream writer 寫入時會先通過BucketAssignFunction計算資料應該落到哪個bucket(file group)去, 感覺bucket這個詞和bucket index有點衝突，這裡是兩個概念，這裡主要還是劃分資料所屬哪個file，這一步就會用到前面構建的索引，所以預設情況下flink的索引是基於state的
// Only changing records need looking up the index for the location,
// append only records are always recognized as INSERT.
HoodieRecordGlobalLocation oldLoc = indexState.value();
// change records 表示會更改資料的寫入型別如update，delete
if (isChangingRecords && oldLoc != null) {
    // Set up the instant time as "U" to mark the bucket as an update bucket.
    // 打標之後如果partition 發生變化了，例如partition 欄位發生了變化 ? 狀態中儲存的就是這個資料應該存放的location
    if (!Objects.equals(oldLoc.getPartitionPath(), partitionPath)) {
        if (globalIndex) {
            // if partition path changes, emit a delete record for old partition path,
            // then update the index state using location with new partition path.
            // 對於全域性索引，需要先刪除老的分割區的資料，非全域性索引不做跨分割區的改動
            HoodieRecord<?> deleteRecord = new HoodieAvroRecord<>(new HoodieKey(recordKey, oldLoc.getPartitionPath()),
                                                                  payloadCreation.createDeletePayload((BaseAvroPayload) record.getData()));

            deleteRecord.unseal();
            deleteRecord.setCurrentLocation(oldLoc.toLocal("U"));
            deleteRecord.seal();

            out.collect((O) deleteRecord);
        }
        location = getNewRecordLocation(partitionPath);
    } else {
        location = oldLoc.toLocal("U");
        this.bucketAssigner.addUpdate(partitionPath, location.getFileId());
    }
} else {
    location = getNewRecordLocation(partitionPath);
}

可以看到在BucketAssigner這一步就已經確定了record 已經落到哪個fileid中(也就是打標的過程)，所以預設就走的是基於state的索引。 在這裡org.apache.hudi.table.action.commit.FlinkWriteHelper#write區別於org.apache.hudi.table.action.commit.BaseWriteHelper#write。好處就是不用像BloomFilter 索引去讀取檔案key 以及並且沒有假陽的問題，壞處就是需要在寫入端通過state來維護索引。除了預設基於State索引的方式, Flink 也支援BucketIndex。

總體感覺，索引的實現比較割裂，交由各個引擎的實現端來完成。而且流式寫入依賴內部狀態索引可能穩定性的問題。

小結

  1. 相比傳統數倉支援update, delete（更輕量）
  2. ACID 事務特性 (地基功能) + 索引機制。
  3. 支援增量讀取和批式讀取
  4. 提供健全的檔案和表的metadata，加速查詢端資料裁剪能力
  5. 目前看不支援dim join
  6. 定位是流批一體的儲存 + 傳統數倉的升級。無法替代olap 和 kv 儲存系統。

總的來看，hudi的核心價值有
端到端資料延遲降低
在傳統基於 Hive 的 T + 1 更新方案中，只能實現天級別的資料新鮮度，取決於partition的粒度。因為在傳統離線數倉裡面只能按照partition粒度commit，因為無法將paritition做到特別細粒度，檔案管理的壓力會很大，最多可能到小時，30min，那麼下游排程就只能按這個粒度來排程計算。而hudi裡面基於事務就可以非常快速的commit，並提供commit 之後的增量語意，那麼就可以加速離線資料處理pipeline。

高效的Upsert
不用每次都去 overwrite 整張表或者整個 partition 去更新，而是能夠精確到檔案粒度的區域性更新來提升儲存和計算效率。

而這兩者都是以ACID事務作為保障。因此Hudi的名字取的很好，基本把他的核心功能都說出來了。

參考

https://github.com/leesf/hudi-resources hudi resources
https://github.com/apache/hudi/tree/master/rfc hudi rfcs
https://www.liaojiayi.com/lake-hudi/ hudi 核心概念解讀
https://cwiki.apache.org/confluence/display/HUDI/RFC+-+29%3A+Hash+Index hash 索引設計
https://stackoverflow.com/questions/19128940/what-is-the-difference-between-partitioning-and-bucketing-a-table-in-hive bucket in hive
https://www.cnblogs.com/leesf456/p/16990811.html 一文聊透hudi 索引機制
https://github.com/apache/hudi/blob/master/rfc/rfc-45/rfc-45.md async metadata indexing rfc
https://mp.weixin.qq.com/s/Moehs1Ch3j7IVANJQ1mfNw Apache Hudi重磅RFC解讀之記錄級別全域性索引
https://blog.csdn.net/weixin_47482194/article/details/116357831 MOR表的檔案結構分析
https://juejin.cn/post/7160589518440153096 實時資料湖 Flink Hudi 實踐探索
https://segmentfault.com/a/1190000041471105 hudi Bucket index
https://mp.weixin.qq.com/s/n_Kd6FhWs4_QZN_gmAuPhw file layouts
https://mp.weixin.qq.com/s?__biz=MzIyMzQ0NjA0MQ== file sizing
https://mp.weixin.qq.com/s/Te2zaF6AoJuTxY8ILzxlQg Clustering
https://docs.snowflake.com/en/user-guide/tables-clustering-micropartitions snowflake micropartition
https://cloud.tencent.com/developer/article/1827930 17張圖帶你徹底理解Hudi Upsert原理
https://hudi.apache.org/cn/docs/concurrency_control/ 並行控制
https://www.infoq.cn/article/Pe9ejRJDrJsp5AIhjlE3 物件儲存
https://www.striim.com/blog/data-warehouse-vs-data-lake-vs-data-lakehouse-an-overview/ data lake vs data warehouse vs lake house