1. 摘要

在之前的一篇博客中，我們介紹了Clustering(聚簇)的表服務(wù)來(lái)重新組織數(shù)據(jù)來(lái)提供更好的查詢性能，而不用降低攝取速度，并且我們已經(jīng)知道如何部署同步Clustering，本篇博客中，我們將討論近期社區(qū)做的一些改進(jìn)以及如何通過(guò)HoodieClusteringJob和DeltaStreamer工具來(lái)部署異步Clustering。

2. 介紹

通常講，Clustering根據(jù)可配置的策略創(chuàng)建一個(gè)計(jì)劃，根據(jù)特定規(guī)則對(duì)符合條件的文件進(jìn)行分組，然后執(zhí)行該計(jì)劃。Hudi支持并發(fā)寫入，并在多個(gè)表服務(wù)之間提供快照隔離，從而允許寫入程序在后臺(tái)運(yùn)行Clustering時(shí)繼續(xù)攝取。有關(guān)Clustering的體系結(jié)構(gòu)的更詳細(xì)概述請(qǐng)查看上一篇博文。

3. Clustering策略

如前所述Clustering計(jì)劃和執(zhí)行取決于可插拔的配置策略。這些策略大致可分為三類：計(jì)劃策略、執(zhí)行策略和更新策略。

3.1 計(jì)劃策略

該策略在創(chuàng)建Clustering計(jì)劃時(shí)發(fā)揮作用。它有助于決定應(yīng)該對(duì)哪些文件組進(jìn)行Clustering。讓我們看一下Hudi提供的不同計(jì)劃策略。請(qǐng)注意，使用此配置可以輕松地插拔這些策略。

• SparkSizeBasedClusteringPlanStrategy：根據(jù)基本文件的小文件限制選擇文件切片并創(chuàng)建Clustering組，最大大小為每個(gè)組允許的最大文件大小。可以使用此配置指定最大大小。此策略對(duì)于將中等大小的文件合并成大文件非常有用，以減少跨冷分區(qū)分布的大量文件。

• SparkRecentDaysClusteringPlanStrategy：根據(jù)以前的N天分區(qū)創(chuàng)建一個(gè)計(jì)劃，將這些分區(qū)中的小文件片進(jìn)行Clustering，這是默認(rèn)策略，當(dāng)工作負(fù)載是可預(yù)測(cè)的并且數(shù)據(jù)是按時(shí)間劃分時(shí)，它可能很有用。

• SparkSelectedPartitionsClusteringPlanStrategy：如果只想對(duì)某個(gè)范圍內(nèi)的特定分區(qū)進(jìn)行Clustering，那么無(wú)論這些分區(qū)是新分區(qū)還是舊分區(qū)，此策略都很有用，要使用此策略，還需要在下面設(shè)置兩個(gè)配置（包括開(kāi)始和結(jié)束分區(qū)）：

  hoodie.clustering.plan.strategy.cluster.begin.partition hoodie.clustering.plan.strategy.cluster.end.partition

注意：所有策略都是分區(qū)感知的，后兩種策略仍然受到第一種策略的大小限制的約束。

3.2 執(zhí)行策略

在計(jì)劃階段構(gòu)建Clustering組后，Hudi主要根據(jù)排序列和大小為每個(gè)組應(yīng)用執(zhí)行策略，可以使用此配置指定策略。

SparkSortAndSizeExecutionStrategy是默認(rèn)策略。使用此配置進(jìn)行Clustering時(shí)，用戶可以指定數(shù)據(jù)排序列。除此之外我們還可以為Clustering產(chǎn)生的Parquet文件設(shè)置最大文件大小。該策略使用bulk_insert將數(shù)據(jù)寫入新文件，在這種情況下，Hudi隱式使用一個(gè)分區(qū)器，該分區(qū)器根據(jù)指定列進(jìn)行排序。通過(guò)這種策略改變數(shù)據(jù)布局，不僅提高了查詢性能，而且自動(dòng)平衡了重寫開(kāi)銷。

現(xiàn)在該策略可以作為單個(gè)Spark作業(yè)或多個(gè)作業(yè)執(zhí)行，具體取決于在計(jì)劃階段創(chuàng)建的Clustering組的數(shù)量。默認(rèn)情況下Hudi將提交多個(gè)Spark作業(yè)并合并結(jié)果。如果要強(qiáng)制Hudi使用單Spark作業(yè)，請(qǐng)將執(zhí)行策略類配置設(shè)置為SingleSparkJobExecutionStrategy。

3.3 更新策略

目前只能為未接收任何并發(fā)更新的表/分區(qū)調(diào)度Clustering。默認(rèn)情況下更新策略的配置設(shè)置為SparkRejectUpdateStrategy。如果某個(gè)文件組在Clustering期間有更新，則它將拒絕更新并引發(fā)異常。然而在某些用例中，更新是非常稀疏的，并且不涉及大多數(shù)文件組。簡(jiǎn)單拒絕更新的默認(rèn)策略似乎不公平。在這種用例中用戶可以將配置設(shè)置為SparkAllowUpdateStregy。

我們討論了關(guān)鍵策略配置，下面列出了與Clustering相關(guān)的所有其他配置。在此列表中一些非常有用的配置包括：

配置項(xiàng)解釋默認(rèn)值

hoodie.clustering.async.enabled	啟用在表上的異步運(yùn)行Clustering服務(wù)。	false
hoodie.clustering.async.max.commits	通過(guò)指定應(yīng)觸發(fā)多少次提交來(lái)控制異步Clustering的頻率。	4
hoodie.clustering.preserve.commit.metadata	重寫數(shù)據(jù)時(shí)保留現(xiàn)有的_hoodie_commit_time。這意味著用戶可以在Clustering數(shù)據(jù)上運(yùn)行增量查詢，而不會(huì)產(chǎn)生任何副作用。	false

4. 異步Clustering

之前我們已經(jīng)了解了用戶如何設(shè)置同步Clustering。此外用戶可以利用HoodiecClusteringJob設(shè)置兩步異步Clustering。

4.1 HoodieClusteringJob

隨著Hudi版本0.9.0的發(fā)布，我們可以在同一步驟中調(diào)度和執(zhí)行Clustering。我們只需要指定-mode或-m選項(xiàng)。有如下三種模式：

• schedule（調(diào)度）：制定一個(gè)Clustering計(jì)劃。這提供了一個(gè)可以在執(zhí)行模式下傳遞的instant。

• execute（執(zhí)行）：在給定的instant執(zhí)行Clustering計(jì)劃，這意味著這里需要instant。

• scheduleAndExecute（調(diào)度并執(zhí)行）：首先制定Clustering計(jì)劃并立即執(zhí)行該計(jì)劃。

請(qǐng)注意要在原始寫入程序仍在運(yùn)行時(shí)運(yùn)行作業(yè)請(qǐng)啟用多寫入：

hoodie.write.concurrency.mode=optimistic_concurrency_control hoodie.write.lock.provider=org.apache.hudi.client.transaction.lock.ZookeeperBasedLockProvider

使用spark submit命令提交HoodieClusteringJob示例如下：

spark-submit \ --class org.apache.hudi.utilities.HoodieClusteringJob \ /path/to/hudi-utilities-bundle/target/hudi-utilities-bundle_2.12-0.9.0-SNAPSHOT.jar \ --props /path/to/config/clusteringjob.properties \ --mode scheduleAndExecute \ --base-path /path/to/hudi_table/basePath \ --table-name hudi_table_schedule_clustering \ --spark-memory 1g

clusteringjob.properties配置文件示例如下

hoodie.clustering.async.enabled=true hoodie.clustering.async.max.commits=4 hoodie.clustering.plan.strategy.target.file.max.bytes=1073741824 hoodie.clustering.plan.strategy.small.file.limit=629145600 hoodie.clustering.execution.strategy.class=org.apache.hudi.client.clustering.run.strategy.SparkSortAndSizeExecutionStrategy hoodie.clustering.plan.strategy.sort.columns=column1,column2

4.2 HoodieDeltaStreamer

接著看下如何使用HudiDeltaStreamer。現(xiàn)在我們可以使用DeltaStreamer觸發(fā)異步Clustering。只需將hoodie.clustering.async.enabled為true，并在屬性文件中指定其他Clustering配置，在啟動(dòng)Deltastreamer時(shí)可以將其位置設(shè)為-props（與HoodieClusteringJob配置類似）。

使用spark submit命令提交HoodieDeltaStreamer示例如下：

spark-submit \ --class org.apache.hudi.utilities.deltastreamer.HoodieDeltaStreamer \ /path/to/hudi-utilities-bundle/target/hudi-utilities-bundle_2.12-0.9.0-SNAPSHOT.jar \ --props /path/to/config/clustering_kafka.properties \ --schemaprovider-class org.apache.hudi.utilities.schema.SchemaRegistryProvider \ --source-class org.apache.hudi.utilities.sources.AvroKafkaSource \ --source-ordering-field impresssiontime \ --table-type COPY_ON_WRITE \ --target-base-path /path/to/hudi_table/basePath \ --target-table impressions_cow_cluster \ --op INSERT \ --hoodie-conf hoodie.clustering.async.enabled=true \ --continuous

4.3 Spark Structured Streaming

我們還可以使用Spark結(jié)構(gòu)化流啟用異步Clustering，如下所示。

val commonOpts = Map("hoodie.insert.shuffle.parallelism" -> "4","hoodie.upsert.shuffle.parallelism" -> "4",DataSourceWriteOptions.RECORDKEY_FIELD.key -> "_row_key",DataSourceWriteOptions.PARTITIONPATH_FIELD.key -> "partition",DataSourceWriteOptions.PRECOMBINE_FIELD.key -> "timestamp",HoodieWriteConfig.TBL_NAME.key -> "hoodie_test" )def getAsyncClusteringOpts(isAsyncClustering: String, clusteringNumCommit: String, executionStrategy: String):Map[String, String] = {commonOpts + (DataSourceWriteOptions.ASYNC_CLUSTERING_ENABLE.key -> isAsyncClustering,HoodieClusteringConfig.ASYNC_CLUSTERING_MAX_COMMITS.key -> clusteringNumCommit,HoodieClusteringConfig.EXECUTION_STRATEGY_CLASS_NAME.key -> executionStrategy) }def initStreamingWriteFuture(hudiOptions: Map[String, String]): Future[Unit] = {val streamingInput = // define the source of streamingFuture {println("streaming starting")streamingInput.writeStream.format("org.apache.hudi").options(hudiOptions).option("checkpointLocation", basePath + "/checkpoint").mode(Append).start().awaitTermination(10000)println("streaming ends")} }def structuredStreamingWithClustering(): Unit = {val df = //generate data frameval hudiOptions = getClusteringOpts("true", "1", "org.apache.hudi.client.clustering.run.strategy.SparkSortAndSizeExecutionStrategy")val f1 = initStreamingWriteFuture(hudiOptions)Await.result(f1, Duration.Inf) }

5. 總結(jié)和未來(lái)工作

在這篇文章中，我們討論了不同的Clustering策略以及如何設(shè)置異步Clustering。未來(lái)的工作包括：

• Clustering支持更新。

• 支持Clustering的CLI工具。

另外Flink支持Clustering已經(jīng)有相應(yīng)Pull Request，有興趣的小伙伴可以關(guān)注該P(yáng)R。

可以查看JIRA了解更多關(guān)于此問(wèn)題的開(kāi)發(fā)，我們期待社會(huì)各界的貢獻(xiàn)，希望你喜歡這個(gè)博客！

與50位技術(shù)專家面對(duì)面20年技術(shù)見(jiàn)證，附贈(zèng)技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的一文彻底掌握Apache Hudi异步Clustering部署的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。