云小课｜MRS基础原理之Hudi介绍

时间：2022-10-28 16:00:42

阅识风云是华为云信息大咖，擅长将复杂信息多元化呈现，其出品的一张图(云图说)、深入浅出的博文(云小课)或短视频(云视厅)总有一款能让您快速上手华为云。更多精彩内容​​请单击此处​​。

云小课｜MRS基础原理之Hudi介绍

摘要：Hudi是数据湖的文件组织层，对Parquet格式文件进行管理提供数据湖能力，支持多种计算引擎。

本文分享自华为云社区《​​【云小课】EI第39课 MRS基础原理之Hudi介绍​​》，作者：Hello EI 。

Hudi是数据湖的文件组织层，对Parquet格式文件进行管理提供数据湖能力，支持多种计算引擎，提供IUD接口，在 HDFS的数据集上提供了插入更新和增量拉取的流原语。

云小课｜MRS基础原理之Hudi介绍

Hudi结构

Hudi的架构如图1-1所示。

云小课｜MRS基础原理之Hudi介绍

Hudi支持两种表类型

Copy On Write

写时复制表也简称cow表，使用parquet文件存储数据，内部的更新操作需要通过重写原始parquet文件完成。

  • 优点：读取时，只读取对应分区的一个数据文件即可，较为高效。
  • 缺点：数据写入的时候，需要复制一个先前的副本再在其基础上生成新的数据文件，这个过程比较耗时。且由于耗时，读请求读取到的数据相对就会滞后。

Merge On Read

读时合并表也简称mor表，使用列格式parquet和行格式Avro两种方式混合存储数据。其中parquet格式文件用于存储基础数据，Avro格式文件（也可叫做log文件）用于存储增量数据。

  • 优点：由于写入数据先写delta log，且delta log较小，所以写入成本较低。
  • 缺点：需要定期合并整理compact，否则碎片文件较多。读取性能较差，因为需要将delta log和老数据文件合并。

Hudi支持三种视图，针对不同场景提供相应的读能力

Snapshot View

实时视图：该视图提供当前hudi表最新的快照数据，即一旦有最新的数据写入hudi表，通过该视图就可以查出刚写入的新数据。

cow表和mor均支持这种视图能力。

Incremental View

增量视图：该视图提供增量查询的能力，可以查询指定COMMIT之后的增量数据，可用于快速拉取增量数据。

cow表支持该种视图能力， mor表也可以支持该视图，但是一旦mor表完成compact操作其增量视图能力消失。

Read Optimized View

读优化视图：该视图只会提供最新版本的parquet文件中存储的数据。

该视图在cow表和mor表上表现不同：

  • 对于cow表，该视图能力和实时视图能力是一样的（cow表只用parquet文件存数据）。
  • 对于mor表，仅访问基本文件，提供给定文件片自上次执行compact操作以来的数据， 可简单理解为该视图只会提供mor表parquet文件存储的数据，log文件里面的数据将被忽略。 该视图数据并不一定是最新的，但是mor表一旦完成compact操作，增量log数据被合入到了base数据里面，这个时候该视图和实时视图能力一样。

如何使用Hudi

目前Hudi集成在Spark2x中，使用Hudi需要安装Spark2x组件，并安装Spark2x的客户端。

  • MRS集群的创建可参考MRS快速入门中的“创建集群”章节，例如购买MRS 3.1.0版本集群。
  • 安装Spark2x客户端，可参考MRS用户指南中的“安装客户端”章节，例如客户端安装目录为：“/opt/client”。
  • 安全模式（开启Kerberos认证）集群，在使用Hudi时，需要创建一个具有访问Hudi权限的用户，可参考MRS用户指南中的“创建用户”章节，用户组选择hadoop、hive和supergroup，主组选择hadoop，角色选择System_administrator，例如创建人机用户“testuser”。

1.使用root用户登录集群客户端节点，执行如下命令：

cd /opt/client
source bigdata_env
source Hudi/component_env
kinit testuser

2.执行以下命令进入Spark SQL命令行。

spark-sql --master yarn

3.准备Hive数据表。

drop table if exists hivetb_text;
create table hivetb_text (id int, comb long, name string, dt date) row format delimited fields terminated by ',' stored as textfile;
insert into hivetb_text values (3,301,'0003','2021-09-11'),(4,400,'0004','2021-09-11');

4.创建Hudi Cow分区表。

drop table if exists hudi_test1;
create table hudi_test1 (id int, comb long, name string, dt date) using hudi partitioned by (dt) options(type='cow',primaryKey='id', preCombineField='comb');

5.执行insert，插入数据，并查询结果。

insert into hudi_test1 values (1,100,'aaa','2021-08-28'),(2,200,'bbb','2021-08-28');
insert into hudi_test1 select 3,300,'ccc','2021-09-11';
select id,comb,dt,name from hudi_test1;

6.执行update，更新数据，并查询结果。

update hudi_test1 set name='0001' where id = 1;
select id,comb,dt,name from hudi_test1;

7.执行delete，删除数据，并查询结果。

delete from hudi_test1 where id = 2;
select id,comb,dt,name from hudi_test1;

8.执行merge，写入增量数据，并查询结果。

merge into hudi_test1 t1 using hivetb_text t2 on t1.id = t2.id
when matched then update set id=t2.id, comb=t2.comb, name='aaaa', dt=t2.dt
when not matched then insert *;
select id,comb,dt,name from hudi_test1;

好了，本期云小课就介绍到这里，快去体验MapReduce(MRS)更多功能吧！​​猛戳这里​​


​​点击关注，第一时间了解华为云新鲜技术~​​

标签：

相关文章