FusionInsight MRS Hudi原理解析之Compaction

Hudi的Compaction作用

Hudi的Merge-On-Read表，数据使用列式Parquet文件和行式Avro文件存储，Merge-On-Read表可减少数据摄入延迟，更新被记录到增量文件，但是随着行式数据的不断增长，为加快分析效率，需要对列式文件和行式文件的合并（compaction）生成新版本的列式文件，提升数据访问的性能。因而进行Compaction很有意义。

Compaction用于合并mor表Base和Log文件。

Compaction会进行如下两个步骤

1. 调度Compaction：由入湖作业完成，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。
2. 执行Compaction：一个单独的进程/线程将读取CompactionPlan并对FileSlice执行Compaction操作。

使用Compaction的方式分为同步和异步两种：

同步方式包括：

• 在使用HoodieDeltaStreamer将上游（Kafka/DFS）数据写入 hudi数据集时参数--disable-compaction默认为false，自动进行compaction操作。
• 使用datasource在写入时指定参数：

  option("hoodie.compact.inline", "true").

  option("hoodie.compact.inline.max.delta.commits", "2").

异步方式包括：

• 使用hudi-cli进行异步compaction

  调度compaction：

  compaction schedule --hoodieConfigs 'hoodie.compaction.strategy=org.apache.hudi.table.action.compact.strategy.BoundedIOCompactionStrategy,hoodie.compaction.target.io=1,hoodie.compact.inline.max.delta.commits=1'

  执行compaction：

  compaction run --parallelism 100 --sparkMemory 1g --retry 1 --compactionInstant 20210602101315 --hoodieConfigs 'hoodie.compaction.strategy=org.apache.hudi.table.action.compact.strategy.BoundedIOCompactionStrategy,hoodie.compaction.target.io=1,hoodie.compact.inline.max.delta.commits=1' --propsFilePath hdfs://hacluster/tmp/default/tb_test_mor/.hoodie/hoodie.properties --schemaFilePath /tmp/default/tb_test_mor/.hoodie/compact_tb_base.json

• 使用API进行异步compaction

  调度compaction：

  spark-submit --master yarn --jars /opt/client/Hudi/hudi/lib/hudi-client-common-0.8.0-hw-ei-311001-SNAPSHOT.jar --class org.apache.hudi.utilities.HoodieCompactor /opt/client/Hudi/hudi/lib/hudi-utilities_2.12-0.8.0-hw-ei-311001-SNAPSHOT.jar --base-path /tmp/default/tb_test_mor --table-name tb_test_mor --parallelism 100 --spark-memory 1G --schema-file /tmp/default/tb_test_mor/.hoodie/compact_tb_base.json --instant-time 20210602141810 --schedule --strategy org.apache.hudi.table.action.compact.strategy.UnBoundedCompactionStrategy

  执行compaction：

  spark-submit --master yarn --jars /opt/client/Hudi/hudi/lib/hudi-client-common-0.8.0-hw-ei-311001-SNAPSHOT.jar --class org.apache.hudi.utilities.HoodieCompactor /opt/client/Hudi/hudi/lib/hudi-utilities_2.12-0.8.0-hw-ei-311001-SNAPSHOT.jar --base-path /tmp/default/tb_test_mor --table-name tb_test_mor --parallelism 100 --spark-memory 1G --schema-file /tmp/default/tb_test_mor/.hoodie/compact_tb_base.json --instant-time 20210602141810

说明

• 使用hudi-cli进行调度compaction时，不需要指定instant-time，系统会自动生成并在调度成功后返回，只需在执行时传入该参数即可。
• schema-file需要用户手动编辑当前Hudi表的表结构schema文件上传到服务器上（可以使用最近一次“.commit”文件中的schema）。
• compaction不支持和写并发。