乾貨！Apache Hudi如何智慧處理小文件問題

  • 2021 年 4 月 11 日
  • 筆記

1. 引入

Apache Hudi是一個流行的開源的數據湖框架，Hudi提供的一個非常重要的特性是自動管理文件大小，而不用用戶干預。大量的小文件將會導致很差的查詢分析性能，因為查詢引擎執行查詢時需要進行太多次文件的打開/讀取/關閉。在流式場景中不斷攝取數據，如果不進行處理，會產生很多小文件。

2. 寫入時 vs 寫入後

一種常見的處理方法先寫入很多小文件，然後再合併成大文件以解決由小文件引起的系統擴展性問題，但由於暴露太多小文件可能導致不能保證查詢的SLA。實際上對於Hudi表，通過Hudi提供的Clustering功能可以非常輕鬆的做到這一點，更多細節可參考之前一篇文章查詢時間降低60%！Apache Hudi數據布局黑科技了解下。

本篇文章將介紹Hudi的文件大小優化策略，即在寫入時處理。Hudi會自管理文件大小，避免向查詢引擎暴露小文件，其中自動處理文件大小起很大作用。

在進行insert/upsert操作時，Hudi可以將文件大小維護在一個指定文件大小（注意：bulk_insert操作暫無此特性，其主要用於替換spark.write.parquet方式將數據快速寫入Hudi）。

3. 配置

我們使用COPY_ON_WRITE表來演示Hudi如何自動處理文件大小特性。

關鍵配置項如下：

例如如果你第一個配置值設置為120MB，第二個配置值設置為100MB，則任何大小小於100MB的文件都將被視為一個小文件，如果要關閉此功能，可將hoodie.parquet.small.file.limit配置值設置為0。

4. 示例

假設一個指定分區下數據文件布局如下

假設配置的hoodie.parquet.max.file.size為120MB，hoodie.parquet.small.file.limit為100MB。File_1大小為40MB，File_2大小為80MB，File_3是90MB，File_4是130MB，File_5是105MB，當有新寫入時其流程如下：

步驟一：將更新分配到指定文件，這一步將查找索引來找到相應的文件，假設更新會增加文件的大小，會導致文件變大。當更新減小文件大小時（例如使許多欄位無效），則隨後的寫入將文件將越來越小。

步驟二：根據hoodie.parquet.small.file.limit決定每個分區下的小文件，我們的示例中該配置為100MB，所以小文件為File_1、File_2和File_3；

步驟三：確定小文件後，新插入的記錄將分配給小文件以便使其達到120MB，File_1將會插入80MB大小的記錄數，File_2將會插入40MB大小的記錄數，File_3將插入30MB大小的記錄數。

步驟四：當所有小文件都分配完了對應插入記錄數後，如果還有剩餘未分配的插入記錄，這些記錄將分配給新創建的FileGroup/數據文件。數據文件中的記錄數由hoodie.copyonwrite.insert.split.size（或者由之前的寫入自動推算每條記錄大小，然後根據配置的最大文件大小計算出來可以插入的記錄數）決定，假設最後得到的該值為120K（每條記錄大小1K），如果還剩餘300K的記錄數，將會創建3個新文件（File_6，File_7，File_8），File_6和File_7都會分配120K的記錄數，File_8會分配60K的記錄數，共計60MB，後面再寫入時，File_8會被認為小文件，可以插入更多數據。

Hudi利用諸如自定義分區之類的機制來優化記錄分配到不同文件的能力，從而執行上述演算法。在這輪寫入完成之後，除File_8以外的所有文件均已調整為最佳大小，每次寫入都會遵循此過程，以確保Hudi表中沒有小文件。

5. 總結

本文介紹了Apache Hudi如何智慧地管理小文件問題，即在寫入時找出小文件並分配指定大小的記錄數來規避小文件問題，基於該設計，用戶再也不用擔心Apache Hudi數據湖中的小文件問題了。

VirMach 便宜 VPS

QNews

QNews