一文徹底掌握Apache Hudi非同步Clustering部署

  • 2021 年 9 月 26 日
  • 筆記

1. 摘要

在之前的一篇部落格中，我們介紹了Clustering(聚簇)的表服務來重新組織數據來提供更好的查詢性能，而不用降低攝取速度，並且我們已經知道如何部署同步Clustering，本篇部落格中，我們將討論近期社區做的一些改進以及如何通過HoodieClusteringJob和DeltaStreamer工具來部署非同步Clustering。

2. 介紹

通常講，Clustering根據可配置的策略創建一個計劃，根據特定規則對符合條件的文件進行分組，然後執行該計劃。Hudi支援並發寫入，並在多個表服務之間提供快照隔離，從而允許寫入程式在後台運行Clustering時繼續攝取。有關Clustering的體系結構的更詳細概述請查看上一篇博文。

3. Clustering策略

如前所述Clustering計劃和執行取決於可插拔的配置策略。這些策略大致可分為三類：計劃策略、執行策略和更新策略。

3.1 計劃策略

該策略在創建Clustering計劃時發揮作用。它有助於決定應該對哪些文件組進行Clustering。讓我們看一下Hudi提供的不同計劃策略。請注意，使用此配置可以輕鬆地插拔這些策略。

  • SparkSizeBasedClusteringPlanStrategy：根據基本文件的小文件限制選擇文件切片並創建Clustering組，最大大小為每個組允許的最大文件大小。可以使用此配置指定最大大小。此策略對於將中等大小的文件合併成大文件非常有用，以減少跨冷分區分布的大量文件。

  • SparkRecentDaysClusteringPlanStrategy：根據以前的N天分區創建一個計劃，將這些分區中的小文件片進行Clustering，這是默認策略，當工作負載是可預測的並且數據是按時間劃分時，它可能很有用。

  • SparkSelectedPartitionsClusteringPlanStrategy：如果只想對某個範圍內的特定分區進行Clustering，那麼無論這些分區是新分區還是舊分區，此策略都很有用，要使用此策略，還需要在下面設置兩個配置（包括開始和結束分區）：

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

注意：所有策略都是分區感知的，後兩種策略仍然受到第一種策略的大小限制的約束。

3.2 執行策略

在計劃階段構建Clustering組後，Hudi主要根據排序列和大小為每個組應用執行策略，可以使用此配置指定策略。

SparkSortAndSizeExecutionStrategy是默認策略。使用此配置進行Clustering時，用戶可以指定數據排序列。除此之外我們還可以為Clustering產生的Parquet文件設置最大文件大小。該策略使用bulk_insert將數據寫入新文件，在這種情況下，Hudi隱式使用一個分區器，該分區器根據指定列進行排序。通過這種策略改變數據布局，不僅提高了查詢性能，而且自動平衡了重寫開銷。

現在該策略可以作為單個Spark作業或多個作業執行，具體取決於在計劃階段創建的Clustering組的數量。默認情況下Hudi將提交多個Spark作業併合並結果。如果要強制Hudi使用單Spark作業，請將執行策略類配置設置為SingleSparkJobExecutionStrategy。

3.3 更新策略

目前只能為未接收任何並發更新的表/分區調度Clustering。默認情況下更新策略的配置設置為SparkRejectUpdateStrategy。如果某個文件組在Clustering期間有更新，則它將拒絕更新並引發異常。然而在某些用例中，更新是非常稀疏的，並且不涉及大多數文件組。簡單拒絕更新的默認策略似乎不公平。在這種用例中用戶可以將配置設置為SparkAllowUpdateStregy。

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

配置項 解釋 默認值
hoodie.clustering.async.enabled 啟用在表上的非同步運行Clustering服務。 false
hoodie.clustering.async.max.commits 通過指定應觸發多少次提交來控制非同步Clustering的頻率。 4
hoodie.clustering.preserve.commit.metadata 重寫數據時保留現有的_hoodie_commit_time。這意味著用戶可以在Clustering數據上運行增量查詢，而不會產生任何副作用。 false

4. 非同步Clustering

之前我們已經了解了用戶如何設置同步Clustering。此外用戶可以利用HoodiecClusteringJob設置兩步非同步Clustering。

4.1 HoodieClusteringJob

隨著Hudi版本0.9.0的發布，我們可以在同一步驟中調度和執行Clustering。我們只需要指定-mode或-m選項。有如下三種模式：

  • schedule（調度）：制定一個Clustering計劃。這提供了一個可以在執行模式下傳遞的instant。

  • execute（執行）：在給定的instant執行Clustering計劃，這意味著這裡需要instant。

  • scheduleAndExecute（調度並執行）：首先制定Clustering計劃並立即執行該計劃。

請注意要在原始寫入程式仍在運行時運行作業請啟用多寫入：

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。現在我們可以使用DeltaStreamer觸發非同步Clustering。只需將hoodie.clustering.async.enabled為true，並在屬性文件中指定其他Clustering配置，在啟動Deltastreamer時可以將其位置設為-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結構化流啟用非同步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 streaming
   Future {
      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 frame
   val hudiOptions = getClusteringOpts("true", "1", "org.apache.hudi.client.clustering.run.strategy.SparkSortAndSizeExecutionStrategy")
   val f1 = initStreamingWriteFuture(hudiOptions)
   Await.result(f1, Duration.Inf)
}

5. 總結和未來工作

在這篇文章中，我們討論了不同的Clustering策略以及如何設置非同步Clustering。未來的工作包括：

  • Clustering支援更新。

  • 支援Clustering的CLI工具。

另外Flink支援Clustering已經有相應Pull Request，有興趣的小夥伴可以關注該PR。

可以查看JIRA了解更多關於此問題的開發，我們期待社會各界的貢獻，希望你喜歡這個部落格！

VirMach 便宜 VPS

QNews

QNews