Hudi 原理 | Apache Hudi 如何處理小文件問題

1. 引入

Apache Hudi是一個(gè)流行的開源的數(shù)據(jù)湖框架，Hudi提供的一個(gè)非常重要的特性是自動管理文件大小，而不用用戶干預(yù)。大量的小文件將會導(dǎo)致很差的查詢分析性能，因?yàn)椴樵円鎴?zhí)行查詢時(shí)需要進(jìn)行太多次文件的打開/讀取/關(guān)閉。在流式場景中不斷攝取數(shù)據(jù)，如果不進(jìn)行處理，會產(chǎn)生很多小文件。

2. 寫入時(shí) vs 寫入后

一種常見的處理方法先寫入很多小文件，然后再合并成大文件以解決由小文件引起的系統(tǒng)擴(kuò)展性問題，但由于暴露太多小文件可能導(dǎo)致不能保證查詢的SLA。實(shí)際上對于Hudi表，通過Hudi提供的Clustering功能可以非常輕松的做到這一點(diǎn)，更多細(xì)節(jié)可參考之前一篇文章查詢時(shí)間降低60%！Apache Hudi數(shù)據(jù)布局黑科技了解下。

本篇文章將介紹Hudi的文件大小優(yōu)化策略，即在寫入時(shí)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(jìn)行insert/upsert操作時(shí)，Hudi可以將文件大小維護(hù)在一個(gè)指定文件大?。ㄗ⒁猓篵ulk_insert操作暫無此特性，其主要用于替換spark.write.parquet方式將數(shù)據(jù)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(guān)鍵配置項(xiàng)如下：

?hoodie.parquet.max.file.size^[1]：數(shù)據(jù)文件最大大小，Hudi將試著維護(hù)文件大小到該指定值；?hoodie.parquet.small.file.limit^[2]：小于該大小的文件均被視為小文件；?hoodie.copyonwrite.insert.split.size^[3]：單文件中插入記錄條數(shù)，此值應(yīng)與單個(gè)文件中的記錄數(shù)匹配（可以根據(jù)最大文件大小和每個(gè)記錄大小來確定）

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

4. 示例

假設(shè)一個(gè)指定分區(qū)下數(shù)據(jù)文件布局如下

假設(shè)配置的hoodie.parquet.max.file.size為120MB，hoodie.parquet.small.file.limit為100MB。File_1大小為40MB，F(xiàn)ile_2大小為80MB，F(xiàn)ile_3是90MB，F(xiàn)ile_4是130MB，F(xiàn)ile_5是105MB，當(dāng)有新寫入時(shí)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(yīng)的文件，假設(shè)更新會增加文件的大小，會導(dǎo)致文件變大。當(dāng)更新減小文件大小時(shí)（例如使許多字段無效），則隨后的寫入將文件將越來越小。

步驟二：根據(jù)hoodie.parquet.small.file.limit決定每個(gè)分區(qū)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：確定小文件后，新插入的記錄將分配給小文件以便使其達(dá)到120MB，F(xiàn)ile_1將會插入80MB大小的記錄數(shù)，F(xiàn)ile_2將會插入40MB大小的記錄數(shù)，F(xiàn)ile_3將插入30MB大小的記錄數(shù)。

步驟四：當(dāng)所有小文件都分配完了對應(yīng)插入記錄數(shù)后，如果還有剩余未分配的插入記錄，這些記錄將分配給新創(chuàng)建的FileGroup/數(shù)據(jù)文件。數(shù)據(jù)文件中的記錄數(shù)由hoodie.copyonwrite.insert.split.size（或者由之前的寫入自動推算每條記錄大小，然后根據(jù)配置的最大文件大小計(jì)算出來可以插入的記錄數(shù)）決定，假設(shè)最后得到的該值為120K（每條記錄大小1K），如果還剩余300K的記錄數(shù)，將會創(chuàng)建3個(gè)新文件（File_6，F(xiàn)ile_7，F(xiàn)ile_8），F(xiàn)ile_6和File_7都會分配120K的記錄數(shù)，F(xiàn)ile_8會分配60K的記錄數(shù)，共計(jì)60MB，后面再寫入時(shí)，F(xiàn)ile_8會被認(rèn)為小文件，可以插入更多數(shù)據(jù)。

Hudi利用諸如自定義分區(qū)之類的機(jī)制來優(yōu)化記錄分配到不同文件的能力，從而執(zhí)行上述算法。在這輪寫入完成之后，除File_8以外的所有文件均已調(diào)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(jié)

本文介紹了Apache Hudi如何智能地管理小文件問題，即在寫入時(shí)找出小文件并分配指定大小的記錄數(shù)來規(guī)避小文件問題，基于該設(shè)計(jì)，用戶再也不用擔(dān)心Apache Hudi數(shù)據(jù)湖中的小文件問題了。

引用鏈接

[1] hoodie.parquet.max.file.size: http://hudi.apache.org/docs/configurations.html#limitFileSize
[2] hoodie.parquet.small.file.limit: (http://hudi.apache.org/docs/configurations.html#compactionSmallFileSize)
[3] hoodie.copyonwrite.insert.split.size: http://hudi.apache.org/docs/configurations.html#insertSplitSize