作者：vivo 互聯網大數據團隊 - Xu Yu
在增效降本的大背景下，vivo大數據基礎團隊引入Hudi組件爲公司業務部門湖倉加速的場景進行賦能。主要應用在流批同源、實時鏈路優化及寬表拼接等業務場景。
Hudi 基礎能力及相關概念介紹
流批同源能力
與Hive不同，Hudi數據在Spark/Flink寫入後，下游可以繼續使用Spark/Flink引擎以流讀的形式實時讀取數據。同一份Hudi數據源既可以批讀也支持流讀。
Flink、Hive、Spark的流轉批架構：
Hudi流批同源架構：
COW和MOR的概念
Hudi支持COW（Copy On Write）和MOR（Merge On Read）兩種類型：
（1）COW寫時拷貝
每次更新的數據都會拷貝一份新的數據版本出來，用戶通過最新或者指定version的可以進行數據查詢。缺點是寫入的時候往往會有寫內存放大的情況，優點是查詢不需要合併，直接讀取效率相對比較高。JDK中的CopyOnWriteArrayList/
CopyOnWriteArraySet 容器正是採用了 COW 思想。
COW表的數據組織格式如下：
（2）MOR讀時合併
每次更新或者插入新的數據時，並寫入parquet文件，而是寫入Avro格式的log文件中，數據按照FileGroup進行分組，每個FileGroup由base文件（parquet文件）和若干log文件組成，每個FileGroup有單獨的FileGroupID;在讀取的時候會在內存中將base文件和log文件進行合併，進而返回查詢的數據。缺點是合併需要花費額外的合併時間，查詢的效率受到影響；優點是寫入的時候效率相較於COW快很多，一般用於要求數據快速寫入的場景。
MOR數據組織格式如下：
Hudi的小文件治理方案
Hudi表會針對COW和MOR表制定不同的文件合併方案，分別對應Clustering和Compaction。
Clustering顧名思義，就是將COW表中多個FileGroup下的parquet根據指定的數據大小重新編排合併爲新的且文件體積更大的文件塊。如下圖所示：
Compaction即base parquet文件與相同FileGroup下的其餘log文件進行合併，生成最新版本的base文件。如下圖所示：
周邊引擎查詢Hudi的原理
當前主流的OLAP引擎等都是從HMS中獲取Hudi的分區元數據信息，從InputFormat屬性中判斷需要啓動HiveCatalog還是HudiCatalog，然後生成查詢計劃最終執行。當前StarRocks、Presto等引擎都支持以外表的形式對Hudi表進行查詢。
Procedure介紹
Hudi 支持多種Procedure，即過程處理程序，用戶可以通過這些Procedure方便快速的處理Hudi表的相關邏輯，比如Compaction、Clustering、Clean等相關處理邏輯，不需要進行編碼，直接通過sparksql的語句來執行。
項目架構
1. 按時效性要求進行分類
秒級延遲
分鐘級延遲
當前Hudi主要還是應用在準實時場景：
上游從Kafka以append模式接入ods的cow表，下游部分dw層業務根據流量大小選擇不同類型的索引表，比如bucket index的mor表，在數據去重後進行dw構建，從而提供統一數據服務層給下游的實時和離線的業務，同時ods層和dw層統一以insert overwrite的方式進行分區級別的容災保障，Timeline上寫入一個replacecommit的instant，不會引發下游流量驟增，如下圖所示：
線上達成能力
實時場景
支持1億條/min量級準實時寫入；流讀延遲穩定在分鐘級
離線場景
支持千億級別數據單批次離線寫入；查詢性能與查詢Hive持平（部分線上任務較查詢Hive提高20%以上）
小文件治理
95%以上的合併任務單次執行控制在10min內完成
組件能力優化
組件版本
當前線上所有Hudi的版本已從0.12 升級到 0.14，主要考慮到0.14版本的組件能力更加完備，且與社區前沿動態保持一致。
流計算場景
1. 限流
數據積壓嚴重的情況下，默認情況會消費所有未消費的commits，往往因消費的commits數目過大，導致任務頻繁OOM，影響任務穩定性；優化後每次用戶可以攝取指定數目的commits，很大程度上避免任務OOM，提高了任務穩定性。
2. 外置clean算子
避免單並行度的clean算子最終階段影響數據實時寫入的性能；將clean單獨剝離到
compaction/clustering執行。這樣的好處是單個clean算子，不會因爲其生成clean計劃和執行導致局部某些Taskmanager出現熱點的問題，極大程度提升了實時任務穩定性。
3. JM內存優化
部分大流量場景中，儘管已經對Hudi進行了最大程度的調優，但是JM的內存仍然在較高水位波動，還是會間隔性出現內存溢出影響穩定性。這種情況下我們嘗試對 state.backend.fs.memory-threshold 參數進行調整；從默認的20KB調整到1KB，JM內存顯著下降；同時運行至今state相關數據未產生小文件影響。
批計算場景
1. Bucket index下的BulkInsert優化
0.14版本後支持了bucket表的bulkinsert，實際使用過程中發現分區數很大的情況下，寫入延遲耗時與計算資源消耗較高；分析後主要是打開的句柄數較多，不斷CPU IO 頻繁切換影響寫入性能。
因此在hudi內核進行了優化，主要是基於partition path和bucket id組合進行預排序，並提前關閉空閒寫入句柄，進而優化cpu資源使用率。
這樣原先50分鐘的任務能降低到30分鐘以內，數據寫入性能提高約30% ~ 40%。
優化前：
優化後：
2. 查詢優化
0.14版本中，部分情況下分區裁剪會失效，從而導致條件查詢往往會掃描不相關的分區，在分區數龐大的情況下，會導致driver OOM，對此問題進行了修復，提高了查詢任務的速度和穩定性。
eg：select * from hudi_test.tmp_hudi_test where day='2023-11-20' and hour=23;
（其中tmp_hudi_test是一張按日期和小時二級分區的表）
修復前：
修復後：
優化後不僅包括減少分區的掃描數目，也減少了一些無效文件RPC的stage。
3. 多種OLAP引擎支持
此外，爲了提高MOR表管理的效率，我們禁止了RO/RT表的生成；同時修復了原表的元數據不能正常同步到HMS的缺陷(這種情況下，OLAP引擎例如Presto、StarRocks查詢原表數據默認僅支持對RO/RT表的查詢，原表查詢爲空結果）。
小文件合併
1. 序列化問題修復
0.14版本Hudi在文件合併場景中，Compaction的性能相較0.12版本有30%左右的資源優化，比如：原先0.12需要6G資源才能正常啓動單個executor的場景下，0.14版本 4G就可以啓動並穩定執行任務；但是clustering存在因TypedProperties重複序列化導致的性能缺陷。完善後，clustering的性能得到30%以上的提升。
可以從executor的修復前後的火焰圖進行比對。
修復前：
修復後：
2. 分批compaction/clustering
compaction/clustering默認不支持按commits數分批次執行，爲了更好的兼容平臺調度能力，對compaction/clustering相關procedure進行了改進，支持按批次執行。
同時對其他部分procedure也進行了優化，比如copy_to_table支持了列裁剪拷貝、
delete_procedures支持了批量執行等，降低sparksql的執行時間。
3. clean優化
Hudi0.14 在多分區表的場景下clean的時候很容易OOM，主要是因爲構建
HoodieTableFileSystemView的時候需要頻繁訪問TimelineServer，因產生大量分區信息請求對象導致內存溢出。具體情況如下：
對此我們對partition request Job做了相關優化，將多個task分爲多個batch來執行，降低對TimelineSever的內存壓力，同時增加了請求前的緩存判斷，如果已經緩存的將不會發起請求。
改造後如下：
此外實際情況下還可以在FileSystemViewManager構建過程中將 remoteview 和 secondview 的順序互調，絕大部分場景下也能避免clean oom的問題，直接優先從secondview中獲取分區信息即可。
生命週期管理
當前計算平臺支持用戶表級別生命週期設置，爲了提高刪除的效率，我們設計實現了直接從目錄對數據進行刪除的方案，這樣的收益有：
- 降低了元數據交互時間，執行時間快；
- 無須加鎖、無須停止任務；
- 不會影響後續compaction/clustering 相關任務執行（比如執行合併的時候不會報文件不存在等異常）。
刪除前會對compaction/clustering等instants的元數據信息進行掃描，經過合法性判斷後區分用戶需要刪除的目錄是否存在其中，如果有就保存；否則直接刪除。流程如下：
總結
我們分別在流批場景、小文件治理、生命週期管理等方向做了相關優化，上線後的收益主要體現這四個方向：
- 部分實時鏈路可以進行合併，降低了計算和存儲資源成本；
- 基於watermark有效識別分區寫入的完成度，接入湖倉的後續離線任務平均SLA提前時間不低於60分鐘；
- 部分流轉批後的任務上線後執行時間減少約40%（比如原先執行需要150秒的任務可以縮短到100秒左右完成 ;
- 離線增量更新場景，部分任務相較於原先Hive任務可以下降30%以上的計算資源。
同時跟進用戶實際使用情況，發現了一些有待優化的問題：
- Hudi生成文件的體積相較於原先Hive，體積偏大（平均有1.3 ~ 1.4的比例）；
- 流讀的指標不夠準確；
- Hive -> Hudi遷移需要有一定的學習成本；
針對上述問題，我們也做了如下後續計劃：
- 對hoodie parquet索引文件進行精簡優化，此外業務上對主鍵的重新設計也會直接影響到文件體積大小；
- 部分流讀的指標不準，我們已經完成初步的指標修復，後續需要補充更多實時的任務指標來提高用戶體驗；
- 完善Hudi遷移流程，提供更快更簡潔的遷移工具，此外也會向更多的業務推廣Hudi組件，進一步挖掘Hudi組件的潛在使用價值。