本文小编为大家详细介绍“Apache Hudi异步Clustering部署操作的方法”，内容详细，步骤清晰，细节处理妥当，希望这篇“Apache Hudi异步Clustering部署操作的方法”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。
1. 摘要
Clustering(聚簇)的表服务来重新组织数据来提供更好的查询性能，而不用降低摄取速度，并且我们已经知道如何部署同步Clustering，本篇博客中，我们将讨论近期社区做的一些改进以及如何通过HoodieClusteringJob和DeltaStreamer工具来部署异步Clustering。
2. 介绍
通常讲，Clustering根据可配置的策略创建一个计划，根据特定规则对符合条件的文件进行分组，然后执行该计划。Hudi支持并发写入，并在多个表服务之间提供快照隔离，从而允许写入程序在后台运行Clustering时继续摄取。有关Clustering的体系结构的更详细概述请查看上一篇博文。
3. Clustering策略
如前所述Clustering计划和执行取决于可插拔的配置策略。这些策略大致可分为三类：计划策略、执行策略和更新策略。
3.1 计划策略
该策略在创建Clustering计划时发挥作用。它有助于决定应该对哪些文件组进行Clustering。让我们看一下Hudi提供的不同计划策略。请注意，使用此配置可以轻松地插拔这些策略。
SparkSizeBasedClusteringPlanStrategy：根据基本文件的小文件限制选择文件切片并创建
Clustering组，最大大小为每个组允许的最大文件大小。可以使用此配置指定最大大小。此策略对于将中等大小的文件合并成大文件非常有用，以减少跨冷分区分布的大量文件。SparkRecentDaysClusteringPlanStrategy：根据以前的
N天分区创建一个计划，将这些分区中的小文件片进行Clustering，这是默认策略，当工作负载是可预测的并且数据是按时间划分时，它可能很有用。SparkSelectedPartitionsClusteringPlanStrategy：如果只想对某个范围内的特定分区进行
Clustering，那么无论这些分区是新分区还是旧分区，此策略都很有用，要使用此策略，还需要在下面设置两个配置（包括开始和结束分区）：
hoodie.clustering.plan.strategy.cluster.begin.partitionhoodie.clustering.plan.strategy.cluster.end.partition注意：所有策略都是分区感知的，后两种策略仍然受到第一种策略的大小限制的约束。
3.2 执行策略
在计划阶段构建Clustering组后，Hudi主要根据排序列和大小为每个组应用执行策略，可以使用此配置指定策略。
SparkSortAndSizeExecutionStrategy是默认策略。使用此配置进行Clustering时，用户可以指定数据排序列。除此之外我们还可以为Clustering产生的Parquet文件设置最大文件大小。该策略使用bulk_insert将数据写入新文件，在这种情况下，Hudi隐式使用一个分区器，该分区器根据指定列进行排序。通过这种策略改变数据布局，不仅提高了查询性能，而且自动平衡了重写开销。
现在该策略可以作为单个Spark作业或多个作业执行，具体取决于在计划阶段创建的Clustering组的数量。默认情况下Hudi将提交多个Spark作业并合并结果。如果要强制Hudi使用单Spark作业，请将执行策略类配置设置为SingleSparkJobExecutionStrategy。
3.3 更新策略
目前只能为未接收任何并发更新的表/分区调度Clustering。默认情况下更新策略的配置设置为SparkRejectUpdateStrategy。如果某个文件组在Clustering期间有更新，则它将拒绝更新并引发异常。然而在某些用例中，更新是非常稀疏的，并且不涉及大多数文件组。简单拒绝更新的默认策略似乎不公平。在这种用例中用户可以将配置设置为SparkAllowUpdateStregy。
我们讨论了关键策略配置，下面列出了与Clustering相关的所有其他配置。在此列表中一些非常有用的配置包括：
| 配置项 | 解释 | 默认值 |
|---|---|---|
| hoodie.clustering.async.enabled | 启用在表上的异步运行Clustering服务。 | false |
| hoodie.clustering.async.max.commits | 通过指定应触发多少次提交来控制异步Clustering的频率。 | 4 |
| hoodie.clustering.preserve.commit.metadata | 重写数据时保留现有的_hoodie_commit_time。这意味着用户可以在Clustering数据上运行增量查询，而不会产生任何副作用。 | false |
4. 异步Clustering
之前我们已经了解了用户如何设置同步Clustering。此外用户可以利用HoodiecClusteringJob设置两步异步Clustering。
4.1 HoodieClusteringJob
随着Hudi版本0.9.0的发布，我们可以在同一步骤中调度和执行Clustering。我们只需要指定-mode或-m选项。有如下三种模式：
schedule（调度）：制定一个Clustering计划。这提供了一个可以在执行模式下传递的instant。
execute（执行）：在给定的instant执行Clustering计划，这意味着这里需要instant。
scheduleAndExecute（调度并执行）：首先制定Clustering计划并立即执行该计划。
请注意要在原始写入程序仍在运行时运行作业请启用多写入：
hoodie.write.concurrency.mode=optimistic_concurrency_controlhoodie.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 1gclusteringjob.properties配置文件示例如下
hoodie.clustering.async.enabled=truehoodie.clustering.async.max.commits=4hoodie.clustering.plan.strategy.target.file.max.bytes=1073741824hoodie.clustering.plan.strategy.small.file.limit=629145600hoodie.clustering.execution.strategy.class=org.apache.hudi.client.clustering.run.strategy.SparkSortAndSizeExecutionStrategyhoodie.clustering.plan.strategy.sort.columns=column1,column24.2 HoodieDeltaStreamer
接着看下如何使用HudiDeltaStreamer。现在我们可以使用DeltaStreamer触发异步Clustering。只需将hoodie.clustering.async.enabled为true，并在属性文件中指定其他Clustering配置，在启动Deltastreamer时可以将其位置设为-props（与HoodieClusteringJob配置类似）。
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 \--continuous4.3 Spark Structured Streaming
我们还可以使用Spark结构化流启用异步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)}读到这里，这篇“Apache Hudi异步Clustering部署操作的方法”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注编程网行业资讯频道。
