Apache Hudi 0.9.0 版本发布

下载信息

• 源码地址: Apache Hudi 源码

• 版本相关jar包: here

版本迁移指南

• 如果从旧版本进行迁移，还请检查下面每个后续版本的升级说明

• 在0.9.0中，Hudi添加了更多的表属性，以帮助在现有的Hudi表使用spark-sql。为了顺利地帮助这种过渡，这些属性添加到hoodie.properties文件上。每当使用更新的表版本(即2)启动Hudi时(或从pre 0.9.0移动到0.9.0)，都会自动执行升级步骤。这个自动升级步骤只会在每个Hudi表中发生一次，因为hoodie.table.version将在升级完成后在属性文件中更新。

• 类似地，还添加了一个用于降级的命令行工具(command-downgrade)，因为可能有些用户想要将Hudi从表版本2降级到表版本1，或者从Hudi 0.9.0移动到0.9.0之前。这需要从0.9.0的hudi-cli二进制/脚本执行。

• 在这个版本中，我们添加了一个新的框架来跟踪代码中的配置属性，不再使用包含属性名和值的字符串变量。这一举动帮助我们自动化配置文档的生成等等。虽然我们仍然支持旧的configs字符串变量，但鼓励用户使用新的ConfigProperty等价项，具体如弃用说明中所述。在大多数情况下，就像在相应的替代上调用.key()和.defaultvalue()一样简单。例如:RECORDKEY_FIELD_OPT_KEY可以被RECORDKEY_FIELD_NAME.key()替换。

版本亮点

Spark SQL DDL/DML支持

Apache Hudi 0.9.0实验性地支持使用Spark SQL进行DDL/DML操作，朝着让所有用户(非工程师、分析师等)更容易访问和操作Hudi迈出了一大步。用户可以直接使用CREATE TABLE ... USING HUDI以及CREATE TABLE ... AS SELECT语法来在像Hive的catalogs中创建和管理表。用户然后可以使用INSERT，UPDATE, MERGE INTO以及DELETE sql语法来操纵数据。除此之外，INSERT OVERWRITE语句可用于覆盖表或分区中现有的批处理ETL管道中的现有数据。更多信息，点击SparkSQL选项卡查看我们的文档。请参阅RFC-25了解更多实现细节。

查询方面的改进

Hudi表现在在Hive中注册为spark数据源表，这意味着这些表上的spark SQL现在也使用数据源，而不是依赖于spark中的Hive fallbacks，这是很难维护/也是很麻烦的。这开启了许多优化，比如使用Hudi自己的FileIndex实现来优化缓存，以及使用Hudi元数据表来更快地列出大型表。对于spark数据源，我们还增加了对timetravel查询的支持。

写方面的改进

添加了虚拟键支持，用户可以避免将元字段添加到 Hudi 表并利用现有的字段来填充记录键和分区路径。请参考 具体配置[4]来开启虚拟键。

Clustering改进

DeltaStreamer 和 Spark Streaming 都添加了异步Clustering支持。可以在这篇博客文章[5]中找到更多细节。

增量读取也适用于Clustering数据。

添加了HoodieClusteringJob[6]以作为独立作业来构建和执行Clustering计划。

添加了一个配置（hoodie.clustering.plan.strategy.daybased.skipfromlatest.partitions）以在创建Clustering计划时跳过最近的 N 个分区。

增强 Bulk_Insert模式（新增行写入器模式），并缺省打开，用户可以使用行写入器模式以获得更好的性能。

在 HiveSyncTool 中添加了对 HMS 的支持。HMSDDLExecutor 是一个 DDLExecutor 实现，基于使用 HMS 的 HMS apis 直接用于执行所有 DDL 。

Spark 引擎中添加了预提交验证器框架[7]。用户可以利用该框架来添加验证给定提交的文件是否都存在，或是否已经删除所有无效文件等。

org.apache.hudi.client.validator.SqlQueryEqualityPreCommitValidator[8]可用于验证提交前后行的数据行相同

org.apache.hudi.client.validator.SqlQueryInequalityPreCommitValidator[9]可用于验证提交前后的数据行不相同

org.apache.hudi.client.validator.SqlQuerySingleResultPreCommitValidator[10]可用于验证表是否产生特定值这些可以通过设置hoodie.precommit.validators=<逗号分隔的验证器类名称列表> 来配置。用户还可以通过扩展抽象类 SparkPreCommitValidator 并覆盖此方法来提供自己的实现。

用户可以选择删除用于生成分区路径的字段（hoodie.datasource.write.drop.partition.columns），以支持使用BigQuery系统查询Hudi快照。

支持华为云、百度云、金山云对象存储。

添加了对delete_partition操作的支持，用户可以在需要时利用它删除旧分区。

ORC格式支持，现在用户可以指定存储格式为ORC，注意现在暂时只支持Spark查询。

Hudi 使用不同类型的可溢出映射，用于内部处理合并（压缩、更新甚至 MOR 快照查询）。在 0.9.0 中，我们添加了对 bitcask默认选项的压缩支持，并引入了由 RocksDB 支持，它可以在大批量更新或处理大型基本文件时性能更高。

增强对未提交的数据的自动清理，该增强在云存储上性能更优，具体来说是新增了一种新的标记机制，利用时间线服务器对底层存储执行集中协调的文件标记批量读/写，你可以使用这个配置[11]来启用，并在这个博客[12]上了解更多。

DeltaStreamer的改进

JDBC Source[13]可以采用提取 SQL 语句并从支持 JDBC 的源中增量获取数据。这对于例如从 RDBMS 源读取数据时很有用。请注意，这种方法可能需要定期重新引导以确保数据一致性，尽管在基于 CDC 的方法上操作要简单得多。

SQLSource[14]使用 Spark SQL 语句从现有表中提取数据，对于基于 SQL 的简单回填用例非常有用，例如：过去 N 个月只回填一列。

S3EventsHoodieIncrSource[15]和S3EventsSource[16]有助于从 S3 读取数据，可靠且高效地将数据摄取到 Hudi。现有使用 DFSSource 的方法是使用文件的最后修改时间作为检查点来拉入新文件，但是如果大量文件具有相同的修改时间，则可能会遇到丢失一些要从源读取的文件的问题。这两个源（S3EventsHoodieIncrSource 和 S3EventsSource）通过利用从源存储桶订阅文件事件的 AWS SNS 和 SQS 服务，共同确保将数据从 S3 可靠地摄取到 Hudi。

除了使用 DeltaStreamer 使用常规偏移格式（topic_name,partition_num:offset,partition_num:offset,….），我们还为 kafka 源提取数据添加了两种新格式，即基于时间戳和组消费者偏移量。添加了在 deltastreamer 中使用模式提供程序在模式注册表提供程序 url 中传递基本身份验证凭据的支持。对hudi-cli 的一些改进，例如SCHEDULE COMPACTION和RUN COMPACTION语句，以便轻松在 Hudi 表上调度和运行Compaction、Clustering。

Flink集成

Flink写入支持CDC Format的 MOR 表，打开选项changelog.enabled时，Hudi 会持久化每条记录的所有更改标志，使用 Flink 的流读取器，用户可以根据这些更改日志进行有状态的计算。请注意当使用异步压缩时，所有中间更改都合并为一个（最后一条记录），仅具有 UPSERT 语义。

支持Bulk insert来加载现有表，可以将write.operation设置为bulk_insert来使用。

Flink支持流式读取 COW 表。

删除消息默认在流式读取模式下发出，当changelog.enabled为false时，下游接收DELETE消息作为带有空负载的 Hudi 记录。

Flink写入现在可以更新历史分区，即删除历史分区中的旧记录然后在当前分区插入新记录，打开index.global.enabled使用。

通过支持不同的 Hive 版本（1.x、2.x、3.x），大大改善了 Hive 同步。

Flink 支持纯日志追加模式，在这种模式下没有记录去重，对于COW和MOR表，每次刷新都直接写入 parquet，关闭write.insert.deduplicate以开启这种模式。