Hudi（五）集成Flink（3）

12、离线compaction

Yuan_CSDF

839人浏览 · 2023-05-31 22:40:20

Yuan_CSDF · 2023-05-31 22:40:20 发布

12、离线compaction

MOR表的compaction默认是自动打开的，策略是5个commits执行一次压缩。因为压缩操作比较耗费内存，和写流程放在同一个pipeline，在数据量比较大的时候（10w+/sqps），容易干扰写流程，此时采用离线定时任务的方式执行compaction任务更稳定。

12.1、设置参数

compaction.async.enabled为false，关闭在线compaction。
compaction.schedule.enabled仍然保持开启，由写任务阶段性触发压缩plan。

12.2、原理

一个compaction的任务的执行包括两部分：

schedule压缩plan

该过程推荐由写任务定时触发，写参数compaction.schedule.enabled默认开启

执行对应的压缩plan

12.3、使用方式

1、执行命令

离线compaction需要手动执行Java程序，程序入口：

hudi-flink1.13-bundle-0.12.0.jar
org.apache.hudi.sink.compact.HoodieFlinkCompactor

// 命令行的方式
./bin/flink run -c org.apache.hudi.sink.compact.HoodieFlinkCompactor lib/hudi-flink1.13-bundle-0.12.0.jar --path hdfs://hadoop3:9000/table

2、参数配置

参数名	required	默认值	备注
--path	true	--	目标表的路径
--compaction-tasks	false	-1	压缩task的并发，默认是待压缩file group的数量
--compaction-max-memory	false	100 （单位 MB）	压缩时log数据的索引map，默认100MB，内存足够可以开大些
--schedule	false	false	是否要执行schedule compaction的操作，当写流程还在持续写入表数据的时候，开启这个参数有丢失查询数据的风险，所以开启该参数一定要保证当前没有任务往表里写数据, 写任务的compaction plan默认是一直 schedule的，除非手动关闭（默认 5 个 commits 一次压缩）
--seq	false	LIFO	执行压缩任务的顺序，默认是从最新的压缩 plan 开始执行，可选值： LIFO: 从最新的 plan 开始执行； FIFO: 从最老的 plan 开始执行
--service	false	false	是否开启service模式，service模式会打开常驻进程，一直监听压缩任务并提交到集群执行（从 0.11 开始执行）
--min-compaction-interval-seconds	false	600 （单位秒）	service模式下的执行间隔，默认10分钟

3、案例演示

create table t7(
  id int,
  ts int,
  primary key (id) not enforced
)
with (
  'connector' = 'hudi',
  'path' = '/tmp/hudi_catalog/default/t7',
  'compaction.async.enabled' = 'false',
  'compaction.schedule.enabled' = 'true',
  'table.type' = 'MERGE_ON_READ'
);


insert into t7 values(1,1);
insert into t7 values(2,2);
insert into t7 values(3,3);
insert into t7 values(4,4);
insert into t7 values(5,5);


// 命令行的方式
./bin/flink run -c org.apache.hudi.sink.compact.HoodieFlinkCompactor lib/hudi-flink1.13-bundle-0.12.0.jar --path hdfs://hadoop1:9000/tmp/hudi_catalog/default/t7

13、离线Clustering

异步的clustering相对于online的async clustering资源隔离，从而更加稳定。

13.1、设置参数

clustering.async.enabled为false，关闭在线clustering。
clustering.schedule.enabled仍然保持开启，由写任务阶段性触发clustering plan。

13.2、原理

一个 clustering 的任务的执行包括两部分：

schedule plan

推荐由写任务定时触发，写参数 clustering.schedule.enabled 默认开启。

执行对应的 plan

13.3、使用方式

1、执行命令

离线clustering需要手动执行Java程序，程序入口：

hudi-flink1.13-bundle-0.12.0.jar
org.apache.hudi.sink.clustering.HoodieFlinkClusteringJob

注意：必须是分区表，否则报错空指针异常。

// 命令行的方式
./bin/flink run -c org.apache.hudi.sink.clustering.HoodieFlinkClusteringJob lib/hudi-flink1.13-bundle-0.12.0.jar --path hdfs://hadoop1:9000/table

2、参数配置

参数名	required	默认值	备注
--path	true	--	目标表的路径。
--clustering-tasks	false	-1	Clustering task的并发，默认是待压缩file group的数量。
--schedule	false	false	是否要执行schedule clustering plan的操作，当写流程还在持续写入表数据的时候，开启这个参数有丢失查询数据的风险，所以开启该参数一定要保证当前没有任务往表里写数据, 写任务的clustering plan默认是一直 schedule 的，除非手动关闭（默认 4 个 commits 一次 clustering）。
--seq	false	FIFO	执行压缩任务的顺序，默认是从最老的clustering plan 开始执行，可选值： LIFO: 从最新的plan开始执行； FIFO: 从最老的plan开始执行
--target-file-max-bytes	false	1024 * 1024 * 1024	最大目标文件，默认1GB。
--small-file-limit	false	600	小于该大小的文件会参与clustering，默认600MB。
--sort-columns	false	N/A	Clustering可选排序列。
--service	false	false	是否开启service模式，service模式会打开常驻进程，一直监听压缩任务并提交到集群执行（从0.11开始执行）。
--min-compaction-interval-seconds	false	600 （单位秒）	service模式下的执行间隔，默认10分钟。

3、案例演示

create table t8(
  id int,
  age int,
  ts int,
  primary key (id) not enforced
) partitioned by (age)
with (
  'connector' = 'hudi',
  'path' = '/tmp/hudi_catalog/default/t8',
  'clustering.async.enabled' = 'false',
  'clustering.schedule.enabled' = 'true',
  'table.type' = 'COPY_ON_WRITE'
);


insert into t8 values(1,18,1);
insert into t8 values(2,18,2);
insert into t8 values(3,18,3);
insert into t8 values(4,18,4);
insert into t8 values(5,18,5);


// 命令行的方式
./bin/flink run -c org.apache.hudi.sink.clustering.HoodieFlinkClusteringJob lib/hudi-flink1.13-bundle-0.12.0.jar --path hdfs://hadoop1:9000/tmp/hudi_catalog/default/t8

最终会生成新的文件。历史文件最终而不是立即被clean掉。

14、常见基础问题

14.1、存储一直看不到数据

如果是streaming写，请确保开启checkpoint，Flink的writer有3种刷数据到磁盘的策略：

当某个bucket在内存积攒到一定大小(可配，默认64MB)
当总的buffer大小积攒到一定大小（可配，默认1GB）
当checkpoint触发，将内存里的数据全部flush出去

14.2、数据有重复

        如果是COW写，需要开启参数write.insert.drop.duplicates，COW写每个bucket的第一个文件默认是不去重的，只有增量的数据会去重，全局去重需要开启该参数；MOR写不需要开启任何参数，定义好primary key后默认全局去重。（注意：从0.10版本开始，该属性改名write.precombine并且默认为true。）
        如果需要多partition去重，需要开启参数:index.global.enabled为true。（注意：从0.10版本开始，该属性默认为true。）
        索引index是判断数据重复的核心数据结构，index.state.ttl设置了索引保存的时间，默认为1.5天，对于长时间周期的更新，比如更新一个月前的数据，需要将index.state.ttl调大（单位天），设置小于0代表永久保存。（注意：从0.10版本开始，该属性默认为0。）

14.3、Merge On Read写只有log文件

        Merge On Read默认开启了异步的compaction，策略是5个commits压缩一次，当条件满足参会触发压缩任务，另外，压缩本身因为耗费资源，所以不一定能跟上写入效率，可能会有滞后。
        可以先观察log，搜索compaction关键词，看是否有compact任务调度：
        After filtering, Nothing to compact for关键词说明本次compaction strategy是不做压缩。