1. 摘要

Hudi 支持在寫入時自動清理未成功提交的數(shù)據(jù)。Apache Hudi 在寫入時引入標(biāo)記機制來有效跟蹤寫入存儲的數(shù)據(jù)文件。 在本博客中，我們將深入探討現(xiàn)有直接標(biāo)記文件機制的設(shè)計，并解釋了其在云存儲（如 AWS S3、Aliyun OSS）上針對非常大批量寫入的性能問題。 并且演示如何通過引入基于時間軸服務(wù)器的標(biāo)記來提高寫入性能。

2. 為何引入Markers機制

Hudi中的marker是一個表示存儲中存在對應(yīng)的數(shù)據(jù)文件的標(biāo)簽，Hudi使用它在故障和回滾場景中自動清理未提交的數(shù)據(jù)。

每個標(biāo)記條目由三部分組成

• 數(shù)據(jù)文件名
• 標(biāo)記擴展名 (.marker)
• 創(chuàng)建文件的 I/O 操作（CREATE - 插入、MERGE - 更新/刪除或 APPEND - 兩者之一）。

例如標(biāo)記91245ce3-bb82-4f9f-969e-343364159174-0_140-579-0_20210820173605.parquet.marker.CREATE指示相應(yīng)的數(shù)據(jù)文件是91245ce3-bb82-4f9f-969e-343364159174-0_140-579-0_20210820173605.parquet 
并且 I/O 類型是 CREATE。

在寫入每個數(shù)據(jù)文件之前，Hudi 寫入客戶端首先在存儲中創(chuàng)建一個標(biāo)記，該標(biāo)記會被持久化，在提交成功后會被寫入客戶端顯式刪除。

標(biāo)記對于寫客戶端有效地執(zhí)行不同的操作很有用，標(biāo)記主要有如下兩個作用

刪除重復(fù)/部分?jǐn)?shù)據(jù)文件：通過 Spark 寫入 Hudi 時會有多個 Executor 進行并發(fā)寫入。一個 Executor 可能失敗，留下部分?jǐn)?shù)據(jù)文件寫入，在這種情況下 Spark 會重試 Task ，當(dāng)啟用speculative execution時，可以有多次attempts成功將相同的數(shù)據(jù)寫入不同的文件，但最終只有一次attempt會交給 Spark Driver程序進程進行提交。標(biāo)記有助于有效識別寫入的部分?jǐn)?shù)據(jù)文件，其中包含與后來成功寫入的數(shù)據(jù)文件相比的重復(fù)數(shù)據(jù)，并在寫入和提交完成之前清理這些重復(fù)的數(shù)據(jù)文件。

回滾失敗的提交：寫入時可能在中間失敗，留下部分寫入的數(shù)據(jù)文件。在這種情況下，標(biāo)記條目會在提交失敗時保留在存儲中。在接下來的寫操作中，寫客戶端首先回滾失敗的提交，通過標(biāo)記識別這些提交中寫入的數(shù)據(jù)文件并刪除它們。

接下來我們將深入研究現(xiàn)有的標(biāo)記機制，闡述其性能問題，并演示新的基于時間軸服務(wù)器的標(biāo)記機制來解決該問題。

3. 現(xiàn)有的直接標(biāo)記機制及其局限性

現(xiàn)有的標(biāo)記機制簡單地創(chuàng)建與每個數(shù)據(jù)文件相對應(yīng)的新標(biāo)記文件，標(biāo)記文件名如前面所述。 每個 marker 文件被寫入在相同的目錄層次結(jié)構(gòu)中，即提交即時和分區(qū)路徑，在Hudi表的基本路徑下的臨時文件夾.hoodie/.temp下。 例如，下圖顯示了向 Hudi 表寫入數(shù)據(jù)時創(chuàng)建的標(biāo)記文件和相應(yīng)數(shù)據(jù)文件的示例。 在獲取或刪除所有marker文件路徑時，該機制首先列出臨時文件夾.hoodie/.temp/<commit_instant>下的所有路徑，然后進行操作。

雖然掃描整個表以查找未提交的數(shù)據(jù)文件效率更高，但隨著要寫入的數(shù)據(jù)文件數(shù)量的增加，要創(chuàng)建的標(biāo)記文件的數(shù)量也會增加。 這可能會為 AWS S3 等云存儲帶來性能瓶頸。 在 AWS S3 中，每個文件創(chuàng)建和刪除調(diào)用都會觸發(fā)一個 HTTP 請求，并且對存儲桶中每個前綴每秒可以處理的請求數(shù)有速率限制。 當(dāng)并發(fā)寫入的數(shù)據(jù)文件數(shù)量和 marker 文件數(shù)量巨大時，marker 文件的操作會成為寫入性能的顯著性能瓶頸。而在像 HDFS 這樣的存儲上，用戶可能幾乎不會注意到這一點，其中文件系統(tǒng)元數(shù)據(jù)被有效地緩存在內(nèi)存中。

4. 基于時間線服務(wù)器的標(biāo)記機制提高寫入性能

為解決上述 AWS S3 速率限制導(dǎo)致的性能瓶頸，我們引入了一種利用時間線服務(wù)器的新標(biāo)記機制，該機制優(yōu)化了存儲標(biāo)記的相關(guān)延遲。 Hudi 中的時間線服務(wù)器用作提供文件系統(tǒng)和時間線視圖。 如下圖所示，新的基于時間線服務(wù)器的標(biāo)記機制將標(biāo)記創(chuàng)建和其他標(biāo)記相關(guān)操作從各個執(zhí)行器委托給時間線服務(wù)器進行集中處理。 時間線服務(wù)器在內(nèi)存中為相應(yīng)的標(biāo)記請求維護創(chuàng)建的標(biāo)記，時間線服務(wù)器通過定期將內(nèi)存標(biāo)記刷新到存儲中有限數(shù)量的底層文件來實現(xiàn)一致性。 通過這種方式，即使數(shù)據(jù)文件數(shù)量龐大，也可以顯著減少與標(biāo)記相關(guān)的實際文件操作次數(shù)和延遲，從而提高寫入性能。

為了提高處理標(biāo)記創(chuàng)建請求的效率，我們設(shè)計了在時間線服務(wù)器上批量處理標(biāo)記請求。 每個標(biāo)記創(chuàng)建請求在 Javalin 時間線服務(wù)器中異步處理，并在處理前排隊。 對于每個批處理間隔，例如 20 毫秒，調(diào)度線程從隊列中拉出待處理的請求并將它們發(fā)送到工作線程進行處理。 每個工作線程處理標(biāo)記創(chuàng)建請求，并通過重寫存儲標(biāo)記的底層文件。有多個工作線程并發(fā)運行，考慮到文件覆蓋的時間比批處理時間長，每個工作線程寫入一個不被其他線程觸及的獨占文件以保證一致性和正確性。 批處理間隔和工作線程數(shù)都可以通過寫入選項進行配置。

請注意工作線程始終通過將請求中的標(biāo)記名稱與時間線服務(wù)器上維護的所有標(biāo)記的內(nèi)存副本進行比較來檢查標(biāo)記是否已經(jīng)創(chuàng)建。 存儲標(biāo)記的底層文件僅在第一個標(biāo)記請求（延遲加載）時讀取。 請求的響應(yīng)只有在新標(biāo)記刷新到文件后才會返回，以便在時間線服務(wù)器故障的情況下，時間線服務(wù)器可以恢復(fù)已經(jīng)創(chuàng)建的標(biāo)記。 這些確保存儲和內(nèi)存中副本之間的一致性，并提高處理標(biāo)記請求的性能。

5. 標(biāo)記相關(guān)的寫入選項

我們在 0.9.0 版本中引入了以下與標(biāo)記相關(guān)的新寫入選項，以配置標(biāo)記機制。

• hoodie.write.markers.type，要使用的標(biāo)記類型。支持兩種模式： direct，每個數(shù)據(jù)文件對應(yīng)的單獨標(biāo)記文件由編寫器直接創(chuàng)建； timeline_server_based，標(biāo)記操作全部在時間線服務(wù)中處理作為代理。 為了提高效率新的標(biāo)記條目被批處理并存儲在有限數(shù)量的基礎(chǔ)文件中。默認(rèn)值為direct。
• hoodie.markers.timeline_server_based.batch.num_threads，用于在時間軸服務(wù)器上批處理標(biāo)記創(chuàng)建請求的線程數(shù)。默認(rèn)值為20。
• hoodie.markers.timeline_server_based.batch.interval_ms，標(biāo)記創(chuàng)建批處理的批處理間隔（以毫秒為單位）。默認(rèn)值為50。

6. 性能

我們通過使用 Amazon EMR 和 Spark 和 S3 批量插入大規(guī)模數(shù)據(jù)集來評估direct和timeline_server_based的標(biāo)記機制的寫入性能。 輸入數(shù)據(jù)大約為 100GB。 我們通過設(shè)置最大 parquet 文件大小為 1MB 和并行度為 240 來配置寫入操作以并發(fā)生成大量數(shù)據(jù)文件。 正如我們之前提到的，而直接標(biāo)記機制的延遲對于較小數(shù)量的增量寫入是可以接受的，對于產(chǎn)生更多數(shù)據(jù)文件的大批量插入/寫入，開銷會急劇增加。

如下圖所示，由于是批處理，基于時間線服務(wù)器的標(biāo)記機制生成的存儲標(biāo)記的文件要少得多，從而導(dǎo)致標(biāo)記相關(guān)的 I/O 操作的時間要少得多，因此與直接相比，寫入完成時間減少了 31%。 標(biāo)記文件機制。

7. 總結(jié)

我們發(fā)現(xiàn)由于 AWS S3 等云存儲上文件創(chuàng)建和刪除調(diào)用的速率限制，現(xiàn)有的直接標(biāo)記文件機制會導(dǎo)致性能瓶頸。 為了解決這個問題我們引入了一種利用時間線服務(wù)器的新標(biāo)記機制，它將標(biāo)記創(chuàng)建和其他與標(biāo)記相關(guān)的操作從各個 Executor 委托給時間線服務(wù)器，并使用批處理來提高性能。使用 Spark 和 S3 在 Amazon EMR 上進行的性能評估表明，與標(biāo)記相關(guān)的 I/O 延遲和整體寫入時間有所減少。

以上就是深入解析Apache Hudi內(nèi)核文件標(biāo)記機制的詳細(xì)內(nèi)容，更多關(guān)于Apache Hudi內(nèi)核文件標(biāo)記的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論