基于Apache Hudi 的CDC数据入湖

作者：李少锋

文章目录：

一、CDC背景介绍

二、CDC数据入湖

三、Hudi核心设计

四、Hudi未来规划

1. CDC背景介绍

首先我们介绍什么是CDC？CDC的全称是Change data Capture，即变更数据捕获，它是数据库领域非常常见的技术，主要用于捕获数据库的一些变更，然后可以把变更数据发送到下游。它的应用比较广，可以做一些数据同步、数据分发和数据采集，还可以做ETL，今天主要分享的也是把DB数据通过CDC的方式ETL到数据湖。

对于CDC，业界主要有两种类型：

• 基于查询，客户端会通过SQL方式查询源库表变更数据，然后对外发送。
• 基于日志，这也是业界广泛使用的一种方式，一般是通过binlog方式，变更的记录会写入binlog，解析binlog后会写入消息系统，或直接基于Flink CDC进行处理。

它们两者是有区别的，基于查询比较简单，是入侵性的，而基于日志是非侵入性，对数据源没有影响，但binlog的解析比较复杂一些。

基于查询和基于日志，分别有四种实现技术，有基于时间戳、基于触发器和快照，还有基于日志的，这是实现CDC的技术，下面是几种方式的对比。

通过这个表格对比可以发现基于日志的综合最优，但解析比较复杂，但业界有很多开源的binlog的解析器，比较通用和流行的有Debezium、Canal，以及Maxwell。基于这些binlog解析器就可以构建ETL管道。

下面来看下业界比较流行的一种CDC入仓架构。

整个数据入仓是分实时流是离线流，实时流解析binlog，通过Canal解析binlog，然后写入Kafka，然后每个小时会把Kafka数据同步到Hive中；另外就是离线流，离线流需要对同步到Hive的贴源层的表进行拉取一次全量，如果只有前面的实时流是数据是不全的，必须通过离线流的SQL Select把全量导入一次数据，对每张ODS表会把存量数据和增量数据做一个Merge。这里可以看到对于ODS层的实时性不够，存在小时、天级别的延迟。而对ODS层这个延时可以通过引入Apache Hudi做到分钟级。

2. CDC数据入湖方法

基于CDC数据的入湖，这个架构非常简单。上游各种各样的数据源，比如DB的变更数据、事件流，以及各种外部数据源，都可以通过变更流的方式写入表中，再进行外部的查询分析，整个架构非常简单。

架构虽然简单，但还是面临很多挑战。以Apache Hudi数据湖为例，数据湖是通过文件存储各种各样的数据， 对于CDC的数据处理需要对湖里某部分文件进行可靠地、事务性变更，这样可以保证下游查询不会看到部分结果，另外对CDC数据需要高效的做更新、删除操作，这就需要快速定位到更改的文件，另外是对于每小批量的数据写入，希望能够自动处理小文件，避免繁杂的小文件处理，还有面向查询的布局优化，可以通过一些技术手段如Clustering改造文件布局，对外提供更好的查询性能。

而Apache Hudi是怎么应对这些挑战的呢？首先支持事务性写入，包括读写之间的MVCC机制保证写不影响读，也可以控制事务及并发保证，对于并发写采用OCC乐观锁机制，对更新删除，内置一些索引及自定义保证更新、删除比较高效。另外是面向查询优化，Hudi内部会自动做小文件的管理，文件会自动长到用户指定的文件大小，如128M，这对Hudi来说也是比较核心的特性。另外Hudi提供了Clustering来优化文件布局的功能。

下图是典型CDC入湖的链路。上面的链路是大部分公司采取的链路，前面CDC的数据先通过CDC工具导入Kafka或者Pulsar，再通过Flink或者是Spark流式消费写到Hudi里。第二个架构是通过Flink CDC直联到MySQL上游数据源，直接写到下游Hudi表。

其实，这两条链路各有优缺点。第一个链路统一数据总线，扩展性和容错性都很好。对于第二条链路，扩展性和容错性会稍微差点，但由于组件较少，维护成本相应较低。

这是阿里云数据库OLAP团队的CDC入湖链路，因为我们我们做Spark的团队，所以我们采用的Spark Streaming链路入湖。整个入湖链路也分为两个部分：首先有一个全量同步作业，会通过Spark做一次全量数据拉取，这里如果有从库可以直连从库做一次全量同步，避免对主库的影响，然后写到Hudi。然后会启动一个增量作业，增量作业通过Spark消费阿里云DTS里的binlog数据来将binlog准实时同步至Hudi表。全量和增量作业的编排借助了Lakehouse的作业自动编排能力，协调全量和增量作业，而对于全量和增量衔接时利用Hudi的Upsert语义保证全增量数据的最终的一致性，不会出现数据偏多和偏少的问题。

在Lakehouse的CDC入湖链路中，我们团队也做了一些优化。

第一个是原库的Schema变更处理，我们对接的客户某些列的增加、删除或者修改某些列的场景。在Spark写Hudi之前会做Schema的检验，看这个Schema是不是合法，如果合法就可以正常写入，如果不合法的话，则会写入失败，而删除字段会导致Schema校验不合法，导致作业失败，这样稳定性是没有保证的。因此我们会捕捉Schema Validation的异常，如果发现是减少了字段，我们会把之前的字段做自动补全，然后做重试，保证链路是稳定的。

第二个有些客户表没有主键或者主键不合理，比如采用更新时间字段作为主键，或者设置会变化的分区字段，这时候就会导致写入Hudi的数据和源库表数据对不上。因此我们做了一些产品层面的优化，允许用户合理设置主键和分区映射，保证同步到Hudi里和源库是数据完全对齐的。

还有一个常见需求是用户在上游库中增加一个表，如果使用表级别同步的话，新增表在整个链路是无法感知的，也就无法同步到Hudi中，而在Lakehouse中，我们可以对整库进行同步，因此在库中新增表时，会自动感知新增表，将新增表数据自动同步到Hudi，做到原库增加表自动感知的能力。

还有一个是对CDC写入时候性能优化，比如拉取的一批数据中包含Insert、Update、Delete等事件，是否一直使用Hudi的Upsert方式写入呢？这样控制比较简单，并且Upsert有数据去重能力，但它带来的问题是找索引的效率低，而对于Insert方式而言，不需要找索引，效率比较高。因此对于每一批次数据会判断是否都是Insert事件，如果都是Insert事件就直接Insert方式写入，避免查找文件是否更新的开销，数据显示大概可以提升30%~50%的性能。当然这里也需要考虑到DTS异常，重新消费数据时，恢复期间不能直接使用Insert方式，否则可能会存在数据重复，对于这个问题我们引入了表级别的Watermark，保证即使在DTS异常情况下也不会出现数据重复问题。

3. Hudi核心设计

接着介绍下Hudi 的定位，根据社区最新的愿景，Hudi的定义是流式数据湖平台，它支持海量数据更新，内置表格式以及支持事务的储存，一系列列表服务包括Clean、Archive、Compaction、Clustering等，以及开箱即用的数据服务，以及本身自带的运维工具和指标监控，提供很好的运维能力。

这是Hudi官网的图，可以看到Hudi在整个生态里是做湖存储，底层可以对接HDFS以及各种云厂商的对象存储，只要兼容Hadoop协议接。上游是入湖的变化事件流，对上可以支持各种各样的数据引擎，比如presto、Spark以及云上产品；另外可以利用Hudi的增量拉取能力借助Spark、Hive、Flink构建派生表。

整个Hudi体系结构是非常完备的，其定位为增量的处理栈。典型的流式是面向行，对数据逐行处理，处理非常高效。

但面向行的数据里没有办法做大规模分析做扫描优化，而批处理可能需要每天全量处理一次，效率相对比较低。而Hudi引入增量处理的概念，处理的数据都是某一时间点之后的，和流处理相似，又比批处理高效很多，并且本身是面向数据湖中的列存数据，扫描优化非常高效。

而回顾Hudi的发展历史。2015年社区主席发表了一篇增量处理的文章，16年在Uber开始投入生产，为所有数据库关键业务提供了支撑；2017年，在Uber支撑了100PB的数据湖，2018年随着云计算普及，吸引了国内外的使用者；19年Uber把它捐赠到Apache进行孵化；2020年一年左右的时间就成为了顶级项目，采用率增长了超过10倍；2021年Uber最新资料显示Hudi支持了500PB数据湖，同时对Hudi做了很多增强，像Spark SQL DML和Flink的集成。最近字节跳动推荐部门分享的基于Hudi的数据湖实践单表超过了400PB，总存储超过了1EB，日增PB级别。

经过几年的发展，国内外采用Hudi的公司非常多，比如公有云的华为云、阿里云、腾讯云以及AWS，都集成了Hudi，阿里云也基于Hudi构建Lakehouse。字节跳动的整个数仓体系往湖上迁移也是基于Hudi构建的，后面也会有相应的文章分享他们基于Flink+Hudi的数据湖的日增PB数据量的实践。同时像百度、快手头部互联网大厂都有在使用。同时我们了解银行、金融行业也有工商银行、农业银行、百度金融、百信银行也有落地。游戏领域包括了三七互娱、米哈游、4399，可以看到Hudi在各行各业都有比较广泛的应用。

Hudi的定位是一套完整的数据湖平台，最上层面向用户可以写各种各样的SQL，Hudi作为平台提供的各种能力，下面一层是基于SQL以及编程的API，再下一层是Hudi的内核，包括索引、并发控制、表服务，后面社区要构建的基于Lake Cache构建缓存，文件格式是使用的开放Parquet、ORC、HFile存储格式，整个数据湖可以构建在各种云上。

后面接着介绍Hudi的关键设计，这对我们了解Hudi非常有帮助。首先是文件格式，它最底层是基于Fileslice的设计，翻译过来就是文件片，文件片包含基本文件和增量日志文件。基本文件就是一个Parquet或者是ORC文件，增量文件是log文件，对于log文件的写入Hudi里编码了一些block，一批Update可以编码成一个数据块，写到文件里。而基础文件是可插拔，可以基于Parquet，最新的9.0版本已经支持了ORC。还有基于HFile，HFile可用作元数据表。

Log文件里保存了一系列各种各样的数据块，它是有点类似于数据库的重做日志，每个数据版本都可以通过重做日志找到。对于基础文件和Log文件通过压缩做合并形成新的基础文件。Hudi提供了同步和异步的两种方式，这为用户提供了很灵活的选择，比如做可以选择同步Compaction，如果对延迟不敏感，而不需要额外异步起一个作业做Compaction，或者有些用户希望保证写入链路的延迟，可以异步做Compaction而不影响主链路。

Hudi基于File Slice上有个File Group的概念，File Group会包含有不同的File Slice，也File Slice构成了不同的版本，Hudi提供了机制来保留元数据个数，保证元数据大小可控。

对于数据更新写入，尽量使用append，比如之前写了一个Log文件，在更新时，会继续尝试往Log文件写入，对于HDFS这种支持append语义的存储非常友好，而很多云上对象存储不支持append语义，即数据写进去之后不可更改，只能新写Log文件。对于每个文件组也就是不同FileGroup之间是互相隔离的，可以针对不同的文件组做不同的逻辑，用户可以自定义算法实现，非常灵活。

基于Hudi FileGroup的设计可以带来不少收益。比如基础文件是100M，后面对基础文件进行了更新50M数据，就是4个FileGroup，做Compaction合并开销是600M，50M只需要和100M合，4个150M开销就是600M，这是有FileGroup设计。还是有4个100M的文件，也是做了更新，每一次合，比如25M要和400M合并，开销是1200M，可以看到采用FileGroup的设计，合并开销减少一半。

还有表格式。表格式的内容是文件在Hudi内是怎么存的。首先定义了表的根路径，然后写一些分区，和Hive的文件分区组织是一样的。还有对表的Schema定义，表的Schema变更，有一种方式是元数据记录在文件里，也有的是借助外部KV存储元数据，两者各有优缺点。

Hudi基于Avro格式表示Schema，因此对Schema的Evolution能力完全等同于Avro Schema的Evolution能力，即可以增加字段以及向上兼容的变更，如int变成long是兼容的，但long变成int是不兼容的。

当前现在社区已经有方案支持Full Schema Evolution，即可以增加一个字段，删去一个字段，重命名，也就是变更一个字段。

还有一个是Hudi的索引设计。每一条数据写入Hudi时，都会维护数据主键到一个文件组ID的映射，这样在做更新、删除时可以更快的定位到变更的文件。

右边的图里有个订单表，可以根据日期写到不同的分区里。下面就是用户表，就不需要做分区，因为它的数据量没有那么大，变更没那么频繁，可以使用非分区的表。

对于分区表及变更频繁的表，在使用Flink写入时，利用Flink State构建的全局索引效率比较高。整个索引是可插拔的，包括Bloomfilter、 HBase高性能索引。在字节场景中， Bloomfilter过滤器完全不能满足日增PB的索引查找，因此他们使用HBase高性能索引，因此用户可根据自己的业务形态灵活选择不同索引的实现。在有不同类型索引情况下可以以较低代价支持迟到的更新、随机更新的场景。

另外一个设计是并发控制。并发控制是在0.8之后才引入的。Hudi提供乐观锁机制来处理并发写问题，在提交的时候检查两个变更是否冲突，如果冲突就会写入失败。对于表服务如Compaction或者是Clustering内部没有锁，Hudi内部有一套协调机制来避免锁竞争问题。比如做Compaction，可以先在timeline上先打一个点，后面完全可以和写入链路解耦，异步做Compaction。

例如左边是数据摄取链路，数据每半个小时摄取一次，右边是异步删除作业，也会变更表，并且很有可能和写入修改冲突，会导致这个链路一直失败，平台无故的消耗CPU资源，现在社区针对这种情况也有改进方案，希望尽早检测并发写入的冲突，提前终止，减少资源浪费。

另外一个设计是元数据表。因为Hudi最开始是基于HDFS构建和设计，没有太多考虑云上存储场景，导致在云上FileList非常慢。因此在0.8版本，社区引入了Metadata Table，Metadata Table本身也是一张Hudi表，它构建成一张Hudi，可以复用Hudi表等各种表服务。Metadata Table表文件里会存分区下有的所有文件名以及文件大小，每一列的统计信息做查询优化，以及现在社区正在做的，基于Meta Table表构建全局索引，每条记录对应每个文件ID都记录在Meta table，减少处理Upsert时查询待更新文件的开销，也是上云必备。

4. Hudi未来规划

对未来的规划，如基于Pulsar、Hudi构建Lakehouse，这是StreamNative CEO提出的Proposal，想基于Hudi去构建Pulsar分层的存储。在Hudi社区，我们也做了一些工作，想把Hudi内置的工具包DeltaStreamar内置Pulsar Source，现在已经有PR了，希望两个社区联系可以更紧密。Pular分层存储内核部分StreamNative有同学正在做。

最近几天已经发布了0.9.0重要的优化和改进。首先集成了Spark SQL，极大降低了数据分析人员使用Hudi的门槛。

Flink集成Hudi的方案早在Hudi的0.7.0版本就有了，经过几个版本的迭代，Flink集成Hudi已经非常成熟了，在字节跳动等大公司已经在生产使用。Blink团队做的一个CDC的Format集成，直接把Update、Deltete事件直接存到Hudi。还有就是做存量数据的一次性迁移，增量了批量导入能力，减少了序列化和反序列化的开销。

另外现在有一些用户会觉得Hudi存一些元数据字段，比如_hoodie_commit_time等元信息，这些信息都是从数据信息里提取的，有部分存储开销，现在支持虚拟键，元数据字段不会再存数据了，它带来的限制就是不能使用增量ETL，无法获取Hudi某一个时间点之后的变更数据。

另外很多小伙伴也在希望Hudi支持ORC格式，Hudi最新版本支持了ORC格式，同时这部分格式的是可插拔的，后续可以很灵活接入更多的格式。还做了Metadata Table的写入和查询优化，通过Spark SQL查询的时候，避免Filelist，直接通过Metadata Table获取整个文件列表信息。

从更远来看社区未来的规划包括对于Spark集成升级到Data SourceV2，现在Hudi基于V1，无法用到V2的性能优化。还有Catalog集成，可以通过Catalog管理表，可以创建、删除、更新，表格元数据的管理通过Spark Catalog集成。

Flink模块Blink团队有专职同学负责，后续会把流式数据里的Watremark推到Hudi表里。

另外是与Kafka Connect Sink的集成，后续直接通过Java客户把Kafka的数据写到Hudi，而不用拉起一个Spark/Flink集群作业。

在内核侧的优化，包括了基于Metadata Table全局记录级别索引。还有字节跳动小伙伴做的写入支持Bucket，这样的好处就是做数据更新的时候，可以通过主键找到对应Bucket，只要把对应Bucket的parquet文件的Bloomfilter读取出来就可以了，减少了查找更新时候的开销。

还有更智能地Clustering策略，在我们内部也做了这部分工作，更智能的Clustering可以基于之前的负载情况，动态的开启Clustering优化，另外还包括基于Metadata Table构建二级索引，以及Full Schema Evolution和跨表事务。

现在Hudi社区发展得比较快，代码重构量非常大，但都是为了更好的社区发展，从0.7.0到0.9.0版本Flink集成Hudi模块基本上完全重构了，如果有兴趣的同学可以参与到社区，共同建设更好的数据湖平台。