Apache Hudi 0.9.0版本重磅发布！更强大的流式数据湖平台

1. 重点特性

1.1 Spark SQL支持

0.9.0 添加了对使用 Spark SQL 的 DDL/DML 的支持，朝着使所有角色（非工程师、分析师等）更容易访问和操作 Hudi 迈出了一大步。 用户现在可以使用 CREATE TABLE....USING HUDI 和 CREATE TABLE .. AS SELECT 语句直接在 Hive 等目录中创建和管理表。 然后用户可以使用 INSERT、UPDATE、MERGE INTO 和 DELETE 语句来操作数据。 此外，INSERT OVERWRITE 语句可用于覆盖现有批处理 ETL 管道的表或分区中的现有数据。 有关更多信息，请在此处单击 SparkSQL查看文档。 有关更多实现细节，请参阅 RFC-25。

1.2 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。

1.3 查询端改进

• Hudi 现在可以在 Spark 中注册为数据源表。

• 基于Metadata Table的 Spark 读取改进。
• 添加了对时间旅行查询的支持。 请参考时间旅行。

1.4 写入端改进

• 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中找到更多细节。
  • 增量读取也适用于Clustering数据。
  • 添加了 HoodieClusteringJob 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。 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 可用于验证提交前后行的数据行相同
  • org.apache.hudi.client.validator.SqlQueryInequalityPreCommitValidator 可用于验证提交前后的数据行不相同
  • org.apache.hudi.client.validator.SqlQuerySingleResultPreCommitValidator 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来启用，并在这个博客上了解更多。

1.5 DeltaStreamer改进

• JDBC Source 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 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 和 S3EventsSource 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。
• 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。

2. 迁移指南

• 如果从 0.5.3 之前的版本迁移，还请检查下面每个后续版本的升级说明。
• Hudi 在 0.9.0 中添加了更多表属性，以帮助将现有的 Hudi 表与 spark-sql 结合使用。 为了顺利地迁移，这些属性添加到 hoodie.properties 文件中。 每当 Hudi 使用较新的表版本启动时，即 2（或从 0.9.0 之前移动到 0.9.0），升级步骤将自动执行。 这个自动升级步骤对于每个 Hudi 表只会发生一次，因为hoodie.table.version 将在升级完成后在属性文件中更新。
• 同样如果某些用户想要将 Hudi 从表版本 2 降级到 1 或从 Hudi 0.9.0 移动到 0.9.0 之前，则添加了用于降级的命令行工具（command - downgrade），需要使用0.9.0版本中的hudi-cli工具。
• 在此版本中我们添加了一个新框架来跟踪代码中的配置属性，不再使用包含属性名称和值的字符串变量。 这一举措有助于我们自动生成配置文档。虽然我们仍然支持旧的字符串变量，但鼓励用户使用新的 ConfigProperty 配置项。在大多数情况下，它就像在相应的替代方法上调用 .key() 和 .defaultValue() 一样简单。 例如 RECORDKEY_FIELD_OPT_KEY 可以替换为 RECORDKEY_FIELD_NAME.key()。

3. 感谢

感谢参与0.9.0版本的所有贡献者，欢迎广大数据湖爱好者加入Apache Hudi社区，欢迎star & fork https://github.com/apache/hudi

4. 源码下载

• 源码下载 : Apache Hudi 0.9.0 Source Release
• Maven仓库包地址： 地址