简介：介绍了顺丰科技数仓的架构，趟过的一些问题、应用 Hudi 来优化整个 job 状态的实际细节，以及将来的一些布局。
本文作者为刘杰，介绍了顺丰科技数仓的架构，趟过的一些问题、应用 Hudi 来优化整个 job 状态的实际细节，以及将来的一些布局。次要内容为：
- 数仓架构
- Hudi 代码躺过的坑
- 状态优化
- 将来布局
顺丰科技早在 2019 年引入 Hudi , 过后是基于 Spark 批处理，2020 年对数据的实时性要求更高公司对架构进行了降级，在社区 Hudi on Flink 的半成品上继续优化实现 Binlog 数据 CDC 入湖。在 Hudi 社区飞速发展的同时公司往年对数仓也提出了新的要求，最终采纳 Flink + Hudi 的形式来宽表的实时化。过程中遇到了很多问题次要有两点：
- Hudi Master 代码过后存在一些破绽；
- 宽表波及到多个 Join，Top One 等操作使得状态很大。
庆幸的是社区的修复速度很给力加上 Hudi 弱小 upsert 能力使这两个问题失去以无效的解决。
一、数仓架构
感兴趣的同学能够参考之前顺丰分享的 Hudi on Flink 在顺丰的实际利用。
二、Hudi 代码趟过的坑
在去年咱们是基于 Hudi 0.6 左右进行的 Hudi on Flink 的实际，代码较老。为了拥抱社区咱们应用最新 master 代码进行实际，在大数据量写入场景中，发现了一个比拟隐秘的丢数问题，这个问题花了将近两周的工夫才定位到。
1. Hudi StreamWriteFunction 算子外围流程梳理
StreamWriteFunction 算子收数据的时候会先把数据依照 fileld 分组缓存好，数据的继续流会使得缓存数据越来越大，当达到肯定阈值时便会执行 flush。阈值由 2 个外围参数管制：write.batch.size 默认 64M，write.task.max.size 默认 1G。当单个分组数据达到 64M 或者总缓存数据达到 800M ~ 1G 就会触发 flush。
flush 会调用 client 的 api 去创立一个 WriteHandle，而后把 WriteHandle 放入 Map 进行缓存，一个 handle 能够了解为对应一个文件的 cow。
如果一个 fileld 在同一 checkpoint 期间被屡次写入，则后一次是基于前一次的 cow, 它的 handle 是一个 FlinkMergeAndReplaceHandle，判断一个 fileld 是否之前被写入过就是依据下面 Map 缓存得来的。
StreamWriteFunction 执行 snapshotState 时会把内存的所有分组数据一次进行 flush, 之后对 client 的 handle 进行清空。
2. 场景还原
Hudi 自身是具备 upsert 能力的，所以咱们开始认为 Hudi Sink 在 At Least Once 模式下是没问题的，并且 At Least Once 模式下 Flink 算子不须要期待 Barrier 对齐，可能解决先到的数据使得处理速度更快，于是咱们在 Copy On Write 场景中对 Flink CheckpointingMode 设置了 AT_LEAST_ONCE。
writeFunction 的上游是文件 BucketAssignFunction fileld 调配算子，如果有一批 insert 数据 A、B、C、D 属于同一个分区并且调配到同一个 BucketAssignFunction 的 subtask , 然而 A、B 和 C、D 是相邻两个不同的 checkpoint。
当 A 进入 BucketAssignFunction 时如果发现没有新的小文件能够应用，就会创立一个新的 fileld f0，当 B 流入时也会给他调配到 f0 上。同时因为是 AT_LEAST_ONCE 模式，C、D 数据都有可能被解决到也被调配到了 f0 上。也就是说 在 AT_LEAST_ONCE 模式下因为 C、D 数据被提前解决，导致 A、B、C、D 4 条属于两个 checkpoint 的 insert 数据被调配到了同一个 fileld。
writeFunction 有可能当接管到 A、B、C 后这个算子的 barrier 就对齐了，会把 A、B、C 进行 flush，而 D 将被遗留到下一个 checkpoint 才解决。A、B、C 是 insert 数据所以就会间接创立一个文件写入，D 属于下一个 checkpoint，A、B、C 写入时创立的 handle 已被清理了，等到下一个 checkpoint 执行 flush。因为 D 也是 insert 数据所以也会间接创立一个文件写数据，然而 A、B、C、D 的 fileld 是一样的，导致最终 D 创立的文件笼罩了 A、B、C 写入的文件最终导致 A、B、C 数据失落。
3. 问题定位
这个问题之所以难定位是因为具备肯定随机性，每次失落的数据都不太一样，而且小数据量不易呈现。最终通过开启 Flink 的 Queryable State 进行查问, 查找失落数据的定位到 fileld, 发现 ABCD state 的 instant 都是 I，而后解析对应 fileld 的所有版本进行跟踪还原。
三、状态优化
咱们对线上最大的离线宽边进行了实时化的，宽表字段较多，波及到多个表对主表的 left join 还包含一些 Top One 的计算，这些算子都会占用 state. 而咱们的数据周期较长须要保留 180 天数据。估算下来状态大小将会达到上百 T，这无疑会对状态的长久化带来很大的压力。然而这些操作放入 Hudi 来做就显得轻而易举。
1. Top One 下沉 Hudi
在 Hudi 中有一个 write.precombine.field 配置项用来指定应用某个字段对 flush 的数据去重，当呈现多条数据须要去重时就会依照整个字段进行比拟，保留最大的那条记录，这其实和 Top One 很像。
咱们在 SQL 上将 Top One 的排序逻辑组合成了一个字段设置为 Hudi 的 write.precombine.field，同时把这个字段写入 state，同一 key 的数据屡次进来时都会和 state 的 write.precombine.field 进行比拟更新。
Flink Top One 的 state 默认是保留整记录的所有字段，然而咱们只保留了一个字段，大大节俭了 state 的大小。
2. 多表 Left Join 下沉 Hudi
2.1 Flink SQL join
咱们把这个场景简化成如下一个案例，如果有宽表 t_p 由三张表组成
insert into t_p
select
t0.id,t0.name,
t1.age,
t2.sex
from t0
left join t1 on t0.id = t1.id
left join t2 on t0.id = t2.id在 Flink SQL join 算子外部会保护一个左表和右表的 state，这都是每个 table 的全字段，且多一次 join 就会多出一个 state. 最终导致 state 大小收缩，如果 join 算子上游是一个 append 流，state 大小收缩的成果更显著。
2.2 把 Join 改写成 Union All
对于下面案例每次 left join 只是补充了几个字段，咱们想到用 union all 的形式进行 SQL 改写，union all 须要补齐所有字段，缺的字段用 null 补。咱们认为 null 补充的字段不是有效字段。改成从 union all 之后要求 Hudi 具备部分更新的能力能力达到 join 的成果。
- 当收到的数据是来自 t0 的时候就只更新 id 和 name 字段；
- 同理，数据是来自 t1 的时候就只更新 age 字段；
- t2 只更新 sex 字段。
可怜的是 Hudi 的默认实现是全字段笼罩，也就是说当收到 t0 的数据时会把 age sex 笼罩成 null, 收到 t1 数据时会把 name sex 笼罩成 null。这显然是不可承受的。这就要求咱们对 Hudi sink 进行革新。
2.3 Hudi Union All 实现
Hudi 在 cow 模式每条记录的更新写入都是对旧数据进行 copy 笼罩写入，仿佛只有晓得这条记录来自哪个表，哪几个字段是无效的字段就选择性的对 copy 进去的字段进行笼罩即可。然而在分区变更的场景中就不是那么好使了。在分区变更的场景中，数据从一个分区变到另一个分区的逻辑是把旧分区数据删掉，往新分区新增数据。这可能会把一些之前部分更新的字段信息失落掉。细聊下来 Hudi on Flink 波及到由几个外围算子组成 pipeline。
- RowDataToHoodieFunction：这是对支出的数据进行转化成一个 HudiRecord，收到数据是蕴含全字段的，咱们在转化 HudiRecord 的时候只抉择了有效字段进行转化。
- BoostrapFunction：在工作复原的时候会读取文件加载索引数据，当工作复原后次算子不做数据转化解决。
- BucketAssignFunction：这个算子用来对记录调配 location，loaction 蕴含两局部信息。一是分区目录，另一个是 fileld。fileld 用来标识记录将写入哪个文件，一旦记录被确定写入哪个文件，就会发记录依照 fileld 分组发送到 StreamWriteFunction，StreamWriteFunction 再按文件进行批量写入。
原生的 BucketAssignFunction 的算子逻辑如下图，当收到一条记录时会先从 state 外面进行查找是否之前有写过这条记录，如果有就会找对应的 location。如果分区没有产生变更，就把以后这条记录也调配给这个 location，如果在 state 中没有找到 location 就会新创建一个 location，把这个新的 location 调配给以后记录，并更新到 state。
总之这个 state 存储的 location 就是通知以后记录应该从哪个文件进行更新或者写入。遇到分区变更的场景会简单一点。如果一条记录从 2020 分区变更成了 2021，就会创立一条删除的记录，它的 loaction 是 state 中的 location。这条记录让上游进行理论的删除操作，而后再创立一个新的 location (分区是 2021) 发送到上游进行 insert。
为了在 Hudi 中实现 top one，咱们对 state 信息进行了扩大，用来做 Top One 工夫字段。
对于 StreamWriteFunction 在 Insert 场景中，如果收到了如下 3 条数据 {id:1,name:zs}，{id:1,age:20}，{id:1,sex:man}，在执行 flush 时会创立一个全字段的空记录 {id:null,name:null,age:null,sex:null}，而后顺次和 3 条记录进行合并。留神，这个合并过程只会抉择有效字段的合并。如下图：
在 Update 场景中的更新逻辑相似 insert 场景，如果老数据是 {id:1,name:zs,age:20,sex:man}，新收到了{id:1,name:ls}，{id:1,age:30} 这 2 条数据，就会先从文件中把老的数据读出来，而后顺次和新收到的数据进行合并，合并步骤同 insert。如下图：
这样通过 union all 的形式达到了 left join 的成果，大大节俭了 state 的大小。
四、将来布局
parquet 元数据信息收集，parquet 文件能够从 footer 外面失去每个行列的最大最小等信息，咱们打算在写入文件的后把这些信息收集起来，并且基于上一次的 commit 的元数据信息进行合并，生成一个蕴含所有文件的元数据文件，这样能够在读取数据时进行谓词下推进行文件的过滤。
公司致力于打造基于 Hudi 作为底层存储，Flink 作为流批一体化的 SQL 计算引擎，Flink 的批处理 Hudi 这块还涉足不深，将来可能会打算用 Flink 对 Hudi 实现 clustering 等性能，在 Flink 引擎上欠缺 Hudi 的批处理性能。
原文链接
本文为阿里云原创内容，未经容许不得转载。