探索Apache Hudi核心概念 (3) - Compaction
Compaction是MOR表的一项核心机制，Hudi利用Compaction将MOR表产生的Log File合并到新的Base File中。本文我们会通过Notebook介绍并演示Compaction的运行机制，帮助您理解其工作原理和相关配置。
1. 运行 Notebook
本文使用的Notebook是：《Apache Hudi Core Conceptions (4) - MOR: Compaction》，对应文件是：4-mor-compaction.ipynb，请先修改Notebook中的环境变量S3_BUCKET，将其设为您自己的S3桶，并确保用于数据准备的Notebook：《Apache Hudi Core Conceptions (1) - Data Preparation》已经至少执行过一次。Notebook使用的Hudi版本是0.12.1，Spark集群建议配置32 vCore / 128 GB及以上。
2. 核心概念
Compaction负责定期将一个File Slice里的Base File和从属于它的所有Log File一起合并写入到一个新的Base File中（产生新的File Slice），唯有如此，MOR表的日志文件才不至于无限膨胀下去。以下是与Compaction有关的几项重要配置，在后面的介绍中我们会逐一介绍它们的作用：
| 配置项 | 默认值 |
|---|---|
| hoodie.compact.inline | false |
| hoodie.compact.schedule.inline | false |
| hoodie.compact.inline.max.delta.commits | 5 |
2.1. 排期与执行
Compaction的运行机制包括：排期（Schedule）和执行（Execute）两个阶段。排期阶段的主要工作是划定哪些File Slices将参与Compaction，然后生成一个计划（Compaction Plan）保存到Timeline里，此时在Timeline里会出现一个名为compaction的Instant，状态是REQUESTED；执行阶段的主要工作是读取这个计划（Compaction Plan）并执行它，执行完毕后，Timeline中的compaction就会变成COMPLETED状态。
2.2. 同步与异步
从运行模式上看，Compaction又分同步、异步以及半异步三种模式（“半异步”模式是本文使用的一种叫法，为的是和同步、异步两种模式的称谓对齐，Hudi官方文档对这一模式有介绍，但没有给出命名），它们之间的差异主要体现在从（达到规定阈值的某次）提交（Commit）到排期（Schedule）再到执行（Execute）三个阶段的推进方式上。在Hudi的官方文档中，交替使用了Sync/Async和Inline/Offline两组词汇来描述推进方式，这两组词汇是有微妙差异的，为了表述严谨，我们使用同步/异步和立即/另行这两组中文术语与之对应。以下是Compaction三种运行模式的详细介绍：
- 同步模式（Inline Schedule，Inline Execute）
同步模式可概括为：立即排期，立即执行（Inline Schedule，Inline Execute）。在该模式下，当累积的增量提交（deltacommit）次数到达一个阈值时，会立即触发Compaction的排期与执行（排期和执行是连在一起的），这个阈值是由配置项 hoodie.compact.inline.max.delta.commits 控制的，默认值是5，即：默认情况下，每5次增量提交就会触发并执行一次Compaction。锁定同步模式的配置是：
| 配置项 | 设定值 |
|---|---|
| hoodie.compact.inline | true |
| hoodie.compact.schedule.inline | false |
- 异步模式（Offline Schedule，Offline Execute）
异步模式可概括为：另行排期，另行执行（Offline Schedule，Offline Execute）。在该模式下，任何提交都不会直接触发和执行Compaction，除非使用了支持异步Compaction的Writer，否则用户需要自己保证有一个独立的进程或线程负责定期执行Compaction操作。Hudi提供了四种运行异步Compaction的方式：
- 通过hudi-cli或提交Spark作业驱动异步Compaction
- 提交Flink作业驱动异步Compaction
- 在HoodieDeltaStreamer中配置并运行异步Compaction
- 在Spark Structured Streaming中配置并运行异步Compaction
在后面的测试用例中，我们将使用第一种方式演示如何进行异步的Compaction排期与执行。和同步模式一样，在异步模式下，同样是当增量提交（deltacommit）次数达到一定的阈值时才会触发排期，这个阈值依然是hoodie.compact.inline.max.delta.commits。
异步模式面临的场景要比同步模式复杂一些，同步模式下，每次提交时都会检查累积的提交次数是否已达规定阈值，所以在同步模式下，每次排期涵盖的增量提交数量基本是固定的，就是阈值设定的次数，但是在异步模式下，由于发起排期和增量提交之间没有必然的协同关系，所以在发起排期时，Timeline中可能尚未积累到足够数量的增量提交，或者增量提交数量已经超过了规定阈值，如果是前者，不会产生排期计划，如果是后者，排期计划会将所有累积的增量提交涵盖进来。锁定异步模式的配置是：
| 配置项 | 设定值 |
|---|---|
| hoodie.compact.inline | false |
| hoodie.compact.schedule.inline | false |
- 半异步模式（Inline Schedule，Offline Execute）
半异步模式可概括为：立即排期，另行执行（Inline Schedule，Offline Execute），即：排期会伴随增量提交（deltacommit）自动触发，但执行还是通过前面介绍的四种异步方式之一去完成。锁定半异步模式的配置是：
| 配置项 | 设定值 |
|---|---|
| hoodie.compact.inline | false |
| hoodie.compact.schedule.inline | true |
3. 同步Compaction
3.1. 关键配置
《Apache Hudi Core Conceptions (4) - MOR: Compaction》的第1个测试用例演示了同步Compaction的运行机制。测试用的数据表有如下几项关键配置：
| 配置项 | 默认值 | 设定值 |
|---|---|---|
| hoodie.compact.inline | false | true |
| hoodie.compact.schedule.inline | false | false |
| hoodie.compact.inline.max.delta.commits | 5 | 3 |
| hoodie.copyonwrite.record.size.estimate | 1024 | 175 |
这些配置项在介绍概念时都已提及，通过这个测试用例将会看到它们组合起来的整体效果。
3.2. 测试计划
该测试用例会先后插入或更新三批数据，然后进行同步的Compaction排期和执行，过程中将重点观察时间线和文件布局的变化，整体测试计划如下表所示：
| 步骤 | 操作 | 数据量（单分区） | 文件系统 |
|---|---|---|---|
| 1 | Insert | 96MB | +1 Base File |
| 2 | Update | 788KB | +1 Log File |
| 3 | Update | 1.2MB | +1 Log File +1 Compacted Base File |
提示：我们将使用色块标识当前批次的Instant和对应存储文件，每一种颜色代表一个独立的File Slice。
3.3. 第1批次
第1批次单分区写入96MB数据，Hudi将其写入到一个Parquet文件中，第一个File Group随之产生，它也是后续 Log File的Base File。需要注意的一个细节是：对于MOR表来说，只有进行Compaction的那次提交才会被称为“commit”，在Compaction之前的历次提交都被称作“deltacommit”，即使对于新建Base File写入数据的那次提交也是如此，就如同这里一样。
3.4. 第2批次
第2批次更新了一小部分数据，Hudi将更新数据写入到了Log文件中，大小788KB，fileVersion是1，它从属于上一步生成的Parquet文件，即Parquet文件是它的Base File ，这个Log文件的fileId和尾部的时间戳（baseCommitTime）与Parquet文件是一样的。当前的Parquet文件和Log文件组成了一个File Slice。
3.5. 第3批次
第3批次再次更新了一小部分数据，Hudi将更新数据又写入到一个Log文件中，大小1.2MB，fileVersion是2。与上一个Log文件一样，fileId和尾部的时间戳（baseCommitTime）与Parquet文件一致，所以它也是Parquet文件的Delta Log，且按Timeline排在上一个Log文件之后。当前的File Slice多了一个新的Log文件。但是，不同于第2批次，第3批次的故事到这里还没有结束，在该测试用例中，当前测试表的设置是：每三次deltacommit会触发一次Compaction，因此，第3次操作后就触发了第1次的Compaction操作:
于是，在Timeline上出现了一个commit（No.3），同时，在文件系统上，生成了一个新的96MB的Parquet文件，它是第一个Parquet文件连同它的两个Log文件重新压缩后得到的，这个新的Parquet文件fileId没变，但是instantTime变成了Compaction对应的commit时间，于是，在当前File Group里，第二个File Slice产生了，目前它还只有一个Base File，没有Log File。
3.6. 复盘
最后，让我们将此前的全部操作汇总在一起，重新看一下整体的时间线和最后的文件布局：
4. 异步Compaction
4.1. 关键配置
《Apache Hudi Core Conceptions (4) - MOR: Compaction》的第2个测试用例演示了异步Compaction的运行机制。测试用的数据表有如下几项关键配置：
| 配置项 | 默认值 | 设定值 |
|---|---|---|
| hoodie.compact.inline | false | false |
| hoodie.compact.schedule.inline | false | false |
| hoodie.compact.inline.max.delta.commits | 5 | 3 |
| hoodie.copyonwrite.record.size.estimate | 1024 | 175 |
这些配置项在介绍概念时都已提及，通过这个测试用例将会看到它们组合起来的整体效果。
4.2. 测试计划
该测试用例会先后插入或更新三批数据，然后进行异步的Compaction排期和执行，过程中将重点观察时间线和文件布局的变化，整体测试计划如下表所示：
| 步骤 | 操作 | 数据量（单分区） | 文件系统 |
|---|---|---|---|
| 1 | Insert | 96MB | +1 Base File |
| 2 | Update | 788KB | +1 Log File |
| 3 | Update | 1.2MB | +1 Log File |
| 4 | Offline Schedule | N/A | N/A |
| 5 | Offline Execute | 96.15MB | +1 Compacted Base File |
由于该测试用例的前三步操作与第3节（第1个测试用例）完全一致，所以不再赘述，我们会从第4步操作（Notebook的3.8节）开始解读。
4.3. 异步排期
在完成了和第3节完全一样的前三批操作后，时间线和文件系统的情形如下：
这和3.5节执行后的状况非常不同，没有发生Compaction，连排期也没有看到，因为我们关闭了hoodie.compact.inline。于是，在接下来的第4步操作中（Notebook的3.8节），我们通过spark-submit手动发起了一个排期作业（--mode 'schedule'）：
sudo -u hadoop spark-submit \--jars '/usr/lib/hudi/hudi-spark-bundle.jar' \--class 'org.apache.hudi.utilities.HoodieCompactor' \/usr/lib/hudi/hudi-utilities-bundle.jar \--spark-memory '4g' \--mode 'schedule' \--base-path "s3://${S3_BUCKET}/${TABLE_NAME}" \--table-name "$TABLE_NAME" \--hoodie-conf "hoodie.compact.inline.max.delta.commits=3"
执行后，文件布局没有变化，但是在时间线中出现了一个状态为REQUESTED的compaction：
4.4. 异步执行
第5步操作（Notebook的3.9节）通过spark-submit手动发起了一个执行作业（--mode 'execute'）：
sudo -u hadoop spark-submit \--jars '/usr/lib/hudi/hudi-spark-bundle.jar' \--class "org.apache.hudi.utilities.HoodieCompactor" \/usr/lib/hudi/hudi-utilities-bundle.jar \--spark-memory '4g' \--mode 'execute' \--base-path "s3://${S3_BUCKET}/${TABLE_NAME}" \--table-name "$TABLE_NAME"
执行后，原compaction状态由REQUESTED变为COMPLETED，原Base File和两个Log File被合并打包成一个新的Base File文件，大小96MB：
4.5. 异步排期 + 异步执行
异步的排期和执行可以通过一个命令一步完成，《Apache Hudi Core Conceptions (4) - MOR: Compaction》的第3个测试用例演示了这一操作。它的前三步操作与第2个测试用例一样，在第四步时，使用了“Schedule + Execute”一起执行的方式（--mode 'scheduleAndExecute'）一步完成了Compaction操作，命令如下：
sudo -u hadoop spark-submit \--jars '/usr/lib/hudi/hudi-spark-bundle.jar' \--class 'org.apache.hudi.utilities.HoodieCompactor' \/usr/lib/hudi/hudi-utilities-bundle.jar \--spark-memory '4g' \--mode 'scheduleAndExecute' \--base-path "s3://${S3_BUCKET}/${TABLE_NAME}" \--table-name "$TABLE_NAME" \--hoodie-conf "hoodie.compact.inline.max.delta.commits=3"
5. 半异步Compaction
5.1. 关键配置
《Apache Hudi Core Conceptions (4) - MOR: Compaction》的第4个测试用例演示了半异步Compaction的运行机制。测试用的数据表有如下几项关键配置：
| 配置项 | 默认值 | 设定值 |
|---|---|---|
| hoodie.compact.inline | false | false |
| hoodie.compact.schedule.inline | false | true |
| hoodie.compact.inline.max.delta.commits | 5 | 3 |
| hoodie.copyonwrite.record.size.estimate | 1024 | 175 |
这些配置项在介绍概念时都已提及，通过这个测试用例将会看到它们组合起来的整体效果。
5.2. 测试计划
该测试用例会先后插入或更新三批数据，然后进行异步的Compaction Execute，过程中将重点观察时间线和文件布局的变化，整体测试计划如下表所示：
| 步骤 | 操作 | 数据量（单分区） | 文件系统 |
|---|---|---|---|
| 1 | Insert | 96MB | +1 Base File |
| 2 | Update | 788KB | +1 Log File |
| 3 | Update | 1.2MB | +1 Log File |
| 4 | Offline Execute | 96.15MB | +1 Compacted Base File |
由于该测试用例的前三步操作与第3节（第1个测试用例）完全一致，所以不再赘述，我们会从第3步操作（Notebook的5.7节）开始解读。
5.3. 同步排期
在完成了和第3节完全一样的前三批操作后，时间线和文件系统的情形如下：
在该模式下，第3次提交自动触发了Compaction排期，状态为REQUESTED。
5.4. 异步执行
在接下来的第4步操作中，通过spark-submit手动发起了一个执行作业，排期计划被consume，原REQUESTED状态的Compaction变成了COMPLETED：
关于作者：耿立超，架构师，著有 《大数据平台架构与原型实现：数据中台建设实战》一书，多年IT系统开发和架构经验，对大数据、企业级应用架构、SaaS、分布式存储和领域驱动设计有丰富的实践经验，个人技术博客：https://laurence.blog.csdn.net