Hudi Catalog
使用限制
Hudi 表支持的查询类型如下,后续将支持 Incremental Query。
表类型 支持的查询类型 Copy On Write Snapshot Query + Time Travel Merge On Read Snapshot Queries + Read Optimized Queries + Time Travel 目前支持 Hive Metastore 和兼容 Hive Metastore 类型,例如AWS Glue/Alibaba DLF 的 Catalog。
创建 Catalog
和 Hive Catalog 基本一致,这里仅给出简单示例。其他示例可参阅 Hive Catalog。
CREATE CATALOG hudi PROPERTIES (
'type'='hms',
'hive.metastore.uris' = 'thrift://172.21.0.1:7004',
'hadoop.username' = 'hive',
'dfs.nameservices'='your-nameservice',
'dfs.ha.namenodes.your-nameservice'='nn1,nn2',
'dfs.namenode.rpc-address.your-nameservice.nn1'='172.21.0.2:4007',
'dfs.namenode.rpc-address.your-nameservice.nn2'='172.21.0.3:4007',
'dfs.client.failover.proxy.provider.your-nameservice'='org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider'
);
可选配置参数:
参数名 | 说明 | 默认值 |
---|---|---|
use_hive_sync_partition | 使用 hms 已同步的分区数据 | false |
列类型映射
和 Hive Catalog 一致,可参阅 Hive Catalog 中 列类型映射 一节。
Skip Merge
Spark 在创建 hudi mor 表的时候,会创建 _ro
后缀的 read optimize 表,doris 读取 read optimize 表会跳过 log 文件的合并。doris 判定一个表是否为 read optimize 表并不是通过 _ro
后缀,而是通过 hive inputformat,用户可以通过 SHOW CREATE TABLE
命令观察 cow/mor/read optimize 表的 inputformat 是否相同。
此外 doris 支持在 catalog properties 添加 hoodie 相关的配置,配置项兼容 Spark Datasource Configs。所以用户可以在 catalog properties 中添加 hoodie.datasource.merge.type=skip_merge
跳过合并 log 文件。
查询优化
Doris 使用 parquet native reader 读取 COW 表的数据文件,使用 Java SDK(通过 JNI 调用 hudi-bundle) 读取 MOR 表的数据文件。在 Upsert 场景下,MOR 依然会有数据文件没有被更新,这部分文件可以通过 parquet native reader 读取,用户可以通过 explain 命令查看 Hudi scan 的执行计划,hudiNativeReadSplits
表示有多少 split 文件通过 parquet native reader 读取。
|0:VHUDI_SCAN_NODE |
| table: minbatch_mor_rt |
| predicates: `o_orderkey` = 100030752 |
| inputSplitNum=810, totalFileSize=5645053056, scanRanges=810 |
| partition=80/80 |
| numNodes=6 |
| hudiNativeReadSplits=717/810 |
用户可以通过 profile 查看 Java SDK 的性能,例如:
- HudiJniScanner: 0ns
- FillBlockTime: 31.29ms
- GetRecordReaderTime: 1m5s
- JavaScanTime: 35s991ms
- OpenScannerTime: 1m6s
OpenScannerTime
: 创建并初始化 JNI Reader 的时间JavaScanTime
: Java SDK 读取数据的时间FillBlockTime
: Java 数据拷贝为 C++ 数据的时间GetRecordReaderTime
: 调用 Java SDK 并创建 Hudi Record Reader 的时间
Time Travel
支持读取 Hudi 表指定的 Snapshot。
每一次对 Hudi 表的写操作都会产生一个新的快照。
默认情况下,查询请求只会读取最新版本的快照。
可以使用 FOR TIME AS OF
语句,根据快照的时间 (时间格式和 Hudi 官网保持一致) 读取历史版本的数据。示例如下:
SELECT * FROM hudi_tbl FOR TIME AS OF "2022-10-07 17:20:37";
SELECT * FROM hudi_tbl FOR TIME AS OF "20221007172037";
Hudi 表不支持 FOR VERSION AS OF
语句,使用该语法查询 Hudi 表将抛错。