查询 Hudi 数据集

从概念上讲，Hudi物理存储一次数据到DFS上，同时在其上提供三个逻辑视图，如之前所述。 数据集同步到Hive Metastore后，它将提供由Hudi的自定义输入格式支持的Hive外部表。一旦提供了适当的Hudi捆绑包， 就可以通过Hive、Spark和Presto之类的常用查询引擎来查询数据集。

具体来说，在写入过程中传递了两个由table name命名的Hive表。 例如，如果table name = hudi_tbl，我们得到

• hudi_tbl 实现了由 HoodieParquetInputFormat 支持的数据集的读优化视图，从而提供了纯列式数据。
• hudi_tbl_rt 实现了由 HoodieParquetRealtimeInputFormat 支持的数据集的实时视图，从而提供了基础数据和日志数据的合并视图。

如概念部分所述，增量处理所需要的 一个关键原语是增量拉取（以从数据集中获取更改流/日志）。您可以增量提取Hudi数据集，这意味着自指定的即时时间起， 您可以只获得全部更新和新行。 这与插入更新一起使用，对于构建某些数据管道尤其有用，包括将1个或多个源Hudi表（数据流/事实）以增量方式拉出（流/事实） 并与其他表（数据集/维度）结合以写出增量到目标Hudi数据集。增量视图是通过查询上表之一实现的，并具有特殊配置， 该特殊配置指示查询计划仅需要从数据集中获取增量数据。

查询引擎支持列表

下面的表格展示了各查询引擎是否支持Hudi格式

读优化表

查询引擎	实时视图	增量拉取
Hive	Y	Y
Spark SQL	Y	Y
Spark Datasource	Y	Y
Presto	Y	N
Impala	Y	N

实时表

查询引擎	实时视图	增量拉取	读优化表
Hive	Y	Y	Y
Spark SQL	Y	Y	Y
Spark Datasource	N	N	Y
Presto	N	N	Y
Impala	N	N	Y

接下来，我们将详细讨论在每个查询引擎上如何访问所有三个视图。

Hive

为了使Hive能够识别Hudi数据集并正确查询， HiveServer2需要在其辅助jars路径中提供hudi-hadoop-mr-bundle-x.y.z-SNAPSHOT.jar。 这将确保输入格式类及其依赖项可用于查询计划和执行。

读优化表

除了上述设置之外，对于beeline cli访问，还需要将hive.input.format变量设置为org.apache.hudi.hadoop.HoodieParquetInputFormat输入格式的完全限定路径名。 对于Tez，还需要将hive.tez.input.format设置为org.apache.hadoop.hive.ql.io.HiveInputFormat。

实时表

除了在HiveServer2上安装Hive捆绑jars之外，还需要将其放在整个集群的hadoop/hive安装中，这样查询也可以使用自定义RecordReader。

增量拉取

HiveIncrementalPuller允许通过HiveQL从大型事实/维表中增量提取更改， 结合了Hive（可靠地处理复杂的SQL查询）和增量原语的好处（通过增量拉取而不是完全扫描来加快查询速度）。 该工具使用Hive JDBC运行hive查询并将其结果保存在临时表中，这个表可以被插入更新。 Upsert实用程序（HoodieDeltaStreamer）具有目录结构所需的所有状态，以了解目标表上的提交时间应为多少。 例如：/app/incremental-hql/intermediate/{source_table_name}_temp/{last_commit_included}。 已注册的Delta Hive表的格式为{tmpdb}.{source_table}_{last_commit_included}。

以下是HiveIncrementalPuller的配置选项

配置	描述	默认值
hiveUrl	要连接的Hive Server 2的URL
hiveUser	Hive Server 2 用户名
hivePass	Hive Server 2 密码
queue	YARN 队列名称
tmp	DFS中存储临时增量数据的目录。目录结构将遵循约定。请参阅以下部分。
extractSQLFile	在源表上要执行的提取数据的SQL。提取的数据将是自特定时间点以来已更改的所有行。
sourceTable	源表名称。在Hive环境属性中需要设置。
targetTable	目标表名称。中间存储目录结构需要。
sourceDataPath	源DFS基本路径。这是读取Hudi元数据的地方。
targetDataPath	目标DFS基本路径。 这是计算fromCommitTime所必需的。 如果显式指定了fromCommitTime，则不需要设置这个参数。
tmpdb	用来创建中间临时增量表的数据库	hoodie_temp
fromCommitTime	这是最重要的参数。 这是从中提取更改的记录的时间点。
maxCommits	要包含在拉取中的提交数。将此设置为-1将包括从fromCommitTime开始的所有提交。将此设置为大于0的值，将包括在fromCommitTime之后仅更改指定提交次数的记录。如果您需要一次赶上两次提交，则可能需要这样做。	3
help	实用程序帮助

设置fromCommitTime=0和maxCommits=-1将提取整个源数据集，可用于启动Backfill。 如果目标数据集是Hudi数据集，则该实用程序可以确定目标数据集是否没有提交或延迟超过24小时（这是可配置的）， 它将自动使用Backfill配置，因为增量应用最近24小时的更改会比Backfill花费更多的时间。 该工具当前的局限性在于缺乏在混合模式（正常模式和增量模式）下自联接同一表的支持。

关于使用Fetch任务执行的Hive查询的说明： 由于Fetch任务为每个分区调用InputFormat.listStatus()，每个listStatus()调用都会列出Hoodie元数据。 为了避免这种情况，如下操作可能是有用的，即使用Hive session属性对增量查询禁用Fetch任务： set hive.fetch.task.conversion = none;。这将确保Hive查询使用Map Reduce执行， 合并分区（用逗号分隔），并且对所有这些分区仅调用一次InputFormat.listStatus()。

Spark

Spark可将Hudi jars和捆绑包轻松部署和管理到作业/笔记本中。简而言之，通过Spark有两种方法可以访问Hudi数据集。

• Hudi DataSource：支持读取优化和增量拉取，类似于标准数据源（例如：spark.read.parquet）的工作方式。
• 以Hive表读取：支持所有三个视图，包括实时视图，依赖于自定义的Hudi输入格式（再次类似Hive）。

通常，您的spark作业需要依赖hudi-spark或hudi-spark-bundle-x.y.z.jar， 它们必须位于驱动程序和执行程序的类路径上（提示：使用--jars参数）。

读优化表

要使用SparkSQL将RO表读取为Hive表，只需按如下所示将路径过滤器推入sparkContext。 对于Hudi表，该方法保留了Spark内置的读取Parquet文件的优化功能，例如进行矢量化读取。

spark.sparkContext.hadoopConfiguration.setClass("mapreduce.input.pathFilter.class", classOf[org.apache.hudi.hadoop.HoodieROTablePathFilter], classOf[org.apache.hadoop.fs.PathFilter]);

如果您希望通过数据源在DFS上使用全局路径，则只需执行以下类似操作即可得到Spark DataFrame。

Dataset<Row> hoodieROViewDF = spark.read().format("org.apache.hudi")
// pass any path glob, can include hudi & non-hudi datasets
.load("/glob/path/pattern");

实时表

当前，实时表只能在Spark中作为Hive表进行查询。为了做到这一点，设置spark.sql.hive.convertMetastoreParquet = false， 迫使Spark回退到使用Hive Serde读取数据（计划/执行仍然是Spark）。

$ spark-shell --jars hudi-spark-bundle-x.y.z-SNAPSHOT.jar --driver-class-path /etc/hive/conf  --packages com.databricks:spark-avro_2.11:4.0.0 --conf spark.sql.hive.convertMetastoreParquet=false --num-executors 10 --driver-memory 7g --executor-memory 2g  --master yarn-client

scala> sqlContext.sql("select count(*) from hudi_rt where datestr = '2016-10-02'").show()

增量拉取

hudi-spark模块提供了DataSource API，这是一种从Hudi数据集中提取数据并通过Spark处理数据的更优雅的方法。 如下所示是一个示例增量拉取，它将获取自beginInstantTime以来写入的所有记录。

 Dataset<Row> hoodieIncViewDF = spark.read()
     .format("org.apache.hudi")
     .option(DataSourceReadOptions.VIEW_TYPE_OPT_KEY(),
             DataSourceReadOptions.VIEW_TYPE_INCREMENTAL_OPT_VAL())
     .option(DataSourceReadOptions.BEGIN_INSTANTTIME_OPT_KEY(),
            <beginInstantTime>)
     .option(DataSourceReadOptions.INCR_PATH_GLOB_OPT_KEY(),
            "/year=2020/month=*/day=*") // 可选，从指定的分区增量拉取
     .load(tablePath); // 用数据集的最底层路径

请参阅设置部分，以查看所有数据源选项。

另外，HoodieReadClient通过Hudi的隐式索引提供了以下功能。

API	描述
read(keys)	使用Hudi自己的索通过快速查找将与键对应的数据作为DataFrame读出
filterExists()	从提供的RDD[HoodieRecord]中过滤出已经存在的记录。对删除重复数据有用
checkExists(keys)	检查提供的键是否存在于Hudi数据集中

Presto

Presto是一种常用的查询引擎，可提供交互式查询性能。 Hudi RO表可以在Presto中无缝查询。 这需要在整个安装过程中将hudi-presto-bundle jar放入<presto_install>/plugin/hive-hadoop2/中。

Impala (3.4 or later)

读优化表

Impala可以在HDFS上查询Hudi读优化表，作为一种 EXTERNAL TABLE 的形式。
可以通过以下方式在Impala上建立Hudi读优化表:

CREATE EXTERNAL TABLE database.table_name
LIKE PARQUET '/path/to/load/xxx.parquet'
STORED AS HUDIPARQUET
LOCATION '/path/to/load';

Impala可以利用合理的文件分区来提高查询的效率。 如果想要建立分区的表，文件夹命名需要根据此种方式year=2020/month=1. Impala使用=来区分分区名和分区值.
可以通过以下方式在Impala上建立分区Hudi读优化表:

CREATE EXTERNAL TABLE database.table_name
LIKE PARQUET '/path/to/load/xxx.parquet'
PARTITION BY (year int, month int, day int)
STORED AS HUDIPARQUET
LOCATION '/path/to/load';
ALTER TABLE database.table_name RECOVER PARTITIONS;

在Hudi成功写入一个新的提交后, 刷新Impala表来得到最新的结果.

REFRESH database.table_name