Hudi Java Client总结|读取Hive写Hudi代码示例
前言
Hudi除了支持Spark、Fink写Hudi外，还支持Java客户端。本文总结Hudi Java Client如何使用，主要为代码示例，可以实现读取Hive表写Hudi表。当然也支持读取其他数据源，比如mysql，实现读取mysql的历史数据和增量数据写Hudi。
版本
Hudi 0.12.0
功能支持
支持insert/upsert/delete，暂不支持bulkInsert
目前仅支持COW表
支持完整的写Hudi操作，包括rollback、clean、archive等
代码
完整代码已上传GitHub：https://github.com/dongkelun/hudi-demo/tree/master/java-client
其中HoodieJavaWriteClientExample是从Hudi源码里拷贝的，包含了insert/upsert/delte/的代码示例，JavaClientHive2Hudi是我自己的写的代码示例总结，实现了kerberos认证、读取Hive表Schema作为写hudi的Schema、读取Hive表数据写hudi表，并同步hudi元数据至hive元数据，实现自动创建Hive元数据，当然也支持读取其他数据源，比如mysql，实现历史和增量写。
相比于HoodieJavaWriteClientExample,JavaClientHive2Hudi加了很多配置参数，更贴近实际使用，比如HoodieJavaWriteClientExample的payload为HoodieAvroPayload这只能作为示例使用，JavaClientHive2Hudi使用的为DefaultHoodieRecordPayload它支持预合并和历史值比较，关于这一点可以参考我之前写的文章：Hudi preCombinedField 总结(二)-源码分析,如果只需要预合并功能，可以使用OverwriteWithLatestAvroPayload,这俩分别是Spark SQL 和 Spark DF的默认值，当然都不需要的话，也支持HoodieAvroPayload,代码里是根据条件判断需要用哪个payloadClassName
String payloadClassName = shouldOrdering ? DefaultHoodieRecordPayload.class.getName() :shouldCombine ? OverwriteWithLatestAvroPayload.class.getName() : HoodieAvroPayload.class.getName();
然后利用反射构造payload，其实这里反射的逻辑就是Hudi Spark源码里的逻辑。
另一个它更贴近实际使用的原因就是我们项目上就是将Hudi Java Client封装成了一个NIFI processor，然后用NIFI调度，其性能和稳定性都能够满足项目需求，这里的核心逻辑和实际项目中的逻辑是差不多的。关于我们使用Java客户端的原因是由于历史原因造成的，因为我们之前还没有调度Spark、Flink的开发工具（之前用的NIFI），而开发一个新的开发工具的话是需要时间成本的，所以选择了Java客户端，我们现在已经将Apache DolphinScheduler作为自己的开发调度工具了，后面会主要使用Spark/Flink,所以现在总结一下Hudi Java Client的使用以及源码，避免遗忘，也希望对大家有所帮助。
初始化Hudi表
Java Client的代码更贴近源码
initTable主要是根据一些配置信息，生成.hoodie元数据路径，并生成hoodie.properties元数据文件，该文件里持久化保存了Hudi的一些配置信息
if (!(fs.exists(path) && fs.exists(hoodiePath))) { //根据Hudi路径存不存在，判断Hudi表需不需要初始化if (Arrays.asList(INSERT_OPERATION, UPSERT_OPERATION).contains(writeOperationType)) {HoodieTableMetaClient.withPropertyBuilder().setTableType(TABLE_TYPE).setTableName(targetTable).setPayloadClassName(payloadClassName).setRecordKeyFields(recordKeyFields).setPreCombineField(preCombineField).setPartitionFields(partitionFields).setBootstrapIndexClass(NoOpBootstrapIndex.class.getName()).initTable(hadoopConf, tablePath);} else if (writeOperationType.equals(DELETE_OPERATION)) { //Delete操作，Hudi表必须已经存在throw new TableNotFoundException(tablePath);}}hoodie.properties
#Properties saved on 2022-10-24T07:40:36.530Z
#Mon Oct 24 15:40:36 CST 2022
hoodie.table.name=test_hudi_target
hoodie.archivelog.folder=archived
hoodie.table.type=COPY_ON_WRITE
hoodie.table.version=5
hoodie.timeline.layout.version=1
hoodie.datasource.write.drop.partition.columns=false
hoodie.table.checksum=1749434190
创建HoodieJavaWriteClient
首先要创建HoodieWriteConfig，主要是hudi的一些配置，比如表名、payload、索引、clean等一些参数，具体可以自己去了解。
HoodieWriteConfig cfg = HoodieWriteConfig.newBuilder().withPath(tablePath).withSchema(writeSchema.toString()).withParallelism(2, 2).withDeleteParallelism(2).forTable(targetTable).withWritePayLoad(payloadClassName).withPayloadConfig(HoodiePayloadConfig.newBuilder().withPayloadOrderingField(orderingField).build()).withIndexConfig(HoodieIndexConfig.newBuilder().withIndexType(HoodieIndex.IndexType.BLOOM)// .bloomIndexPruneByRanges(false) // 1000万总体时间提升1分钟.bloomFilterFPP(0.000001) // 1000万总体时间提升3分钟.fromProperties(indexProperties).build()).withCompactionConfig(HoodieCompactionConfig.newBuilder().compactionSmallFileSize(smallFileLimit).approxRecordSize(recordSizeEstimate).build()).withArchivalConfig(HoodieArchivalConfig.newBuilder().archiveCommitsWith(150, 200).build()).withCleanConfig(HoodieCleanConfig.newBuilder().retainCommits(100).build()).withStorageConfig(HoodieStorageConfig.newBuilder().parquetMaxFileSize(maxFileSize).build()).build();writeClient = new HoodieJavaWriteClient<>(new HoodieJavaEngineContext(hadoopConf), cfg)
startCommit
返回commitTime，首先会执行rollback,然后创建一个.commit.request,再将commitTime返回
String newCommitTime = writeClient.startCommit();
generateRecord
这里主要是构造写hudi需要的数据结构，包含HoodieKey和payLoad,其中delete操作只需要HoodieKey
public static List> generateRecord(ResultSet rs,Schema writeSchema,String payloadClassName,boolean shouldCombine) throws IOException, SQLException {List> list = new ArrayList<>();while (rs.next()) {GenericRecord rec = new GenericData.Record(writeSchema);writeSchema.getFields().forEach(field -> {try {rec.put(field.name(), convertValueType(rs, field.name(), field.schema().getType()));} catch (SQLException e) {throw new RuntimeException(e);}});String partitionPath = partitionFields == null ? "" : getRecordPartitionPath(rs, writeSchema);System.out.println(partitionPath);String rowKey = recordKeyFields == null && writeOperationType.equals(INSERT_OPERATION) ? UUID.randomUUID().toString() : getRecordKey(rs, writeSchema);HoodieKey key = new HoodieKey(rowKey, partitionPath);if (shouldCombine) {Object orderingVal = HoodieAvroUtils.getNestedFieldVal(rec, preCombineField, false, false);list.add(new HoodieAvroRecord<>(key, createPayload(payloadClassName, rec, (Comparable) orderingVal)));} else {list.add(new HoodieAvroRecord<>(key, createPayload(payloadClassName, rec)));}}return list;}
写Hudi
最后执行写Hudi的操作，常用upsert/insert/delete,Java Client也是默认开启clean等操作的，具体的实现是在HoodieJavaCopyOnWriteTable中。目前还不支持bulkInsert等操作,后面如果我有能力的话，会尝试提交PR支持。
writeClient.upsert(records, newCommitTime);
writeClient.insert(records, newCommitTime);
writeClient.delete(records, newCommitTime);
同步Hive
最后是同步元数据至Hive，实现在hive中建表,这一步是可选的。这样可以利用Hive SQL和Spark SQL查询Hudi表
/*** 利用HiveSyncTool同步Hive元数据* Spark写Hudi同步hive元数据的源码就是这样同步的** @param properties* @param hiveConf*/public static void syncHive(TypedProperties properties, HiveConf hiveConf) {HiveSyncTool hiveSyncTool = new HiveSyncTool(properties, hiveConf);hiveSyncTool.syncHoodieTable();}public static HiveConf getHiveConf(String hiveSitePath, String coreSitePath, String hdfsSitePath) {HiveConf configuration = new HiveConf();configuration.addResource(new Path(hiveSitePath));configuration.addResource(new Path(coreSitePath));configuration.addResource(new Path(hdfsSitePath));return configuration;}/*** 同步Hive元数据的一些属性配置* @param basePath* @return*/public static TypedProperties getHiveSyncProperties(String basePath) {TypedProperties properties = new TypedProperties();properties.put(HiveSyncConfigHolder.HIVE_SYNC_MODE.key(), HiveSyncMode.HMS.name());properties.put(HiveSyncConfigHolder.HIVE_CREATE_MANAGED_TABLE.key(), true);properties.put(HoodieSyncConfig.META_SYNC_DATABASE_NAME.key(), dbName);properties.put(HoodieSyncConfig.META_SYNC_TABLE_NAME.key(), targetTable);properties.put(HoodieSyncConfig.META_SYNC_BASE_PATH.key(), basePath);properties.put(HoodieSyncConfig.META_SYNC_PARTITION_EXTRACTOR_CLASS.key(), MultiPartKeysValueExtractor.class.getName());properties.put(HoodieSyncConfig.META_SYNC_PARTITION_FIELDS.key(), partitionFields);if (partitionFields != null && !partitionFields.isEmpty()) {properties.put(HoodieSyncConfig.META_SYNC_PARTITION_FIELDS.key(), partitionFields);}return properties;}
与0.9.0版本差异
之前是基于0.9.0版本开发的，本文代码示例基于0.12.0，核心代码是一样的，差异的地方有两处
1、0.9.0 clean、archive的参数都是在withCompactionConfig中，现在单独拎出来
2、0.9.0 HiveSyncTool的参数为HiveSyncConfig，现在为TypedProperties
总结
Hudi Java Client和Spark、Flink一样都可以实现完整的写Hudi的逻辑，但是目前功能支持还不完善，比如不支持MOR表，而且性能上也不如Spark、Flink，毕竟Spark、FLink都是集群，但是Hudi Java Client可以集成到其他框架中，比如NIFI，集成起来比较方便，集成到NIFI的好处是，可以通过拖来拽配置参数的形式完成历史数据和增量数据写入Hudi。也可以自己实现多线程，提升性能，我们目前测试的性能是Insert可以达到10000条/s，而upsert因为需要读取索引，还有历史数据的更新，可能需要重写整个表，所以当历史数据比较大且更新占比比较高时，单线程的性能会非常差，但是我们基于源码改造，将布隆索引和写数据的部分改为多线程后，性能就会提升很多，当然这也取决于机器的性能，和CPU、内存有关。对于数据量不是很大的ZF数据，一般大表几十亿，性能还是可以满足要求的。
相关阅读
- Hudi preCombinedField 总结
- HUDI preCombinedField 总结(二)-源码分析
- 超硬核！详解Apache Hudi灵活的Payload机制