Apache Hudi 在 B 站构建实时数据湖的实践

简介： B 站选择 Flink + Hudi 的数据湖技术方案，以及针对其做出的优化。

本文作者喻兆靖，介绍了为什么 B 站选择 Flink + Hudi 的数据湖技术方案，以及针对其做出的优化。主要内容为：

传统离线数仓痛点
数据湖技术方案
Hudi 任务稳定性保障
数据入湖实践
增量数据湖平台收益
社区贡献
未来的发展与思考

一、传统离线数仓痛点

1. 痛点

之前 B 站数仓的入仓流程大致如下所示：

在这种架构下产生了以下几个核心痛点：

大规模的数据落地 HDFS 后，只能在凌晨分区归档后才能查询并做下一步处理；
数据量较大的 RDS 数据同步，需要在凌晨分区归档后才能处理，并且需要做排序、去重以及 join 前一天分区的数据，才能产生出当天的数据；
仅能通过分区粒度读取数据，在分流等场景下会出现大量的冗余 IO。

总结一下就是:

调度启动晚；
合并速度慢；
重复读取多。

2. 痛点思考

调度启动晚
思路：既然 Flink 落 ODS 是准实时写入的，有明确的文件增量概念，可以使用基于文件的增量同步，将清洗、补维、分流等逻辑通过增量的方式进行处理，这样就可以在 ODS 分区未归档的时候就处理数据，理论上数据的延迟只取决于最后一批文件的处理时间。
合并速度慢
思路：既然读取已经可以做到增量化了，那么合并也可以做到增量化，可以通过数据湖的能力结合增量读取完成合并的增量化。
重复读取多
思路：重复读取多的主要原因是分区的粒度太粗了，只能精确到小时/天级别。我们需要尝试一些更加细粒度的数据组织方案，将 Data Skipping 可以做到字段级别，这样就可以进行高效的数据查询了。

3. 解决方案: Magneto - 基于 Hudi 的增量数据湖平台

以下是基于 Magneto 构建的入仓流程：

Flow
- 使用流式 Flow 的方式，统一离线和实时的 ETL Pipline
Organizer
- 数据重组织，加速查询
- 支持增量数据的 compaction
Engine
- 计算层使用 Flink，存储层使用 Hudi
Metadata
- 提炼表计算 SQL 逻辑
- 标准化 Table Format 计算范式

二、数据湖技术方案

1. Iceberg 与 Hudi 的取舍

1.1 技术细节对比

1.2 社区活跃度对比

统计截止至 2021-08-09

1.3 总结

大致可以分为以下几个主要纬度来进行对比：

对 Append 的支持
Iceberg 设计之初的主要支持方案，针对该场景做了很多优化。 Hudi 在 0.9 版本中对 Appned 模式进行了支持，目前在大部分场景下和 Iceberg 的差距不大，目前的 0.10 版本中仍然在持续优化，与 Iceberg 的性能已经非常相近了。
对 Upsert 的支持
Hudi 设计之初的主要支持方案，相对于 Iceberg 的设计，性能和文件数量上有非常明显的优势，并且 Compaction 流程和逻辑全部都是高度抽象的接口。 Iceberg 对于 Upsert 的支持启动较晚，社区方案在性能、小文件等地方与 Hudi 还有比较明显的差距。
社区活跃度
Hudi 的社区相较于 Iceberg 社区明显更加活跃，得益于社区活跃，Hudi 对于功能的丰富程度与 Iceberg 拉开了一定的差距。

综合对比，我们选择了 Hudi 作为我们的数据湖组件，并在其上继续优化我们需要的功能 ( Flink 更好的集成、Clustering 支持等)

2. 选择 Flink + Hudi 作为写入方式

我们选择 Flink + Hudi 的方式集成 Hudi 的主要原因有三个：

我们部分自己维护了 Flink 引擎，支撑了全公司的实时计算，从成本上考虑不想同时维护两套计算引擎，尤其是在我们内部 Spark 版本也做了很多内部修改的情况下。
Spark + Hudi 的集成方案主要有两种 Index 方案可供选择，但是都有劣势：
- Bloom Index：使用 Bloom Index 的话，Spark 会在写入的时候，每个 task 都去 list 一遍所有的文件，读取 footer 内写入的 Bloom 过滤数据，这样会对我们内部压力已经非常大的 HDFS 造成非常恐怖的压力。
- Hbase Index：这种方式倒是可以做到 O(1) 的找到索引，但是需要引入外部依赖，这样会使整个方案变的比较重。
我们需要和 Flink 增量处理的框架进行对接。

3. Flink + Hudi 集成的优化

3.1 Hudi 0.8 版本集成 Flink 方案

针对 Hudi 0.8 版本集成暴露出来的问题，B站和社区合作进行了优化与完善。

3.2 Bootstrap State 冷启动

背景：支持在已经存在 Hudi 表启动 Flink 任务写入，从而可以做到由 Spark on Hudi 到 Flink on Hudi 的方案切换

原方案：

问题：每个 Task 处理全量数据，然后选择属于当前 Task 的 HoodieKey 存入 state 优化方案。

每个 Bootstrap Operator 在初始化时，加载属于当前 Task 的 fileId 相关的 BaseFile 和 logFile；
将 BaseFile 和 logFile 中的 recordKey 组装成 HoodieKey，通过 Key By 的形式发送给 BucketAssignFunction，然后将 HoodieKey 作为索引存储在 BucketAssignFunction 的 state 中。

效果：通过将 Bootstrap 功能单独抽出一个 Operator，做到了索引加载的可扩展性，加载速度提升 N (取决于并发度) 倍。

3.3 Checkpoint 一致性优化

背景：在 Hudi 0.8 版本的 StreamWriteFunction 中，存在极端情况下的数据一致性问题。

原方案：

问题：CheckpointComplete不在CK生命周期内，存在CK成功但是instant没有commit的情况，从而导致出现数据丢失。

优化方案：

3.4 Append 模式支持及优化

背景：Append 模式是用于支持不需要 update 的数据集时使用的模式，可以在流程中省略索引、合并等不必要的处理，从而大幅提高写入效率。

主要修改：

支持每次 FlushBucket 写入一个新的文件，避免出现读写的放大；
添加参数，支持关闭 BoundedInMemeoryQueue 内部的限速机制，在 Flink Append 模式下只需要将 Queue 的大小和 Bucket buffer 设置成同样的大小就可以了；
针对每个 CK 产生的小文件，制定自定义 Compaction 计划；
通过以上的开发和优化之后，在纯 Insert 场景下性能可达原先 COW 的 5 倍。

三、Hudi 任务稳定性保障

1. Hudi 集成 Flink Metrics

通过在关键节点上报 Metric，可以比较清晰的掌握整个任务的运行情况：

2. 系统内数据校验

3. 系统外数据校验

四、数据入湖实践

1. CDC数据入湖

1.1 TiDB入湖方案

由于目前开源的各种方案都没办法直接支持 TiDB 的数据导出，直接使用 Select 的方式会影响数据库的稳定性，所以拆成了全量 + 增量的方式：

启动 TI-CDC，将 TIDB 的 CDC 数据写入对应的 Kafka topic；
利用 TiDB 提供的 Dumpling 组件，修改部分源码，支持直接写入 HDFS；
启动 Flink 将全量数据通过 Bulk Insert 的方式写入 Hudi；
消费增量的 CDC 数据，通过 Flink MOR 的方式写入 Hudi。

1.2 MySQL 入湖方案

MySQL 的入湖方案是直接使用开源的 Flink-CDC，将全量和增量数据通过一个 Flink 任务写入 Kafka topic：

启动 Flink-CDC 任务将全量数据以及 CDC 数据导入 Kafka topic；
启动 Flink Batch 任务读取全量数据，通过 Bulk Insert 写入 Hudi；
切换为 Flink Streaming 任务将增量 CDC 数据通过 MOR 的方式写入 Hudi。

2. 日志数据增量入湖

实现 HDFSStreamingSource 和 ReaderOperator，增量同步 ODS 的数据文件，并且通过写入 ODS 的分区索引信息，减少对 HDFS 的 list 请求；
支持 transform SQL 配置化，允许用户进行自定义逻辑转化，包括但不限于维表 join、自定义 udf、按字段分流等；
实现 Flink on Hudi 的 Append 模式，大幅提升不需要合并的数据写入速率。