一文彻底掌握Apache Hudi的主键和分区配置

Hudi中的每个记录都由HoodieKey唯一标识，HoodieKey由<code>记录键</code>和记录所属的<code>分区路径</code>组成。基于此设计Hudi可以将更新和删除快速应用于指定记录。Hudi使用<code>分区路径</code>字段对数据集进行分区，并且分区内的记录有唯一的记录键。由于仅在分区内保证唯一性，因此在不同分区之间可能存在具有相同记录键的记录。应该明智地选择分区字段，因为它可能影响摄取和查询延迟。

Hudi提供了一些开箱即用的键生成器，用户可以基于此满足大部分业务需求，或者自定义实现KeyGenerator，本篇博客将介绍所有不同类型的且可用的KeyGenerators。

KeyGenerator的接口定义在这里

在介绍不同类型KeyGenerator之前，一些通用配置如下

配置

解释

<code>hoodie.datasource.write.recordkey.field</code>

指定record key字段

<code>hoodie.datasource.write.partitionpath.field</code>

指定分区字段

<code>hoodie.datasource.write.keygenerator.class</code>

指定KeyGenerator类全路径名

<code>hoodie.datasource.write.partitionpath.urlencode</code>

当设置为true，partitionPath将会使用url编码，默认值为false

<code>hoodie.datasource.write.hive_style_partitioning</code>

当设置为true，使用hive风格的分区，分区将为key=value格式，默认值为false

如果使用<code>TimestampBasedKeyGenerator</code>，还会有其他额外的配置

指定一个字段为Record Key，分区字段也指定一个字段，大部分情况使用该配置，其会从数据中解析出值并转化为string类型。

可以指定一个或多个字段作为Record key或者分区字段，多个字段使用逗号分割，如 <code>hoodie.datasource.write.recordkey.field</code> :<code>col1,col4</code>

基于全局索引的删除不需要分区值，所以该生成器不需要使用分区值来生成HoodieKey。

该键生成器依赖timestamp分区字段，字段值将会被转化为timestamp，而不是string类型。Record key设置和前面一样，使用该键生成器时需要一些额外的配置项如下

说明

<code>hoodie.deltastreamer.keygen.timebased.timestamp.type</code>

支持如下Timestamp类型(UNIX_TIMESTAMP, DATE_STRING, MIXED, EPOCHMILLISECONDS, SCALAR)

<code>hoodie.deltastreamer.keygen.timebased.output.dateformat</code>

输出日期类型

<code>hoodie.deltastreamer.keygen.timebased.timezone</code>

数据格式的时区

<code>hoodie.deltastreamer.keygen.timebased.input.dateformat</code>

输入日期类型

典型<code>TimestampBasedKeyGenerator</code>配置如下

值

“EPOCHMILLISECONDS”

“yyyy-MM-dd hh”

“GMT+8:00”

输入字段值为<code>1578283932000L</code>

分区字段将为<code>2020-01-06 12</code>

如果一些行输入字段只为null

分区字段将为<code>1970-01-01 08</code>

Config field

“DATE_STRING”

“yyyy-MM-dd hh:mm:ss”

输入字段值为<code>2020-01-06 12:12:12</code>

分区字段将为<code>1970-01-01 12:00:00</code>

Value

“SCALAR”

“GMT”

<code>hoodie.deltastreamer.keygen.timebased.timestamp.scalar.time.unit</code>

“days”

输入字段值为<code>20000L</code>

分区字段将为<code>2024-10-04 12</code>

分区字段将为<code>1970-01-01 12</code>

“yyyy-MM-dd’T’HH:mm:ss.SSSZ”

<code>hoodie.deltastreamer.keygen.timebased.input.dateformat.list.delimiter.regex</code>

””

<code>hoodie.deltastreamer.keygen.timebased.input.timezone</code>

“yyyyMMddHH”

<code>hoodie.deltastreamer.keygen.timebased.output.timezone</code>

输入字段值为<code>2020-04-01T13:01:33.428Z</code>

分区字段将为<code>2020040113</code>

“yyyy-MM-dd’T’HH:mm:ssZ,yyyy-MM-dd’T’HH:mm:ss.SSSZ”

“UTC”

输入字段值为<code>2020-04-01T13:01:33-05:00</code>

分区字段将为<code>2020-04-01T13:01:33-05:00</code>

“yyyy-MM-dd’T’HH:mm:ssZ,yyyy-MM-dd’T’HH:mm:ss.SSSZ,yyyyMMdd”

“MM/dd/yyyy”

输入字段只为<code>220200401</code>

分区字段将为<code>04/01/2020</code>

CustomKeyGenerator是一种通用的KeyGenerator，综合了SimpleKeyGenerator、ComplexKeyGenerator和TImestampBasedKeyGenerator的特性，可以配置键和分区路径为单字段或组合字段，如果要定义基于常规字段和基于时间戳的字段的复杂分区路径，此keyGenerator非常有用，配置项<code>hoodie.datasource.write.partitionpath.field</code>的值对应格式应为<code>field1:PartitionKeyType1,field2:PartitionKeyType2…</code>

完整的分区路径创建为<code><field1的PartitionKeyType1的值>/<field2的PartitionKeyType2的值></code>，依此类推。每个分区键类型可以是SIMPLE或TIMESTAMP。

配置值示例：<code>field_3:simple, field_5:timestamp</code>

如果使用SimpleKeyGenerator，则RecordKey的配置值可以是单个字段，如果使用ComplexKeyGenerator，则配置值可以是逗号分隔的字段名称，例如：<code>col1</code>或<code>col3,col4</code>。

如果你的Hudi数据集未分区，则可以使用<code>NonPartitionedKeyGenerator</code>，它将为所有记录返回一个空分区。换句话说，所有记录都写入到同一个分区（为空""）

本博客介绍了Apache Hudi中不同的record key生成器及其配置，希望可以让你对Apache Hudi中可用的不同类型的Key生成器有一个很好的了解，感谢一直以来对Hudi社区的支持。

PS:如果您觉得阅读本文对您有帮助，请点一下“推荐”按钮，您的“推荐”，将会是我不竭的动力！

作者：leesf 掌控之中，才会成功；掌控之外，注定失败。

出处：http://www.cnblogs.com/leesf456/

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

如果觉得本文对您有帮助，您可以请我喝杯咖啡!