使用AWS Athena查询Apache Hudi数据集

1. 引入

Apache Hudi是一个开源的增量数据处理框架，提供了行级insert、update、upsert、delete的细粒度处理能力（Upsert表示如果数据集中存在记录就更新；否则插入）。

Hudi处理数据插入和更新，不会创建太多的小文件(小文件会导致查询端性能降低)，Apache Hudi自动管理及合并小文件，让其保持指定大小，这避免了自建解决方案来监控和重写小文件为大文件。

Hudi数据集在如下场景下非常适用

• 使用GDPR和CCPA法规来删除用户个人信息或修改个人信息用途。
• 处理传感器或IoT设备的流式数据，涉及数据插入和更新。
• 实现CDC系统

Hudi使用开放的数据格式管理S3的数据集。现在Athena可以查询Hudi数据集，但暂还不支持写入，Athena使用Apache Hudi 0.5.2-incubating版本，0.5.2-incubating版本信息可参考这里

2. Hudi数据集类型

Hudi数据集有如下类型

• Copy on Write (CoW) – 使用Parquet列式存储，每次更新将会创建一个新版本。

• Merge on Read (MoR) – 使用Parquet列式 + Avro行式存储，更新将会写入delta日志文件，后面将会和Parquet列式文件进行压缩生成新版本列式文件。

对于CoW数据集，对记录更新时，包含记录的文件将会被重写；对于MoR数据集，对记录更新时，Hudi仅仅只会写更新的值。因此MoR更适合重写的场景，CoW更适合重读场景（数据很少变更）。

Hudi提供了三种逻辑视图来访问数据：

• Read-optimized 视图 – 提供CoW表最新提交的数据集和MoR表最新压缩的数据集，均读取Parquet文件。
• Incremental 视图 – 提供CoW表中两次提交的变更流，便于下游ETL作业。
• Real-time 视图 – 提供MoR表最新提交的数据，在查询时合并列式和行式文件。

现在Athena只支持Read-optimized视图，这提供了更好的查询性能但未包含最新的delta提交。关于数据集类型做的tradeoff，可以参考Hudi文档Storage Types & Views 。

3. 考虑及限制

• Athena对Hudi数据集仅支持查询Read-optimized视图
  • 对于CoW类型，Athena支持快照查询；
  • 对于MoR类型，Athena支持读优化查询；
• Athena对Hudi数据集不支持CTAS 或 INSERT INTO，更多关于如何写入Hudi数据集，可参考
  • Amazon EMR 发布指南中玩转Hudi数据集
  • Apache Hudi文档：写Hudi表
• Athena对Hudi表不支持使用MSCK REPAIR TABLE。如果需要加载非Glue创建的Hudi表，请使用ALTER TABLE ADD PARTITION

4. 创建Hudi表

本部分将提供Athena中创建分区和非分区Hudi表的建表示例。

如果已经在AWS Glue中创建了Hudi表，那么可以直接使用Athena查询。如果在Athena中创建Hudi表，在查询之前必须运行ALTER TABLE ADD PARTITION来加载数据。

4.1 Copy on Write (CoW)建表示例

4.1.1 非分区CoW表

下面示例会在Athena中创建非分区CoW表

CREATE EXTERNAL TABLE `non_partition_cow`(
  `_hoodie_commit_time` string,
  `_hoodie_commit_seqno` string,
  `_hoodie_record_key` string,
  `_hoodie_partition_path` string,
  `_hoodie_file_name` string,
  `event_id` string,
  `event_time` string,
  `event_name` string,
  `event_guests` int,
  `event_type` string)
ROW FORMAT SERDE
  'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'
STORED AS INPUTFORMAT
  'org.apache.hudi.hadoop.HoodieParquetInputFormat'
OUTPUTFORMAT
  'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'
LOCATION
  's3://bucket/folder/non_partition_cow'

4.1.2 分区CoW表

下面示例会在Athena中创建分区CoW表

CREATE EXTERNAL TABLE `partition_cow`(
  `_hoodie_commit_time` string, 
  `_hoodie_commit_seqno` string, 
  `_hoodie_record_key` string, 
  `_hoodie_partition_path` string, 
  `_hoodie_file_name` string, 
  `event_id` string, 
  `event_time` string, 
  `event_name` string, 
  `event_guests` int)
PARTITIONED BY ( 
  `event_type` string)
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe' 
STORED AS INPUTFORMAT 
  'org.apache.hudi.hadoop.HoodieParquetInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'
LOCATION
  's3://bucket/folder/partition_cow'

下面ALTER TABLE ADD PARTITION示例会添加两个分区到partition_cow 表

ALTER TABLE partition_cow ADD
  PARTITION (event_type = 'one') LOCATION 's3://bucket/folder/partition_cow/one/'
  PARTITION (event_type = 'two') LOCATION 's3://bucket/folder/partition_cow/two/'

4.2 Merge on Read (MoR)建表示例

Hudi对于MoR类型将会在Hive Metastore中创建两张表：一张由你指定的表，可提供Read-optimized视图，另一张以_rt结尾的表，可提供Real-time视图。然而当你在Athena创建MoR表时，也只能查询read-optimized视图（real-time视图支持社区正在进行代码Review，不久后可用）。

4.2.1 非分区MoR表

下面示例会在Athena中创建非分区MoR表

CREATE EXTERNAL TABLE `nonpartition_mor_ro`(
  `_hoodie_commit_time` string, 
  `_hoodie_commit_seqno` string, 
  `_hoodie_record_key` string, 
  `_hoodie_partition_path` string, 
  `_hoodie_file_name` string, 
  `event_id` string, 
  `event_time` string, 
  `event_name` string, 
  `event_guests` int, 
  `event_type` string)
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe' 
STORED AS INPUTFORMAT 
  'org.apache.hudi.hadoop.HoodieParquetInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'
LOCATION
  's3://bucket/folder/nonpartition_mor'

4.2.2 分区MoR表

下面示例会在Athena中创建分区MoR表

CREATE EXTERNAL TABLE `partition_mor_ro`(
  `_hoodie_commit_time` string, 
  `_hoodie_commit_seqno` string, 
  `_hoodie_record_key` string, 
  `_hoodie_partition_path` string, 
  `_hoodie_file_name` string, 
  `event_id` string, 
  `event_time` string, 
  `event_name` string, 
  `event_guests` int)
PARTITIONED BY ( 
  `event_type` string)
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe' 
STORED AS INPUTFORMAT 
  'org.apache.hudi.hadoop.HoodieParquetInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'
LOCATION
  's3://bucket/folder/partition_mor'

下面ALTER TABLE ADD PARTITION示例会添加两个分区到partition_mor_ro表

ALTER TABLE partition_cow ADD
  PARTITION (event_type = 'one') LOCATION 's3://bucket/folder/partition_mor/one/'
  PARTITION (event_type = 'two') LOCATION 's3://bucket/folder/partition_mor/two/'