Apache Hudi集群同步过程中文件不存在问题的分析与解决

问题背景

在使用Apache Hudi 0.13.0版本与Flink 1.16集成时，当Flink作业被Yarn重启后未能从检查点恢复，运行一段时间后出现了集群同步(clustering)过程中文件不存在的异常。这个问题主要发生在MERGE_ON_READ表类型上，启用了异步集群功能后。

错误现象

从错误日志可以看到，系统尝试读取HDFS上的Parquet文件时抛出FileNotFoundException。具体报错路径为：hdfs://ctyunns/user/yxfcenter/hudi/tables/tele_table/tele_table/ods_offer_inst/8140000/f54559fc-95cc-428e-bb45-096d8858d0c9-0_1-4-6_20241229153814597.parquet。这表明集群计划中引用的文件在HDFS上已经不存在，导致集群操作失败。

根本原因分析

1. 版本缺陷：Hudi 0.13.0版本在集群操作的恢复机制上存在缺陷，当作业异常中断后重新启动时，无法正确处理未完成的集群计划。

2. 元数据不一致：集群计划中记录的文件引用与实际存储系统中的文件状态不一致，可能是由于文件被清理或其他操作导致文件被删除。

3. 检查点恢复不完整：Flink作业从检查点恢复时，未能完全恢复集群操作的状态，导致引用了已经不存在的文件。

解决方案

临时解决方案

对于当前0.13.0版本，可以采取以下手动修复措施：

1. 清理损坏的集群计划：

   • 需要手动删除Hudi时间线上损坏的集群计划文件
   • 可以通过Hudi CLI或直接操作文件系统删除对应的.clustering.requested和.clustering.inflight文件

2. 重新触发集群操作：

   • 清理损坏计划后，系统会自动重新调度新的集群计划
   • 也可以手动触发新的集群操作

长期解决方案

1. 版本升级：

   • 建议升级到Hudi 0.14.1、0.15.0或更高版本
   • 0.x版本之间升级可以保证数据兼容性
   • 如果考虑升级到1.x版本，需要先测试自动升级流程

2. 配置优化：

   • 增加集群操作的重试机制
   • 调整文件清理策略，避免集群操作引用的文件被过早删除

预防措施

1. 监控机制：

   • 实现Hudi操作状态的监控，特别是集群操作的进度监控
   • 对文件引用失效的情况设置告警

2. 备份策略：

   • 对重要表实施定期备份
   • 考虑使用Hudi的归档功能保存重要版本

3. 测试验证：

   • 在生产环境升级前，充分测试故障恢复场景
   • 验证检查点恢复后集群操作的连续性

总结

Hudi集群操作是优化数据布局的重要手段，但在早期版本中恢复机制不够完善。通过理解问题本质，采取适当的修复和预防措施，可以确保数据处理的稳定性和可靠性。对于生产环境，及时升级到修复了相关问题的版本是最推荐的解决方案。