Apache Hudi 技术文档
2024-12-23 12:15:33作者:幸俭卉
1. 安装指南
1.1 环境要求
在开始安装之前,请确保您的系统满足以下要求:
- Unix-like 系统(如 Linux, Mac OS X)
- Java 8, 11 或 17
- Git
- Maven(版本 >= 3.6.0)
1.2 从源码构建
-
克隆代码库并进入项目目录:
git clone https://github.com/apache/hudi.git && cd hudi
-
使用 Maven 构建项目:
mvn clean package -DskipTests
-
启动 Spark Shell:
spark-3.5.0-bin-hadoop3/bin/spark-shell \ --jars `ls packaging/hudi-spark-bundle/target/hudi-spark3.5-bundle_2.12-*.*.*-SNAPSHOT.jar` \ --conf 'spark.serializer=org.apache.spark.serializer.KryoSerializer' \ --conf 'spark.sql.extensions=org.apache.spark.sql.hudi.HoodieSparkSessionExtension' \ --conf 'spark.sql.catalog.spark_catalog=org.apache.spark.sql.hudi.catalog.HoodieCatalog' \ --conf 'spark.kryo.registrator=org.apache.spark.HoodieSparkKryoRegistrar'
1.3 构建不同版本的 Spark 和 Flink
- Spark 版本:默认使用 Spark 3.5.x 和 Scala 2.12。可以通过
-Dspark3.x
参数指定其他版本,例如-Dspark3.4
表示使用 Spark 3.4.x。 - Flink 版本:默认使用 Flink 1.20.x。可以通过
-Dflink1.x
参数指定其他版本,例如-Dflink1.19
表示使用 Flink 1.19。
2. 项目的使用说明
2.1 项目概述
Apache Hudi 是一个开源的数据湖平台,支持在云环境中高效地摄取、索引、存储、服务、转换和管理数据。Hudi 提供了多种功能,包括数据摄取、存储优化、索引、写入和查询等。
2.2 主要功能
- 数据摄取:支持多种文件格式和数据源,如 Apache Kafka、数据库变更日志等。
- 存储优化:自动管理文件大小和布局,支持行和列存储格式。
- 索引:提供可扩展的索引系统,加速查询。
- 写入:支持原子提交、快照隔离和并发控制。
- 查询:支持多种查询类型,如快照查询、增量查询、变更数据捕获查询等。
2.3 使用场景
Hudi 适用于需要高效管理大规模数据湖的场景,特别是在云环境中进行数据摄取、存储和查询的场景。
3. 项目API使用文档
3.1 核心API
- HoodieWriteClient:用于数据写入的核心API,支持插入、更新和删除操作。
- HoodieReadClient:用于数据读取的核心API,支持快照查询、增量查询等。
3.2 配置参数
- spark.serializer:指定序列化器,推荐使用
org.apache.spark.serializer.KryoSerializer
。 - spark.sql.extensions:启用 Hudi 的 SQL 扩展。
- spark.sql.catalog.spark_catalog:指定 Hudi 的 Catalog 实现。
3.3 示例代码
import org.apache.hudi.QuickstartUtils._
import org.apache.spark.sql.SaveMode._
val dataGen = new DataGenerator()
val inserts = convertToStringList(dataGen.generateInserts(100))
val df = spark.read.json(spark.sparkContext.parallelize(inserts, 2))
df.write.format("hudi").
options(getQuickstartWriteConfigs).
option(PRECOMBINE_FIELD_OPT_KEY, "ts").
option(RECORDKEY_FIELD_OPT_KEY, "uuid").
option(PARTITIONPATH_FIELD_OPT_KEY, "partitionpath").
option(TABLE_NAME, "hudi_table").
mode(Overwrite).
save("path/to/hudi_table")
4. 项目安装方式
4.1 通过 Maven 安装
在项目的 pom.xml
中添加以下依赖:
<dependency>
<groupId>org.apache.hudi</groupId>
<artifactId>hudi-spark-bundle</artifactId>
<version>0.13.0</version>
</dependency>
4.2 通过 Spark Shell 使用
在启动 Spark Shell 时,加载 Hudi 的 JAR 包:
spark-shell --jars hudi-spark-bundle_2.12-0.13.0.jar
4.3 通过 Flink 使用
在 Flink 项目中,添加 Hudi 的依赖:
<dependency>
<groupId>org.apache.hudi</groupId>
<artifactId>hudi-flink-bundle</artifactId>
<version>0.13.0</version>
</dependency>
通过以上步骤,您可以成功安装并使用 Apache Hudi 项目。
登录后查看全文
热门项目推荐
相关项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
274

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
929
553

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8