Apache Hudi 中 Flink 与 Spark 写入的 Schema 冲突问题解析

问题背景

在数据湖架构中，Apache Hudi 作为一个高效的增量处理框架，支持多种计算引擎的写入操作。然而在实际生产环境中，当 Flink 和 Spark 两种引擎同时操作同一个 Hudi 表时，可能会遇到 Schema 兼容性问题。本文将深入分析一个典型的 Schema 冲突案例，探讨其根本原因和解决方案。

问题现象

用户在使用 Flink 作业向 COW 表追加数据并启用异步聚类功能时，遇到了以下异常：

org.apache.parquet.io.ParquetDecodingException: The requested schema is not compatible with the file schema. 
incompatible types: required int32 id != optional int32 id

具体表现为：

1. 先通过 Flink 作业写入数据（关闭异步聚类）
2. 停止 Flink 作业后使用 Spark 执行聚类操作
3. 重启 Flink 作业（开启异步聚类）后出现 Schema 冲突

根本原因分析

经过深入排查，发现问题根源在于 Flink 和 Spark 对主键字段的 nullability 处理存在差异：

1. Flink 写入行为：

   • 当表定义了主键约束或设置了 hoodie.datasource.write.recordkey.field 时
   • Flink 会将主键字段标记为 REQUIRED（非空）
   • 生成的 Parquet 文件中主键字段为非空类型

2. Spark 写入行为：

   • 使用行写入器（row writer）时
   • Spark 通过 HadoopFSRelation 读取数据时会自动将 Schema 转为可空
   • 聚类操作会使用这个可空 Schema 写入新的 Parquet 文件
   • 导致主键字段变为 OPTIONAL（可空）

3. 冲突发生时机：

   • Flink 异步聚类读取包含 Spark 生成的文件时
   • 期望主键字段为 REQUIRED 但实际为 OPTIONAL
   • 触发 Parquet 格式的 Schema 兼容性检查失败

技术细节

Flink 的 Schema 处理

Flink 对于主键字段有严格约束，会将其标记为非空。这是合理的，因为：

• 主键在关系型数据模型中本质就是非空的
• 确保数据完整性和一致性
• 避免后续处理中出现空指针异常

Spark 的 Schema 转换

Spark 在数据处理流程中会自动放宽 Schema 约束：

• 出于灵活性和容错性考虑
• 通过 asNullable 方法将所有字段转为可空
• 这种隐式转换在多引擎环境中可能引发兼容性问题

解决方案

针对这一问题，社区提出了两种解决思路：

1. Schema 协调机制：

   • 在 Flink 读取时自动协调 Schema 差异
   • 放宽对主键字段的 nullability 检查
   • 保持向后兼容性

2. 统一写入规范：

   • 规范多引擎环境下的 Schema 处理
   • 确保主键字段在所有引擎中都保持一致的 nullability
   • 需要跨引擎的协调工作

目前，社区已通过第一种方案解决了该问题，在 Flink 读取时实现了 Schema 协调机制。

最佳实践建议

对于使用多引擎操作 Hudi 表的用户，建议：

1. 明确主键定义：

   • 始终明确定义主键或记录键字段
   • 避免依赖默认行为

2. 统一引擎版本：

   • 尽量保持各引擎使用的 Hudi 版本一致
   • 新版本通常有更好的兼容性处理

3. 测试验证：

   • 在生产环境前验证多引擎操作流程
   • 特别关注 Schema 变更场景

4. 监控机制：

   • 建立 Schema 变更监控
   • 及时发现潜在的兼容性问题

总结

多引擎数据湖架构虽然提供了灵活性，但也带来了 Schema 管理的新挑战。通过深入理解各引擎的底层行为机制，合理设计数据流程，可以有效避免类似问题。Hudi 社区持续改进跨引擎兼容性，为用户提供更稳定可靠的数据湖体验。