数据湖：什么是Hudi

Posted 2022-06-03 Lansonli

什么是Hudi

Apache Hudi是一个Data Lakes的开源方案，Hudi是Hadoop Updates and Incrementals的简写，它是由Uber开发并开源的Data Lakes解决方案。Hudi能够基于HDFS之上管理大型分析数据集，可以对数据进行插入、更新、增量消费等操作，主要目的是高效减少摄取过程中的数据延迟。

Hudi非常轻量级，可以作为lib与Spark、Flink进行集成，Hudi官网：

​​https://hudi.apache.orghttps://hudi.apache.org​​

Hudi基于Parquet列式存储与Avro行式存储，同时避免创建小文件，实现高效率低延迟的数据访问。在HDFS数据集上提供插入更新、增量拉取、全量拉取。Hudi具有如下特点：

• 快速upsert,可插入索引。
• 以原子方式操作数据并具有回滚功能。
• 写入器和查询之间的快照隔离。
• 用于数据恢复的savepoint保存点。Hudi通过Savepoint来实现数据恢复。
• 管理文件大小，使用统计数据布局。
• 行和列数据的异步压缩。