1、背景
Hudi程序中upsert操作频繁，过多的删除和回滚操作,导致集群RPC持续偏高
2、描述
hudi采用的是mvcc设计，提供了清理工具cleaner来把旧版本的文件分片删除，默认开启了清理功能，可以防止文件系统的存储空间和文件数量的无限增长。
3、清理保留策略
清理旧文件需要考虑数据查询的情况，有些长查询会占用着旧版本的文件，需要设置合适的清理策略来保留一定数量的commit或者文件版本，以提高系统的容错性
- KEEP_LATEST_COMMITS：默认策略，表示保留最后n次提交，默认为10，通过参数hoodie.cleaner.commits.retained或clean.retain_commits(flink)设置
- KEEP_LATEST_FILE_VERSIONS：保留最后n个文件版本，默认为3，通过参数hoodie.cleaner.fileversions.retained设置
- KEEP_LATEST_BY_HOURS：保留最后n小时，默认24小时，通过参数hoodie.cleaner.hours.retained设置，这是0.11版本后新增的
4、 清理触发策略
目前仅支持一种触发清理的策略：CleaningTriggerStrategy#NUM_COMMITS，即根据提交的次数，默认为1，可以通过设置参数hoodie.clean.max.commits进行修改，在flink job的每次checkpoint时都会进行触发策略的条件判断，所以在两次chekpoint之间发生过1次或n次提交，都会触发清理动作。
5、清理流程分析
5.1、清理器初始化
清理逻辑是被包装成一个flink sink，在HoodieTableSink#getSinkRuntimeProvider中进行初始化
如果是mor表且开启了异步合并(compaction.async.enabled)，则创建CompactionCommitSink，继承了CleanFunction，所以包含了清理逻辑，这是由于SQL API中一个SinkRuntimeProvider不支持多个sink.
否则，直接将CleanFunction作为sink，这种情况必需启用异步清理配置clean.async.enabled，因为CleanFunction的主要方法都判断了是否为异步清理。
5.2、清理启动入口
-
compact成功后同步清理
需要满足条件：1）mor表，2）启用异步合并compaction.async.enabled，3）禁用异步清理clean.async.enabled。入代码在CompactionCommitSink#doCommit中：if (!conf.getBoolean(FlinkOptions.CLEAN_ASYNC_ENABLED)) {
this.writeClient.clean();
} -
checkpoint时异步清理
需要满足条件：1）非mor表或启用异步合并compaction.async.enabled，2）启用异步清理clean.async.enabled。入口代码在CleanFunction#snapshotState中：if (conf.getBoolean(FlinkOptions.CLEAN_ASYNC_ENABLED) && !isCleaning) {
this.writeClient.startAsyncCleaning();
this.isCleaning = true;
}
6、清理逻辑执行
清理逻辑的流程，主要包含有三个步骤：生成清理计划、刷新ActiveTimeline、执行清理计划
- 如果处理的instant状态为requested需要先转换为inflight状态(生成xxx.clean.inflight文件)，表示开始清理。
- 执行清理clean(context, cleanerPlan)，根据清理计划的数据进行文件删除即可，首先删除每个分区下需要清理的文件，然后删除需清理的分区目录，最后收集统计数据返回。
- 清理成功后将infight状态转换为completed状态，表示清理完成。
参考：