hudi0.13版本clean策略

在 Apache Hudi 0.13 版本中，清理策略对于数据管理和存储优化起着关键作用。为了确保数据湖的有效利用和性能优化，了解和正确配置清理策略至关重要。以下是 Hudi 0.13 版本的清理策略详细说明及注意事项。

清理策略概述

Hudi 提供了两种主要的清理策略：

KEEP_LATEST_COMMITS：保留最近的几次提交。
KEEP_LATEST_FILE_VERSIONS：保留每个文件的最近几个版本。

配置参数

以下是常见的配置参数：

hoodie.cleaner.policy ：指定清理策略，可以是 KEEP_LATEST_COMMITS 或 KEEP_LATEST_FILE_VERSIONS。
hoodie.cleaner.commits.retained ：对于 KEEP_LATEST_COMMITS 策略，指定要保留的最近提交次数。
hoodie.cleaner.fileversions.retained ：对于 KEEP_LATEST_FILE_VERSIONS 策略，指定要保留的每个文件的版本数量。

详细说明

KEEP_LATEST_COMMITS

该策略保留最近的 N 次提交生成的文件，删除更早的文件版本。

配置示例：

java 复制代码

conf.setString("hoodie.cleaner.policy", "KEEP_LATEST_COMMITS");
conf.setInteger("hoodie.cleaner.commits.retained", 5); // 保留最近 5 次提交

注意点：

适用于频繁提交和更新的数据表，确保保留最近的数据变更记录，同时删除旧版本以释放存储空间。
需要平衡保留的提交次数和存储空间的利用率。如果设置过小，可能会导致数据恢复困难；设置过大，可能会占用过多存储空间。

KEEP_LATEST_FILE_VERSIONS

该策略保留每个数据文件的最近 N 个版本，删除更早的文件版本。

配置示例：

java 复制代码

conf.setString("hoodie.cleaner.policy", "KEEP_LATEST_FILE_VERSIONS");
conf.setInteger("hoodie.cleaner.fileversions.retained", 3); // 保留每个文件的最近 3 个版本

注意点：

适用于需要保留每个文件的多个版本的情况，如需要回溯或审计历史数据。
确保设置合理的文件版本保留数量，以防止存储空间不足或数据恢复困难。

清理策略的执行

清理操作由 Hudi 的 HoodieCleaner 进行管理，可以通过手动触发或自动定期执行。清理策略通常在提交操作之后自动执行，但也可以通过手动调用清理操作来管理数据文件。

配置示例

以下是一个完整的配置示例，展示如何在 Flink 或 Spark 应用中配置 Hudi 的清理策略：

Flink 配置示例：

java 复制代码

import org.apache.flink.configuration.Configuration;

Configuration conf = new Configuration();
conf.setString("hoodie.cleaner.policy", "KEEP_LATEST_COMMITS");
conf.setInteger("hoodie.cleaner.commits.retained", 5);

Spark 配置示例：

scala 复制代码

import org.apache.hudi.config.HoodieWriteConfig;

val hudiOptions = Map(
  HoodieWriteConfig.CLEANER_POLICY_PROP -> "KEEP_LATEST_COMMITS",
  HoodieWriteConfig.CLEANER_COMMITS_RETAINED_PROP -> "5"
)

注意事项

资源管理：清理操作会消耗计算资源和I/O资源，建议在系统负载较低时进行清理操作，以避免影响系统性能。
监控和日志：定期监控清理操作的日志和指标，确保清理策略按预期执行，并及时调整配置。
备份和恢复：在调整清理策略前，确保有数据备份方案，以防误删除重要数据导致数据丢失。
测试和验证：在生产环境中应用新的清理策略前，建议在测试环境中进行充分测试，验证策略的有效性和影响。

通过合理配置和管理清理策略，可以确保 Hudi 表的高效运行和存储空间的优化。