Apache Spark 和 Hudi：大量的输出文件答案

【问题标题】：Apache Spark and Hudi: tons of output filesApache Spark 和 Hudi：大量的输出文件
【发布时间】：2021-04-14 15:03:13
【问题描述】：

我正在尝试从许多不同的 .csv 文件（都具有相同的“结构”）中读取数据，使用 Spark 执行一些操作，最后将它们保存为 Hudi 格式。
要将数据存储在同一个 Hudi 表中，我认为最好的方法是在执行写入时使用 append 方法。
问题是这样做会创建大量的小文件，其总和尺寸远远超过输入数据集的大小（在某些情况下是 10 倍）。

这是我对 Hudi 的配置：

hudi_options = {
  'hoodie.table.name': tableName,
  'hoodie.datasource.write.recordkey.field': 'uuid',
  'hoodie.datasource.write.partitionpath.field': 'main_partition',
  'hoodie.datasource.write.table.name': tableName,
  'hoodie.datasource.write.operation': 'upsert',
  'hoodie.datasource.write.precombine.field': 'ts',
  'hoodie.upsert.shuffle.parallelism': 10, 
  'hoodie.insert.shuffle.parallelism': 10,
  'hoodie.delete.shuffle.parallelism': 10
}

虽然写操作是这样执行的：

result_df.write.format("hudi").options(**hudi_options).mode("append").save(basePath)

其中 result_df 是一个 Spark Dataframe，其架构始终相同，但数据不同，并且 basePath 是常量。
我检查了输出文件的内容，它们具有正确的架构/数据。那么，有没有办法将数据附加到同一个 Hudi 表文件中？

我对 apache Spark 和 Hudi 还很陌生，因此非常感谢任何帮助/建议；-)

【问题讨论】：

您还面临这个问题吗？ Apache Hudi 的工作原理是 MVCC（多版本并发控制），因此每次写入都会在以下情况下创建现有文件的新版本： 1. 如果文件大小小于默认的最大文件大小：100 MB 2.如果您要更新现有文件中的现有记录。将这两个选项添加到您的 hudi_options，它在任何给定时间仅保留最新的两个版本：“hoodie.cleaner.commits.retained”：1，“hoodie.keep.min.commits”：2 如果仍有问题，请分享您的完成配置细节，然后我可以帮助你。
谢谢！我有同样的问题，你的评论真的很有用。现在只记录最新的两个版本的输出文件。

标签： apache-spark pyspark apache-spark-sql apache-hudi

【解决方案1】：

请提出 github issue(httsp://github.com/apache/hudi/issues) 以获得社区的及时响应

【讨论】：

【解决方案2】：

Apache Hudi 的工作原理是 MVCC（多版本并发控制），因此每次写入都会创建一个新版本的现有文件在以下情况下： 1. 如果文件大小小于默认最大文件大小：100 MB 2. 如果您要更新现有文件现有文件中的记录。将这两个选项添加到您的 hudi_options，在任何给定时间仅保留最新的两个版本： “hoodie.cleaner.commits.retained”：1，“hoodie.keep.min.commits”：2

来自a comment by @felix-k-jose

【讨论】：