华为云MRS基于Hudi和HetuEngine构建实时数据湖最佳实践

数据湖与实时数据湖是什么？

各个行业企业都在构建企业级数据湖，将企业内多种格式数据源汇聚的大数据平台，通过严格的数据权限和资源管控，将数据和算力开放给各种使用者。一份数据支持多种分析，是数据湖最大的特点。如果数据湖的数据，从数据源产生后，可以在1分钟以内实时进入到数据湖存储，支持各种交互式分析，这种数据湖通常叫做实时数据湖，如果可以做到15分钟之内，也可称为准实时数据湖。构建实时数据湖，正在成为5G和IOT时代，支撑各个企业实时分析业务的数据湖新目标。

华为MRS实时数据湖方案介绍

1. 生产库数据通过CDC工具（debezium）实时录入到MRS集群中Kafka的指定topic里；
2. 在MRS集群启动一个SparkStreaming任务，实时读取Kafka指定topic里的数据；
3. 同时该SparkStreaming任务将读取到的数据进行解析处理并写入到一张hudi表中；
4. 写入hudi表的同时可以指定该数据也写入hive表；
5. 通过MRS提供的交互式查询引擎HetuEngine对数据进行快速的交互式查询。

使用华为MRS实时数据湖方案的优势：

1. ACID事务能力得以保证，湖内一份数据满足所有的分析业务需求，减少数据搬迁，减少数据冗余；
2. 数据一致性保证，保证增量数据与入湖后数据一致性检测；
3. 数据加工流转，在一个存储层内闭环，数据流动更高效；
4. 基于HetuEngine引擎实现交互式查询，性能不降低。

下面会针对方案的三个关键组件：CDC工具，数据存储引擎Hudi,交互式查询引擎HetuEngine进行详细的介绍

样例数据简介

生产库MySQL原始数据(前10条，共1000条)：

CDC工具

简介

CDC（changed data capture）为动态数据抓取，常见的方式分为同步和异步。同步CDC主要是采用触发器记录新增数据，基本能够做到实时增量抽取。而异步CDC则是通过分析已经commit的日志记录来得到增量数据信息。常见的CDC工具有Canal, DataBus, Maxwell, Debezium, OGG等。本方案采用debezium作为CDC工具

对接步骤

具体参考：https://fusioninsight.github.io/ecosystem/zh-hans/Data_Integration/DEBEZIUM/

完成对接后，针对MySQL生产库分别做增、改、删除操作对应的kafka消息

增加操作: insert into hudi.hudisource values (1001,“蒋语堂”,38,“女”,“图”,"《星球大战》",28732);

对应kafka消息体：

更改操作： UPDATE hudi.hudisource SET uname=‘Anne Marie’ WHERE uid=1001;

对应kafka消息体：

删除操作： delete from hudi.hudisource where uid=1001;

对应kafka消息体：

Hudi

简介

Apache Hudi是一个Data Lakes的开源方案，Hudi是Hadoop Updates and Incrementals的简写。具有以下的特性

• ACID事务能力，支持实时入湖和批量入湖。
• 多种视图能力（读优化视图/增量视图/实时视图），支持快速数据分析。
• MVCC设计，支持数据版本回溯。
• 自动管理文件大小和布局，以优化查询性能准实时摄取，为查询提供最新数据。
• 支持并发读写，基于snapshot的隔离机制实现写入时可读取。
• 支持原地转表，将存量的历史表转换为Hudi数据集。

样例代码解析