数据湖（二）：什么是 Hudi

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.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。