栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Java

spark入hudi延迟优化

Java 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

spark入hudi延迟优化

最近在做spark入数据湖(hudi),

最开始使用默认的布隆过滤器索引,延迟总是不能达成要求,看了下原理,如果有比较多的更新,那么每次更新是需要读取base文件中的id来确认是真实的更新写入,因此更新较多的情况下,入湖延迟有比较大的波动。

后来看到了字节贡献的bucket索引,如果使用常规的用法,面临着分桶数需要提前指定,分桶大小难以估计的困难。

最后,我这块做的入湖,都是对应的mysql表入湖,每个表都有对应的自增id,而且每条mysql数据大小的范围就是通常的大小,没有相差太多,因此入湖的时候,我给每张表新增了一列_id_index, 采用这个字段做分区,同时使用bucketIndex,指定分桶数为1.

其中_id_index = id/step, 这样相当于实现了范围分桶,

比如,如果指定step=10, 那么

0-9在0号分区

10-19在1号分区,等等。。。

其实这相当于实现了一种range分桶的感觉,由于目前的线上数据,多是更新比较新的数据,最后入湖的延迟达到了一个比较稳定的低延迟。

后续可能根据这个思想实现一下range_bucket_index, 大致写了下比较简单,但是会限制指定的分桶字段只能是long型,而且如果不是自增的long型,其实是不好的。

好在mysql的自增id都符合这个要求。

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/937661.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号