图文精华

About云-梭伦科技»专题 › 技术学习(版主发帖区) › 大数据学习 › 数据湖 › 实操演练› 使用 Apache Hudi 实现 SCD-2（渐变维度）
分享

使用 Apache Hudi 实现 SCD-2（渐变维度）

nettman 2022-8-29 23:08:04 发表于 实操演练 [显示全部楼层] 只看大图 回帖奖励 阅读模式 关闭右栏 0 1462
问题导读
1.Hudi提供哪些功能？
2.Hudi默认显示表中的快照数据，是否正确？
3.Hudi 是否允许通过时间点查询旧版本数据？


数据是当今分析世界的宝贵资产。在向最终用户提供数据时，跟踪数据在一段时间内的变化非常重要。渐变维度 (SCD) 是随时间推移存储和管理当前和历史数据的维度。在 SCD 的类型中，我们将特别关注类型 2（SCD 2），它保留了值的完整历史。每条记录都包含有效时间和到期时间，以标识记录处于活动状态的时间段。这可以通过少数审计列来实现。例如：生效开始日期、生效结束日期和活动记录指示器。让我们了解如何使用 Apache Hudi 来实现这种 SCD-2 表设计。

Apache Hudi 是下一代流数据湖平台。Apache Hudi 将核心仓库和数据库功能直接引入数据湖。Hudi 提供表、事务、高效的 upserts/deletes、高级索引、流式摄取服务、数据Clustering/压缩优化和并发性，同时将数据保持为开源文件格式。

Apache Hudi 默认显示表中的快照数据，即最近提交的最新数据。如果我们想跟踪历史变化，我们需要利用 Hudi 的时间点查询（https://hudi.apache.org/docs/qui ... point-in-time-query）

Hudi 允许通过时间点查询旧版本数据或最新数据和时间旅行，通过时间点查询遍历历史数据变化是不高效的，需要对给定数据进行多次时间间隔分析。让我们看看如何通过使用经典方法的解决方法来克服这个问题。让我们考虑一个包含产品详细信息和卖家折扣的表。


  1. +---------+--------------+---------------+---------------+-------------------+-------------------+-------------------+--------+

  2. |seller_id|prod_category |product_name   |product_package|discount_percentage|eff_start_ts       |eff_end_ts         |actv_ind|

  3. +---------+--------------+---------------+---------------+-------------------+-------------------+-------------------+--------+

  4. |3412     |Healthcare    |Dolo 650       |10             |10                 |2022-04-01 16:30:45|9999-12-31 23:59:59|1       |

  5. |1234     |Detergent     |Tide 2L        |6              |15                 |2021-12-15 15:20:30|9999-12-31 23:59:59|1       |

  6. |1234     |Home Essential|Hand Towel     |12             |20                 |2021-10-20 06:55:22|9999-12-31 23:59:59|1       |

  7. |4565     |Gourmet       |Dairy Milk Silk|6              |30                 |2021-06-12 20:30:40|9999-12-31 23:59:59|1       |

  8. +---------+--------------+---------------+---------------+-------------------+-------------------+-------------------+--------+
复制代码


步骤

1. 让我们使用 Spark 将这些数据写入 Hudi 表中
  1. spark-shell \

  2. --packages org.apache.hudi:hudi-spark-bundle_2.12:0.11.1,org.apache.spark:spark-avro_2.12:2.4.7,org.apache.avro:avro:1.8.2 \

  3. --conf "spark.serializer=org.apache.spark.serializer.KryoSerializer" \

  4. --conf 'spark.sql.extensions=org.apache.spark.sql.hudi.HoodieSparkSessionExtension' \

  5. --conf "spark.sql.hive.convertMetastoreParquet=false"
复制代码
启动 spark shell 后，我们可以导入库，并创建 Hudi 表，如下所示。
  1. Welcome to

  2.       ____              __

  3.      / __/__  ___ _____/ /__

  4.     _\ \/ _ \/ _ `/ __/  '_/

  5.    /___/ .__/\_,_/_/ /_/\_\   version 2.4.8

  6.       /_/

  7.          

  8. Using Scala version 2.12.10 (OpenJDK 64-Bit Server VM, Java 1.8.0_312)

  9. Type in expressions to have them evaluated.

  10. Type :help for more information.

  11. scala> spark.sql("""create table hudi_product_catalog (

  12.      | seller_id int,

  13.      | prod_category string,

  14.      | product_name string,

  15.      | product_package string,

  16.      | discount_percentage string,

  17.      | eff_start_ts timestamp,

  18.      | eff_end_ts timestamp,

  19.      | actv_ind int

  20.      |  ) using hudi

  21.      | tblproperties (

  22.      |   type = 'cow',

  23.      |   primaryKey = 'seller_id,prod_category,eff_end_ts',

  24.      |   preCombineField = 'eff_start_ts'

  25.      |  )

  26.      | partitioned by (actv_ind)

  27.      |  location 'gs://target_bucket/hudi_product_catalog/'""")
复制代码
将数据写入到存储桶后，如下是 Hudi 目标表的数据格式。
  1. +-------------------+---------------------+-------------------------------------------------------------------------+----------------------+--------------------------------------------------------------------------+---------+--------------+---------------+---------------+-------------------+-------------------+-------------------+--------+

  2. |_hoodie_commit_time|_hoodie_commit_seqno |_hoodie_record_key                                                       |_hoodie_partition_path|_hoodie_file_name                                                         |seller_id|prod_category |product_name   |product_package|discount_percentage|eff_start_ts       |eff_end_ts         |actv_ind|

  3. +-------------------+---------------------+-------------------------------------------------------------------------+----------------------+--------------------------------------------------------------------------+---------+--------------+---------------+---------------+-------------------+-------------------+-------------------+--------+

  4. |20220722113258101  |20220722113258101_0_0|seller_id:3412,prod_category:Healthcare,eff_end_ts:253402300799000000    |actv_ind=1            |a94c9c58-ac6b-4841-a734-8ef1580e2547-0_0-29-1219_20220722113258101.parquet|3412     |Healthcare    |Dolo 650       |10             |10                 |2022-04-01 16:30:45|9999-12-31 23:59:59|1       |

  5. |20220722113258101  |20220722113258101_0_1|seller_id:1234,prod_category:Home Essential,eff_end_ts:253402300799000000|actv_ind=1            |a94c9c58-ac6b-4841-a734-8ef1580e2547-0_0-29-1219_20220722113258101.parquet|1234     |Home Essential|Hand Towel     |12             |20                 |2021-10-20 06:55:22|9999-12-31 23:59:59|1       |

  6. |20220722113258101  |20220722113258101_0_2|seller_id:4565,prod_category:Gourmet,eff_end_ts:253402300799000000       |actv_ind=1            |a94c9c58-ac6b-4841-a734-8ef1580e2547-0_0-29-1219_20220722113258101.parquet|4565     |Gourmet       |Dairy Milk Silk|6              |30                 |2021-06-12 20:30:40|9999-12-31 23:59:59|1       |

  7. |20220722113258101  |20220722113258101_0_3|seller_id:1234,prod_category:Detergent,eff_end_ts:253402300799000000     |actv_ind=1            |a94c9c58-ac6b-4841-a734-8ef1580e2547-0_0-29-1219_20220722113258101.parquet|1234     |Detergent     |Tide 2L        |6              |15                 |2021-12-15 15:20:30|9999-12-31 23:59:59|1       |

  8. +-------------------+---------------------+-------------------------------------------------------------------------+----------------------+--------------------------------------------------------------------------+---------+--------------+---------------+---------------+-------------------+-------------------+-------------------+--------+
复制代码
2.假设我们的增量数据存储在下表中（非Hudi格式，可以是Hive）。
  1. +---------+-------------+-----------------+---------------+-------------------+-------------------+

  2. |seller_id|prod_category|product_name     |product_package|discount_percentage|eff_start_ts       |

  3. +---------+-------------+-----------------+---------------+-------------------+-------------------+

  4. |1234     |Detergent    |Tide 5L          |6              |25                 |2022-01-31 10:00:30|

  5. |4565     |Gourmet      |Dairy Milk Almond|12             |45                 |2022-06-12 20:30:40|

  6. |3345     |Stationary   |Sticky Notes     |4              |12                 |2022-07-09 21:30:45|

  7. +---------+-------------+-----------------+---------------+-------------------+-------------------+
复制代码
3. 现在让我们通过对目标表进行Left Anti Join[1]过滤掉增量表中的所有 Insert only 记录。
  1. val updFileDf = spark.read.option("header",true).csv("gs://target_bucket/hudi_product_catalog/hudi_product_update.csv")

  2. val tgtHudiDf = spark.sql("select * from hudi_product_catalog")

  3. hudiTableData.createOrReplaceTempView("hudiTable")

  4. 

  5. //Cast as needed

  6. val stgDf = updFileDf.withColumn("eff_start_ts",to_timestamp(col("eff_start_ts")))

  7. .withColumn("seller_id",col("seller_id").cast("int"))

  8. 

  9. //Prepare an insert DF from incremental temp DF

  10. val instmpDf = stgDf.as("stg")

  11.       .join(tgtHudiDf.as("tgt"),

  12.         col("stg.seller_id") === col("tgt.seller_id") &&

  13.           col("stg.prod_category") === col("tgt.prod_category"),"left_anti")

  14. .select("stg.*")

  15. 

  16. val insDf = instmpDf.withColumn("eff_end_ts",to_timestamp(lit("9999-12-31 23:59:59")))

  17. .withColumn("actv_ind",lit(1))

  18. 

  19. 

  20. insDf.show(false)

  21. +---------+-------------+------------+---------------+-------------------+-------------------+-------------------+--------+

  22. |seller_id|prod_category|product_name|product_package|discount_percentage|       eff_start_ts|         eff_end_ts|actv_ind|

  23. +---------+-------------+------------+---------------+-------------------+-------------------+-------------------+--------+

  24. |     3345|   Stationary|Sticky Notes|              4|                 12|2022-07-09 21:30:45|9999-12-31 23:59:59|       1|

  25. +---------+-------------+------------+---------------+-------------------+-------------------+-------------------+--------+
复制代码
4. 我们有一个只插入记录的DataFrame。接下来让我们创建一个DataFrame，其中将包含来自 delta 表和目标表的属性，并在目标上使用内连接，它将获取需要更新的记录。
  1. //Prepare an update DF from incremental temp DF, select columns from both the tables

  2. val updDf = stgDf.as("stg")

  3.       .join(tgtHudiDf.as("tgt"),

  4.         col("stg.seller_id") === col("tgt.seller_id") &&

  5.           col("stg.prod_category") === col("tgt.prod_category"),"inner")

  6.           .where(col("stg.eff_start_ts") > col("tgt.eff_start_ts"))

  7. .select((stgDf.columns.map(c => stgDf(c).as(s"stg_$c"))++ tgtHudiDf.columns.map(c => tgtHudiDf(c).as(s"tgt_$c"))):_*)

  8. 

  9. updDf.show(false)

  10. 

  11. +-------------+-----------------+-----------------+-------------------+-----------------------+-------------------+-----------------------+------------------------+----------------------+--------------------------+---------------------+-------------+-----------------+----------------+-------------------+-----------------------+-------------------+-------------------+------------+

  12. |stg_seller_id|stg_prod_category| stg_product_name|stg_product_package|stg_discount_percentage|   stg_eff_start_ts|tgt__hoodie_commit_time|tgt__hoodie_commit_seqno|tgt__hoodie_record_key|tgt__hoodie_partition_path|tgt__hoodie_file_name|tgt_seller_id|tgt_prod_category|tgt_product_name|tgt_product_package|tgt_discount_percentage|   tgt_eff_start_ts|     tgt_eff_end_ts|tgt_actv_ind|

  13. +-------------+-----------------+-----------------+-------------------+-----------------------+-------------------+-----------------------+------------------------+----------------------+--------------------------+---------------------+-------------+-----------------+----------------+-------------------+-----------------------+-------------------+-------------------+------------+

  14. |         1234|        Detergent|          Tide 5L|                  6|                     25|2022-01-31 10:00:30|      20220710113622931|    20220710113622931...|  seller_id:1234,pr...|                actv_ind=1| 2dd6109f-2173-429...|         1234|        Detergent|         Tide 2L|                  6|                     15|2021-12-15 15:20:30|9999-12-31 23:59:59|           1|

  15. |         4565|          Gourmet|Dairy Milk Almond|                 12|                     45|2022-06-12 20:30:40|      20220710113622931|    20220710113622931...|  seller_id:4565,pr...|                actv_ind=1| 2dd6109f-2173-429...|         4565|          Gourmet| Dairy Milk Silk|                  6|                     30|2021-06-12 20:30:40|9999-12-31 23:59:59|           1|

  16. +-------------+-----------------+-----------------+-------------------+-----------------------+-------------------+-----------------------+------------------------+----------------------+--------------------------+---------------------+-------------+-----------------+----------------+-------------------+-----------------------+-------------------+-------------------+------------+
复制代码
5. 现在我们有一个DataFrame，它在一条记录中包含新旧数据，让我们在各自单独的DataFrame中拉取更新记录的活动和非活动实例。








640.png

在进行上述练习时，我们将通过更改活动（新）记录的 eff_end_tsto eff_start_ts -1 并更新 actv_ind = 0 来废弃非活动记录
  1. //Prepare Active updates

  2. 

  3. val updActiveDf = updDf.select(col("stg_seller_id").as("seller_id"),

  4. col("stg_prod_category").as("prod_category"),

  5. col("stg_product_name").as("product_name"),

  6. col("stg_product_package").as("product_package"),

  7. col("stg_discount_percentage").as("discount_percentage"),

  8. col("stg_eff_start_ts").as("eff_start_ts"),

  9. to_timestamp(lit("9999-12-31 23:59:59")) as ("eff_end_ts"),

  10. lit(1) as ("actv_ind"))

  11. 

  12. updActiveDf.show(false)

  13. +---------+-------------+-----------------+---------------+-------------------+-------------------+-------------------+--------+

  14. |seller_id|prod_category|product_name     |product_package|discount_percentage|eff_start_ts       |eff_end_ts         |actv_ind|

  15. +---------+-------------+-----------------+---------------+-------------------+-------------------+-------------------+--------+

  16. |1234     |Detergent    |Tide 5L          |6              |25                 |2022-01-31 10:00:30|9999-12-31 23:59:59|1       |

  17. |4565     |Gourmet      |Dairy Milk Almond|12             |45                 |2022-06-12 20:30:40|9999-12-31 23:59:59|1       |

  18. +---------+-------------+-----------------+---------------+-------------------+-------------------+-------------------+--------+

  19. 

  20. //Prepare inactive updates, which will become obsolete records

  21. 

  22. val updInactiveDf = updDf.select(col("tgt_seller_id").as("seller_id"),

  23. col("tgt_prod_category").as("prod_category"),

  24. col("tgt_product_name").as("product_name"),

  25. col("tgt_product_package").as("product_package"),

  26. col("tgt_discount_percentage").as("discount_percentage"),

  27. col("tgt_eff_start_ts").as("eff_start_ts"),

  28. (col("stg_eff_start_ts") - expr("interval 1 seconds")).as("eff_end_ts"),

  29. lit(0) as ("actv_ind"))

  30. 

  31. scala> updInactiveDf.show

  32. +---------+-------------+---------------+---------------+-------------------+-------------------+-------------------+--------+

  33. |seller_id|prod_category|   product_name|product_package|discount_percentage|       eff_start_ts|         eff_end_ts|actv_ind|

  34. +---------+-------------+---------------+---------------+-------------------+-------------------+-------------------+--------+

  35. |     1234|    Detergent|        Tide 2L|              6|                 15|2021-12-15 15:20:30|2022-01-31 10:00:29|       0|

  36. |     4565|      Gourmet|Dairy Milk Silk|              6|                 30|2021-06-12 20:30:40|2022-06-12 20:30:39|       0|

  37. +---------+-------------+---------------+---------------+-------------------+-------------------+-------------------+--------+
复制代码
6. 现在我们将使用union运算符将插入、活动更新和非活动更新拉入单个DataFrame。将此DataFrame作为最终 Hudi 写入逻辑的增量源。
  1. scala> val upsertDf = insDf.union(updActiveDf).union(updInactiveDf)

  2. 

  3. scala> upsertDf.show

  4. 

  5. +---------+-------------+-----------------+---------------+-------------------+-------------------+-------------------+--------+

  6. |seller_id|prod_category|     product_name|product_package|discount_percentage|       eff_start_ts|         eff_end_ts|actv_ind|

  7. +---------+-------------+-----------------+---------------+-------------------+-------------------+-------------------+--------+

  8. |     3345|   Stationary|     Sticky Notes|              4|                 12|2022-07-09 21:30:45|9999-12-31 23:59:59|       1|

  9. |     4565|      Gourmet|Dairy Milk Almond|             12|                 45|2022-06-12 20:30:40|9999-12-31 23:59:59|       1|

  10. |     1234|    Detergent|          Tide 5L|              6|                 25|2022-01-31 10:00:30|9999-12-31 23:59:59|       1|

  11. |     4565|      Gourmet|  Dairy Milk Silk|              6|                 30|2021-06-12 20:30:40|2022-06-12 20:30:39|       0|

  12. |     1234|    Detergent|          Tide 2L|              6|                 15|2021-12-15 15:20:30|2022-01-31 10:00:29|       0|

  13. +---------+-------------+-----------------+---------------+-------------------+-------------------+-------------------+--------+

  14. 

  15. val path = "gs://target_bucket/hudi_product_catalog"

  16. 

  17. upsertDf.write.format("org.apache.hudi")

  18. .option(TABLE_TYPE_OPT_KEY, "COPY_ON_WRITE") 

  19. .option("hoodie.datasource.write.keygenerator.class","org.apache.hudi.keygen.ComplexKeyGenerator") 

  20. .option(RECORDKEY_FIELD_OPT_KEY, "seller_id,prod_category,eff_end_ts")

  21. .option(PRECOMBINE_FIELD_OPT_KEY, "eff_start_ts") 

  22. .option("hoodie.table.name","hudi_product_catalog") 

  23. .option(DataSourceWriteOptions.HIVE_DATABASE_OPT_KEY, "target_schema") 

  24. .option(DataSourceWriteOptions.HIVE_TABLE_OPT_KEY, "hudi_product_catalog") 

  25. .option(OPERATION_OPT_KEY, UPSERT_OPERATION_OPT_VAL)

  26. .option(DataSourceWriteOptions.HIVE_STYLE_PARTITIONING_OPT_KEY, "true")

  27. .option(PARTITIONPATH_FIELD_OPT_KEY, "actv_ind")

  28. .mode(Append)

  29. .save(s"$path")

  30. 

  31. scala> spark.sql("refresh table stg_wmt_ww_fin_rtn_mb_dl_secure.hudi_product_catalog")

  32. 

  33. scala> spark.sql("select * from stg_wmt_ww_fin_rtn_mb_dl_secure.hudi_product_catalog").show(false)

  34. 

  35. +-------------------+---------------------+-------------------------------------------------------------------------+----------------------+--------------------------------------------------------------------------+---------+--------------+-----------------+---------------+-------------------+-------------------+-------------------+--------+

  36. |_hoodie_commit_time|_hoodie_commit_seqno |_hoodie_record_key                                                       |_hoodie_partition_path|_hoodie_file_name                                                         |seller_id|prod_category |product_name     |product_package|discount_percentage|eff_start_ts       |eff_end_ts         |actv_ind|

  37. +-------------------+---------------------+-------------------------------------------------------------------------+----------------------+--------------------------------------------------------------------------+---------+--------------+-----------------+---------------+-------------------+-------------------+-------------------+--------+

  38. |20220722113258101  |20220722113258101_0_0|seller_id:3412,prod_category:Healthcare,eff_end_ts:253402300799000000    |actv_ind=1            |a94c9c58-ac6b-4841-a734-8ef1580e2547-0_0-72-2451_20220722114049500.parquet|3412     |Healthcare    |Dolo 650         |10             |10                 |2022-04-01 16:30:45|9999-12-31 23:59:59|1       |

  39. |20220722113258101  |20220722113258101_0_1|seller_id:1234,prod_category:Home Essential,eff_end_ts:253402300799000000|actv_ind=1            |a94c9c58-ac6b-4841-a734-8ef1580e2547-0_0-72-2451_20220722114049500.parquet|1234     |Home Essential|Hand Towel       |12             |20                 |2021-10-20 06:55:22|9999-12-31 23:59:59|1       |

  40. |20220722114049500  |20220722114049500_0_2|seller_id:4565,prod_category:Gourmet,eff_end_ts:253402300799000000       |actv_ind=1            |a94c9c58-ac6b-4841-a734-8ef1580e2547-0_0-72-2451_20220722114049500.parquet|4565     |Gourmet       |Dairy Milk Almond|12             |45                 |2022-06-12 20:30:40|9999-12-31 23:59:59|1       |

  41. |20220722114049500  |20220722114049500_0_3|seller_id:1234,prod_category:Detergent,eff_end_ts:253402300799000000     |actv_ind=1            |a94c9c58-ac6b-4841-a734-8ef1580e2547-0_0-72-2451_20220722114049500.parquet|1234     |Detergent     |Tide 5L          |6              |25                 |2022-01-31 10:00:30|9999-12-31 23:59:59|1       |

  42. |20220722114049500  |20220722114049500_0_4|seller_id:3345,prod_category:Stationary,eff_end_ts:253402300799000000    |actv_ind=1            |a94c9c58-ac6b-4841-a734-8ef1580e2547-0_0-72-2451_20220722114049500.parquet|3345     |Stationary    |Sticky Notes     |4              |12                 |2022-07-09 21:30:45|9999-12-31 23:59:59|1       |

  43. |20220722114049500  |20220722114049500_1_0|seller_id:4565,prod_category:Gourmet,eff_end_ts:1655065839000000         |actv_ind=0            |789e0317-d499-4d74-a5d9-ad6e6517d6b8-0_1-72-2452_20220722114049500.parquet|4565     |Gourmet       |Dairy Milk Silk  |6              |30                 |2021-06-12 20:30:40|2022-06-12 20:30:39|0       |

  44. |20220722114049500  |20220722114049500_1_1|seller_id:1234,prod_category:Detergent,eff_end_ts:1643623229000000       |actv_ind=0            |789e0317-d499-4d74-a5d9-ad6e6517d6b8-0_1-72-2452_20220722114049500.parquet|1234     |Detergent     |Tide 2L          |6              |15                 |2021-12-15 15:20:30|2022-01-31 10:00:29|0       |

  45. +-------------------+---------------------+-------------------------------------------------------------------------+----------------------+--------------------------------------------------------------------------+---------+--------------+-----------------+---------------+-------------------+-------------------+-------------------+--------+
复制代码
注意项
• 对于现有记录的每次更新，parquet 文件将在存储中重新写入/移动，这可能会影响写入时的性能

• 在查询数据期间，根据代表主要过滤器的属性对目标表进行分区总是一个更好的主意。例如：销售表中的销售日期，注册产品目录的卖家。上述示例中选择了 actv_ind ，因为我们希望使其易于解释并将所有活动记录保存在一个分区中。

结论
随着我们持续使用 Apache Hudi 编写 Spark 应用程序，我们将继续改进加载数据的策略，上述尝试只是用 Hudi 实现 SCD-2 功能的一个开始。


最新经典文章，欢迎关注公众号


原文链接
https://mp.weixin.qq.com/s/e4MgGY4pFcVkgjAmrhW5Bw


加微信w3aboutyun，可拉入技术爱好者群
回复

使用道具 举报

自定义广告语

没找到任何评论，期待你打破沉寂

高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

发表新帖
nettman

超级版主

关注

  • 2910

    主题

  • 3203

    帖子

  • 478

    粉丝

TA的主题
关闭

推荐上一条 /2 下一条

关于我们· 联系我们· 加入我们· 小黑屋· 合作伙伴   

Copyright © 2001-2024 About云-梭伦科技 Powered by Discuz! X3.4 Licensed Discuz Team.

简书 / Smrz 京ICP备2020039040号 Wxb 简书网举报电话：021-34700000