Hudi对比|Apache Hudi与Apache HBase等系统的对比

Apache Hudi填补了在DFS上处理数据的巨大空白，并可以和一些大数据技术很好地共存。然而，将Hudi与一些相关系统进行对比，来了解Hudi如何适应当前的大数据生态系统，并知晓这些系统在设计中做的不同权衡仍将非常有用。

Kudu

Apache Kudu是一个与Hudi具有相似目标的存储系统，该系统通过对 upserts支持来对PB级数据进行实时分析。一个关键的区别是Kudu还试图充当OLTP工作负载的数据存储，而Hudi并不希望这样做。因此，Kudu不支持增量拉取(截至2017年初)，而Hudi支持增量处理。

Kudu与分布式文件系统抽象和HDFS完全不同，它自己的一组存储服务器通过RAFT相互通信。与之不同的是，Hudi旨在与底层Hadoop兼容的文件系统(HDFS，S3或Ceph)一起使用，并且没有自己的存储服务器群，而是依靠Apache Spark来完成繁重的工作。因此，Hudi可以像其他Spark作业一样轻松扩展，而Kudu则需要硬件和运营支持，特别是HBase或Vertica等数据存储系统。到目前为止，我们还没有做任何直接的基准测试来比较Kudu和Hudi。但是，如果我们要使用CERN，我们预期Hudi在摄取parquet文件上有更卓越的性能。

Hive事务

Hive事务/ACID是另一项类似的工作，它试图在ORC文件格式之上的实现读取时合并的存储层。可以理解，此功能与Hive以及LLAP之类的其他工作紧密相关。Hive事务不提供Hudi提供的读取优化存储选项或增量拉取。在实现选择方面，Hudi充分利用了类似Spark的处理框架的功能，而Hive事务特性则在用户或Hive Metastore启动的Hive任务/查询的下实现。根据我们的生产经验，与其他方法相比，将Hudi作为库嵌入到现有的Spark管道中要容易得多，并且操作不会太繁琐。Hudi还设计用于与Presto/Spark等非Hive引擎合作，并计划引入除Parquet以外的文件格式。

HBase

尽管HBase最终是OLTP工作负载的键值存储层，但由于与Hadoop的相似性，用户通常倾向于将HBase与分析相关联。鉴于HBase经过严格的写优化，它支持开箱即用的亚秒级更新，Hive-on-HBase允许用户查询该数据。但是，就分析工作负载的实际性能而言，Parquet/ORC之类的混合列式存储格式可以轻松超越HBase，因为这些工作负载主要是读取繁重的工作。Hudi弥补了更快的数据与分析存储格式之间的差距。从运营的角度来看，与管理分析使用的HBase Region服务器集群相比，为用户提供可更快给出数据的库更具可扩展性。最终，HBase不像Hudi这样重点支持提交时间、增量拉取之类的增量处理原语。

流式处理

一个普遍的问题："Hudi与流处理系统有何关系？"，我们将尝试回答。简而言之，Hudi可以与当今的批处理(写时复制存储)和流处理(读时合并存储)作业集成，以将计算结果存储在Hadoop中。对于Spark应用程序，这可以通过将Hudi库与Spark/Spark流式DAG直接集成来实现。在非Spark处理系统(例如Flink、Hive)情况下，可以在相应的系统中进行处理，然后通过Kafka主题/DFS中间文件将其发送到Hudi表中。从概念上讲，数据处理管道仅由三个部分组成：输入，处理，输出，用户最终针对输出运行查询以便使用管道的结果。Hudi可以充当将数据存储在DFS上的输入或输出。Hudi在给定流处理管道上的适用性最终归结为你的查询在Presto/SparkSQL/Hive的适用性。

更高级的用例围绕增量处理的概念展开，甚至在处理引擎内部也使用Hudi来加速典型的批处理管道。例如：Hudi可用作DAG内状态存储类似Flink使用的RocksDB：

https://ci.apache.org/projects/flink/flink-docs-release-1.2/ops/state_backends.html#the-rocksdbstatebackend

这是路线图上的一个项目并将最终以Beam Runner的形式呈现。