1. 什么是Alluxio

Alluxio為數(shù)據(jù)驅(qū)動型應(yīng)用和存儲系統(tǒng)構(gòu)建了橋梁, 將數(shù)據(jù)從存儲層移動到距離數(shù)據(jù)驅(qū)動型應(yīng)用更近的位置從而能夠更容易被訪問。這還使得應(yīng)用程序能夠通過一個公共接口連接到許多存儲系統(tǒng)。Alluxio內(nèi)存至上的層次化架構(gòu)使得數(shù)據(jù)的訪問速度能比現(xiàn)有方案快幾個數(shù)量級。

對于用戶應(yīng)用程序和計算框架，Alluxio提供了快速存儲，促進(jìn)了作業(yè)之間的數(shù)據(jù)共享和局部性。當(dāng)數(shù)據(jù)位于本地時，Alluxio可以以內(nèi)存速度提供數(shù)據(jù)；當(dāng)數(shù)據(jù)位于Alluxio時，Alluxio可以以計算集群網(wǎng)絡(luò)的速度提供數(shù)據(jù)。第一次訪問數(shù)據(jù)時，只從存儲系統(tǒng)上讀取一次數(shù)據(jù)。為了得到更好的性能，Alluxio推薦部署在計算集群上。

對于存儲系統(tǒng)，Alluxio彌補了大數(shù)據(jù)應(yīng)用與傳統(tǒng)存儲系統(tǒng)之間的差距，擴(kuò)大了可用的數(shù)據(jù)工作負(fù)載集。當(dāng)同時掛載多個數(shù)據(jù)源時，Alluxio可以作為任意數(shù)量的不同數(shù)據(jù)源的統(tǒng)一層。

Alluxio可以被分為三個部分：masters、workers以及clients。一個典型的設(shè)置由一個主服務(wù)器、多個備用服務(wù)器和多個worker組成?？蛻舳擞糜谕ㄟ^Spark或MapReduce作業(yè)、Alluxio命令行等與Alluxio服務(wù)器通信。

    

2. 什么是Apache Hudi

Apache Hudi使得您能在hadoop兼容的存儲之上存儲大量數(shù)據(jù)，同時它還提供兩種原語，使得除了經(jīng)典的批處理之外，還可以在數(shù)據(jù)湖上進(jìn)行流處理。這兩種原語分別是：

• Update/Delete記錄：Hudi使用細(xì)粒度的文件/記錄級別索引來支持Update/Delete記錄，同時還提供寫操作的事務(wù)保證。查詢會處理最后一個提交的快照，并基于此輸出結(jié)果。
• 變更流：Hudi對獲取數(shù)據(jù)變更提供了一流的支持：可以從給定的時間點獲取給定表中已updated/inserted/deleted的所有記錄的增量流，并解鎖新的查詢姿勢（類別）

    

3. 步驟

3.1 環(huán)境準(zhǔn)備

參考官網(wǎng)安裝搭建alluxio環(huán)境 

3.2 執(zhí)行

在hudi可以加載到的cores-site.xml 文件里面追加此配置

  fs.alluxio.impl
  alluxio.hadoop.FileSystem
 

將此依賴添加進(jìn)工程pom.xml

  org.alluxio
  alluxio-shaded-client
  2.2.1
 

用戶可以把jar包放在spark可以加載的地方或者通過以下方式引入

--jars alluxio-shaded-client-2.2.1.jar 

這時只需要把數(shù)據(jù)寫入alluxio即可，使用deltastreamer的使用需要如下配置

--target-base-path alluxio://........ 

完成上述步驟就已經(jīng)完成了把hudi數(shù)據(jù)寫入了alluxio的工作。事實上這個時候數(shù)據(jù)還未從hdfs加載到alluxio，需要查詢一次即可；查詢不同的hudi視圖方式

• 可以使用hive sql查詢。使用命令查詢hive表結(jié)構(gòu)發(fā)現(xiàn)loaction已經(jīng)指向了alluxio
• 可以使用spark sql查詢。     spark.read.format("org.apache.hudi").option(xxx).load("alluxio://")

3.3 驗證

驗證在未進(jìn)行查詢的時候數(shù)據(jù)不會加載進(jìn)alluxio，in-alluxio是0%，當(dāng)進(jìn)行一次查詢之后數(shù)據(jù)從hdfs加載進(jìn)alluxio，in-alluxio大于0%。