Apache Hudi是什么

• 下一代数仓解决方法，提供高效的upsert和近实时更新
• Hudi提供了表、事务、高效的upsert/delete、高级索引、流摄取服务、数据集群/压缩优化和并发。同时保持数据的开源文件格式
  两种文件格式：parquet、avro
• Apache Hudi不仅非常适合流工作负载，而且还允许创建高效的增量批处理管道
• Apache Hudi可以轻松地在任何云存储平台上使用。Hudi的高性能优化，使分析工作负载更快的任何流行查询引擎：Spark、Flink、Presto、Trino、Hive等

Hudi特性

1、可插拔索引机制支持快速upsert/delete
2、支持增量拉取表变更以进行处理
3、支持事务提交及回滚，并发控制
4、支持spark、presto、trino、hive、flink等引擎的SQL读写
5、自动管理小文件、数据聚簇，压缩，清理
6、流式摄入，内置CDC源和工具
7、内置可扩展存储访问的元数据跟踪
8、向后兼容的方式实现表结构变更的支持

Hudi使用场景

1、近实时写入
减少碎片化工具的使用
CDC增量导入RDBMS数据
限制小文件的大小和数据
2、近实时分析
相对于秒级存储，节省资源
提供分钟级别时效性，支持更高效的查询
Hudi作为lib,非常轻量
3、增量pipeline
区分arrivetime和event time处理延迟数据
更短的调度interval减少端到端延迟（小时–>分钟）==>
4、增量导出
替代部分kafka的场景，数据导出到在线服务器存储 （eg.es）