分类:科技

【Hudi】 Flink → Hudi 实时入湖实战

62 阅读 0 2188 字 · 约 8 分钟

篇 6: Flink → Hudi 实时入湖实战 Hudi 的存储、索引、Timeline、并发控制,每个组件单独看都不复杂。这篇把它们串起来,看一条真实链路:用 Flink 把数据写进 Hudi,在一个场景里把各个概念都过一遍。 场景:订单流水实时入湖 假设有一条 Kafka 流,主题是 orde

【Hudi】 并发控制 — 多个作业同时写怎么办

65 阅读 0 1928 字 · 约 7 分钟

两个写入作业同时往一张表写数据,会不会把对方的数据覆盖掉? 数据模型 先讲 Hudi 的数据模型,因为并发控制的前提是知道每条记录长什么样。 不是所有 Hudi 表都要有主键和分区。 COW 表可以不指定 recordKey,只能做批量追加,每次写入都是新文件。MOR 表必须指定 recordKey

【Hudi】 Timeline — Hudi 的事务日志

75 阅读 0 2709 字 · 约 10 分钟

Hudi 表目录下有个 .hoodie/ 文件夹,里面放的不是数据,是元数据。这套元数据叫 Timeline,是 Hudi 读写一致性的核心。 为什么需要 Timeline Parquet 文件本身是死的——它不会告诉你"我现在是最新版本"还是"已经被更新替代了",也不会告诉你"写我的那个作业成功提

【Hudi】 更新怎么定位 — File Group + Index

62 阅读 0 1290 字 · 约 5 分钟

一条更新来了,Hudi 怎么知道要改哪个文件?这就是 File Group 和 Index 要解决的事。 为什么不能扫全表 最简单的更新方案是:找出所有分区里所有 Parquet 文件,逐个读出来,找到要改的行,写回去。这就是全量重写的逻辑。 - 一张 100GB 的表,改一行也要扫 100GB -

【Hudi】 数据怎么存 — Parquet + Avro + 两种表类型

62 阅读 0 1143 字 · 约 4 分钟

Hudi 没有发明新存储格式,它站在 Parquet 和 Avro 之上。这不是"技术选型",而是刻意为之。 为什么用两种格式 Parquet 是列式文件,读的时候只扫需要的列,跳过滤掉的不读。一张 100 列的表查 3 个字段,Parquet 只读 3% 的数据。 Avro 是行式文件,一行一行写

【Hudi】 Hudi 是什么,解决什么问题

72 阅读 0 707 字 · 约 3 分钟

Parquet、HDFS / 对象存储上的文件,写完就不能改。但业务总是要改 — 用户改了收货地址、订单从"待支付"变成"已发货"、某笔交易被风控标黑。 这些"改一行"的事情落到 Parquet 层,就变成了"重写整个文件"。 传统做法:Hive/Spark OVERWRITE 最直接的思路是 IN

Agent 学习路径(入门到进阶)

59 阅读 0 1053 字 · 约 4 分钟

学习背景 基础:Python + Rust 高级后端、大数据开发 - 基础:Python + Rust 高级后端、大数据开发 环境:国内开发环境 - 环境:国内开发环境 目标:构建复杂 Agent,覆盖面试常见问题 - 目标:构建复杂 Agent,覆盖面试常见问题 时间:每天 1 小时 - 时间:每

Agent的本质

58 阅读 0 702 字 · 约 3 分钟

核心问题:Agent 和 ChatBot 的本质区别是什么? 场景引入:用户说"帮我查一下上周的销售数据,做个分析报告" ChatBot:只能回答"我无法访问你的数据" - ChatBot:只能回答"我无法访问你的数据" Agent:能理解→规划→执行→输出报告 - Agent:能理解→规划→执行→

Java虚拟线程

60 阅读 0 945 字 · 约 4 分钟

什么是虚拟线程 虚拟线程(Virtual Thread)是JDK 21引入的轻量级线程,由JVM调度而非操作系统。 为什么需要虚拟线程 特性 平台线程 虚拟线程 创建成本 高(1MB栈) 低(1KB) 数量上限 数千 数百万 调度 OS内核 JVM 阻塞代价 占用OS线程 自动让出 适合IO密集型:

UDS (Unix Domain Socket)

54 阅读 0 1037 字 · 约 4 分钟

什么是UDS UDS 是一种本地进程间通信机制,通过文件系统路径作为访问端点,实现同一台机器上不同进程间的数据交换。 虽然表现为一个文件路径,但它不是普通文件。文件本身不存储数据,只是内核中 socket 资源的"门牌号"。 为什么需要UDS 对比项 网络Socket UDS 通信范围