1. 什么是Alluxio

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

對于用戶應用程序和計算框架，Alluxio提供了快速存儲，促進了作業(yè)之間的數(shù)據(jù)共享和局部性。當數(shù)據(jù)位于本地時，Alluxio可以以內存速度提供數(shù)據(jù)；當數(shù)據(jù)位于Alluxio時，Alluxio可以以計算集群網(wǎng)絡的速度提供數(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)應用與傳統(tǒng)存儲系統(tǒng)之間的差距，擴大了可用的數(shù)據(jù)工作負載集。當同時掛載多個數(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。一個典型的設置由一個主服務器、多個備用服務器和多個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)湖上進行流處理。這兩種原語分別是：

• Update/Delete記錄：Hudi使用細粒度的文件/記錄級別索引來支持Update/Delete記錄，同時還提供寫操作的事務保證。查詢會處理最后一個提交的快照，并基于此輸出結果。
• 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

<property>
  <name>fs.alluxio.impl</name>
  <value>alluxio.hadoop.FileSystem</value>
</property> 

將此依賴添加進工程pom.xml

<dependency>
  <groupId>org.alluxio</groupId>
  <artifactId>alluxio-shaded-client</artifactId>
  <version>2.2.1</version>
</dependency> 

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表結構發(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

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