Automatic Hudi Cleaning操作说明

自动Hudi清理是Apache Hudi的一个功能，用于自动删除旧的、不再需要的数据集版本，这种清理基于配置的策略，可以定期或在数据写入时执行。

1. 配置Hudi清理策略

要配置Hudi清理策略，您需要在Hudi表的Spark SQL创建语句中指定HudiTableSink选项，以下是一个示例：

 CREATE TABLE hudi_table (   ... ) USING org.apache.hudi.spark.HoodieSparkSqlQueryableDataSource OPTIONS (   'hoodie.data.publisher'='org.apache.hudi.spark.datasource.write.DataWriterFactory',   'hoodie.cleaner.commits.retained.time'='1d',   'hoodie.cleaner.min.commits'='5',   'hoodie.cleaner.enable'='true',   'hoodie.cleaner.schedule'='10 mins',   'hoodie.cleaner.policy'='COMPACTION' ); 

在这个例子中，我们配置了以下策略：

hoodie.cleaner.commits.retained.time: 保留最近1天的所有提交（即不会删除这些提交）。

hoodie.cleaner.min.commits: 至少保留5个提交，即使它们的时间戳比hoodie.cleaner.commits.retained.time更老。

hoodie.cleaner.enable: 启用自动清理。

hoodie.cleaner.schedule: 每10分钟进行一次清理。

hoodie.cleaner.policy: 使用COMPACTION策略进行清理。

2. 启动Hudi清理

一旦配置了清理策略，Hudi将在后台自动执行清理任务，如果您想手动触发清理，可以使用以下命令：

 CALL system.hudi_clean('hudi_table'); 

这将立即执行清理操作，而不是等待下一个计划的清理周期。

3. 监控和调试Hudi清理

要监控和调试Hudi清理，您可以查看Hudi表的提交历史和清理历史，以下是一些有用的查询：

查看所有提交：

 SELECT * FROM hudi_table.hoodie_commits; 

查看所有清理：

 SELECT * FROM hudi_table.hoodie_cleans; 

查看当前保留的提交：

 SELECT * FROM hudi_table.hoodie_retained_commits; 

通过这些查询，您可以了解Hudi清理是否按预期工作，以及是否需要调整清理策略。