基于Delta lake、Hudi格式的湖仓一体方案

简介： Delta Lake 和 Hudi 是流行的开放格式的存储层，为数据湖同时提供流式和批处理的操作，这允许我们在数据湖上直接运行 BI 等应用，让数据分析师可以即时查询新的实时数据，从而对您的业务产生即时的洞察。MaxCompute 在湖仓一体架构中，通过支持 Delta Lake 和 Hudi 在数据湖中提供数据仓库性能。

本文作者 孟硕 阿里云智能 产品专家

一、最佳实践背景

整个最佳实践是基于MaxCompute的湖仓一体架构，模拟公司使用场景。比如公司 A 使用云上关系型数据库 RDS 作为自己的业务库，同时使用阿里云 EMR 系统做日志数据采集。将数据汇集到云上对象存储 OSS 上，引入了数据湖常会用的存储机制 Delta Lake 和 Hudi 为数据湖提供流处理、批处理能力。通过 MaxCompute 查询到实时数据，即时洞察业务数据变化。 整个场景demo的架构是，云上EMR产生的实时变化的数据，包括在线数据库RDS，通过数据入湖，然后实时的把数据变化体现在归档的OSS 上。同时MaxCompute跟其他引擎一起分析OSS上的数据。

湖仓一体架构：异构数据平台融合

因为企业内部会有很多业务线，不同的部门，因为本身业务的需求及员工的技术栈几个方面的原因，导致采用的数据架构不一样，数据平台也不一样。技术架构有Hadoop技术体系，也有云上全托管架构，所以造成不同的部门对技术架构，使用的技术平台不一样，也造成了数据割裂的情况。湖仓一体就是帮助企业把异构数据平台做一个打通，底层数据可以相互访问，中间元数据层也可以做到互相透视，数据可以做到自由流动。数据湖部分不只是支持EMR，也支持ESC Hadoop和云下IDC Hadoop。其中MaxCompute数据仓库也可以和数据湖EMR做一个数据打通，在用MaxCompute跟联播数据源做一个联播查询，这样可以把所有的数据在MaxCompute中做一个汇总。比如有三张表，在RDS和Hive中，同事MaxCompute里有大量事实表，如果需求是对这个三个表做一个联合查询，通过这个架构，可以很方便的做到这一点。

更快的业务洞察

• DataWorks 自助开通湖仓一体：5分钟打通异构数据平台（Hadoop/ DLF+OSS ）

更广泛的生态对接

• 支持对接阿里云云原生数据湖构建（DLF）
• 支持查询 DeltaLake、Hudi 格式
• 支持对接更多外部联邦数据源 Hologres （RDS、HBaseUpcoming！ ）

更高的性能

• 智能 Cache 实现 OSS/ HDFS 数据访问加速
• 湖数据查询加速

更好的综合数据开发与治理

• 跨