湖仓一体 hudi hive 湖仓一体 阿里云

本期我们将带来Hologres高性能分析引擎加速查询云数据湖DLF的技术原理解析。

随着云服务被接受的程度不断提升，云用户日益愿意将其收集的数据存储在低成本的对象存储里，比如OSS，S3等。与此同时，基于云的数据管理方式也得到相应的推广，元数据也不断存储在阿里云DLF（Data Lake Formation）上。OSS和DLF的结合成就了一种新的数据湖搭建方式。这种基于云存储的数据湖集累的数据规模也不断增长，相应的湖仓一体的需求也孕育而生。湖仓一体架构基于开放格式的外部存储，以及高性能的查询引擎，让数据架构灵活、可扩展、可插拔。

Hologres在湖仓一体场景上与DLF天然无缝融合，无需数据导入导出就能实现加速查询由DLF管理存储在OSS的数据，全面兼容访问各种DLF支持文件格式，实现对PB级离线数据的秒级和亚秒级交互式分析。而这一切的背后，都离不开Hologres的DLF-Access引擎，通过DLF-Access实现对DLF元数据以及背后的OSS数据进行访问。另外，通过结合Hologres高性能分布式执行引擎HQE的处理，访问DLF/OSS的性能得到进一步提高。

Hologres加速查询DLF/OSS主要有以下几个优势：

• 高性能： 可以直接对DLF/OSS数据加速查询，具有秒级响应的查询性能，在OLAP场景可以直接即席查询，满足绝大多数报表等分析场景。
  低成本： 用户在在DLF/OSS上存储的大量数据，无需迁移和导入数据而由Hologres直接进行访问。在享受云数据湖的低成本基础之上，也避免了数据迁移成本。
  兼容性： 可以实现以高性能和全兼容的方式访问各种DLF文件格式，支持CSV、Parquet、ORC、Hudi、Delta等格式（其中Hudi、Delta在1.3版本支持）。而这些文件格式又是通用数据湖兼容的。

湖仓一体架构介绍

如图所示是Hologres访问DLF/OSS的湖仓一体架构，可以看出整个架构非常简洁：

云数据湖里的数据存储在OSS，元数据存储在DLF。当Hologres执行一条Query去加速查询DLF/OSS的数据时，在Hologres端：

• Frontend接收SQL请求，并对SQL进行解析转化，然后通过RPC向DLF-Access请求获取Meta等相关信息。
• HQE（Hologres Engine）通过DLF-Access获取OSS/DLF具体的数据相关信息，再返回给Frontend。

其中DLF-Access是一个分布式的数据访问引擎，由多个平等进程组成，具备横向扩展能力。任何一个进程都可以完成两种角色：

• 处理Meta相关的请求，主要负责获取表、分区元数据、文件分片等功能。
• 负责具体读取或写入数据请求，涉及列裁剪，数据转换，数据封装等功能。

DLF外表引擎核心技术创新

基于DLF-Access的架构，能做到对DLF/OSS的数据高性能加速查询，主要是基于以下技术创新优势：

1）抽象分布式外表
结合DLF/OSS的分布式特性，Hologres抽象了一个分布式的外表，来支持访问包括传统或云数据湖的数据。

2）和 DLF Meta无缝互通
DLF-Access和Data Lake Formation的 Meta 无缝互通，可以做到 Meta 和 Data 实时获取，支持通过Import Foreign Schema命令，同步DLF的元数据到Hologres的外表，实现外表的自动创建。

3）向量化数据读取及转换
DLF-Access能充分利用数据湖列存文件的特点进行向量化的数据读取及转换，进一步提升性能。

4）返回共享式数据格式
DLF-Access转换后的数据格式为共享式的Apache Arrow格式。Hologres可以直接使用返回的数据，避免额外数据序列化及反序列化的开销。

5）Block模式IO
为了避免网络带来的延迟及负载，DLF-Access和Hologres的内部传输数据单位为block，默认为8192行数据。

6）编程语言隔离
Hologres是用C/C++开发出来的云原生OLAP引擎。DLF云数据湖和传统的开源数据湖高度兼容，而开源数据湖大多提供的是基于Java的库。使用独立的DLF-Access引擎架构可以隔离不同编程语种，即避免了原生引擎和虚拟机之间的高成本转换，又保持了对数据湖灵活多样的数据格式的支持。

DLF外表引擎升级到HQE

上面提到了Hologres通过DLF-Access进行查询加速DLF外表，查询时性能可以做到很好，但是和Hologres交互时中间会有一层RPC 交互，在数据量较大时网络会存在一定瓶颈。
因此基于Hologres已有的能力，Hologres V1.3版本对执行引擎进行了优化，支持Hologres HQE查询引擎直读DLF 表，在性能上得到进一步的提升，较早期版本读取有 30%以上的性能提升。
这主要得益于以下几个方面：

1. 节省了 DLF-Access中间 RPC 的交互，节省了一次额外的数据的重分布，在性能上得到进一步的提升。
2. 复用Hologres的Block Cache，这样多次查询时无需访问存储，避免存储IO，直接从内存访问数据，更好的加速查询。
3. 可以复用已有的Filter Pushdown（下推）能力，减少需要处理的数据量。
4. 在底层的IO层实现了预读和Cache，更进一步加速Scan时的性能。

对事务数据湖（Hudi、Delta）的支持

目前DLF支持了事务数据湖所用的Hudi，Delta等表格式。Hologres利用DLF-Access直接读取这些表中的数据，而不增添任何额外的操作，满足了用户对实时湖仓一体架构的设计需求。

总结

Hologres通过DLF-Access与DLF/OSS深度整合，充分利用Hologres和DLF/OSS的各自优势，以极致性能为目标，直接加速查询云数据湖数据，让用户更方便高效的进行交互式分析，同时也极大降低了分析成本，实现湖仓一体的分析能力。