一. Hudi数据写流程概述

在Hudi数据湖框架中支持三种方式写入数据：UPSERT（插入更新）、INSERT（插入）和BULK INSERT（批量写入）

1. UPSERT：默认行为，数据先通过 index 打标
   (INSERT/UPDATE)，有一些启发式算法决定消息的组织以优化文件的大小

2. INSERT：跳过 index，写入效率更高

3. BULK_INSERT：写排序，对大数据量的 Hudi 表初始化友好，对文件大小的限制 best effort（写 HFile）

二. upsert写流程

2.1 Copy On Write类型表，UPSERT 写入流程

1. 先对 records 按照 record key 去重；

2. 首先对这批数据创建索引 (HoodieKey => HoodieRecordLocation)；通过索引区分哪些 records 是 update，哪些 records 是 insert（key 第一次写入）；

3. 对于 update 消息，会直接找到对应 key 所在的最新 FileSlice 的 base 文件，并做 merge 后写新的 base file (新的 FileSlice)；

4. 对于 insert 消息，会扫描当前 partition 的所有 SmallFile（小于一定大小的 base file），然后 merge 写新的 FileSlice；如果没有 SmallFile，直接写新的 FileGroup + FileSlice；

2.2 Merge On Read类型表，UPSERT 写入流程

1. 先对 records 按照 record key 去重（可选）

2. 首先对这批数据创建索引 (HoodieKey => HoodieRecordLocation)；通过索引区分哪些 records 是 update，哪些 records 是 insert（key 第一次写入）

3. 如果是 insert 消息，如果 log file 不可建索引（默认），会尝试 merge 分区内最小的 base file （不包含 log file 的 FileSlice），生成新的 FileSlice；如果没有 base file 就新写一个 FileGroup + FileSlice + base file；如果 log file 可建索引，尝试 append 小的 log file，如果没有就新写一个 FileGroup + FileSlice + base file

4. 如果是 update 消息，写对应的 file group + file slice，直接 append 最新的 log file（如果碰巧是当前最小的小文件，会 merge base file，生成新的 file slice）log file 大小达到阈值会 roll over 一个新的

三. insert写流程

3.1 Copy On Write类型表，INSERT 写入流程：

1. 先对 records 按照 record key 去重（可选）；
2. 不会创建 Index；
3. 如果有小的 base file 文件，merge base file，生成新的 FileSlice + base file，否则直接写新的 FileSlice + base file；

3.2 Merge On Read类型表，INSERT 写入流程

1. 先对 records 按照 record key 去重（可选）；
2. 不会创建 Index；
3. 如果 log file 可索引，并且有小的 FileSlice，尝试追加或写最新的 log file；如果 log file 不可索引，写一个新的 FileSlice + base file；

参考:

1. https://hudi.apache.org/docs/overview/
2. https://www.bilibili.com/video/BV1ue4y1i7na/
3. https://yangshibiao.blog.csdn.net/article/details/123124114