官宣！Amazon EMR正式支持Apache Hudi

​Apache Hudi是一个开源的数据管理框架，其通过提供记录级别的insert, update, upsert和delete能力来简化增量数据处理和数据管道开发。Upsert指的是将记录插入到现有数据集中（如果它们不存在）或进行更新（如果它们存在的话）的功能。通过高效管理Amazon S3中数据的布局方式，Hudi允许近乎实时地提取和更新数据。Hudi维护在数据集上所执行的操作的元数据，以确保这些操作的原子性和一致性。
Hudi可与Apache Spark、Apache Hive和Presto集成在一起。在Amazon EMR 5.28.0和更高版本中，Amazon EMR在安装Spark，Hive或Presto时会默认安装Hudi组件。这样就可以使用Spark或Hudi提供的 DeltaStreamer来创建或更新Hudi数据集，便可以使用Hive、Spark或Presto交互式地查询Hudi数据集，还可以进行增量拉取以构建数据处理管道（增量拉取是指仅提取两次操作之间发生变化的数据的能力）。
上述功能将使得 Hudi 适用于以下场景：

• 使用来自传感器和其他的物联网（IoT）设备，需要特定数据插入和更新事件的流数据。

• 遵守数据隐私规定，用户可能会选择忘记或修改他们对应用程序如何使用数据的协议。

• 实现变更数据捕获（Change Data Capture）系统，可以随时间将变更应用于数据集。

随Amazon EMR 5.28.0安装的Hudi版本为0.5.0-incubating。值得注意的是：0.5.0-incubating版本是Hudi社区近一个月内发布的第一个Apache Release版本。Hudi才加入Apache孵化器大半年时间，就以非常惊人的速度被AWS EMR团队集成进5.28.0发布版，这也是Amazon EMR支持的开源项目里唯一一个还处于孵化阶段的项目。至此，已有Uber与Amazon两大巨头使用Hudi，这也充分证明了数据湖方向的火热以及Hudi未来可与Delta Lake形成两强相争的对峙局面。