开源经验分享 | 如何从一名小白成为Apache Hudi Contributor

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站：https://www.captainai.net/dongkelun

前言

参与Apache Hudi开源有一年多的时间了，马上1024了，虽然距离成为Apache Hudi Commiter还有很遥远的距离，但还是想跟大家分享一下自己的开源经验，讲一下自己如何从开源小白成为Apache Hudi Contributor的。

PR

如何提交PR，可以参考我转载的这篇：一行代码成为Apache Contributor,这篇文章讲述了怎么提交PR，怎么邮箱订阅以及Jira准备等，详细过程我就不再阐述了，这篇文章主要想分享自己的经验。

Contributor

我自己之前连Contributor是啥都不知道，其实只要你向社区提交过代码也就是在GitHub上提过PR并且你的代码被merge了，你就是Contributor了，再往上还有Commiter、PMC等，这些我之前都没听过，一般来说你贡献的代码比较多，比如贡献过一个比较大的模块如Hudi Spark SQL,或者你可以负责一个模块，经过PMC的提名、投票等，通过的话就会成为Commiter了，根据我的经验，当贡献代码行数过万时成为Commiter就比较有希望了，当然不是绝对的。Commiter有专门的Apache 账户，有权限merge代码，至于PMC，大家可以自己去了解。

上面提到当我们提交的代码mere后，我们就是Contributor了，那么怎么确认一下呢。一种方法是在PR的界面上，可以看到Contributor的标识

还可以在Contributor贡献列表中看到自己的名字：https://github.com/apache/hudi/graphs/contributors

当然这里只显示前100名，对于Contributor比较多的项目，我们只提交了一个PR，在这个页面就看不到自己的名字了，就很遗憾，我们可以拉取master最新代码，通过git log等命令模拟这个列表看到自己的名字，当然也可以在git 提交历史中看到自己的PR。而对于比较早期的项目，比如前几年Hudi的贡献者还不到100个，就可以直接看到自己的名字了，再比如现在的Apache Kyuubi项目https://github.com/apache/incubator-kyuubi/graphs/contributors,我只提交了一个PR，就可以看到自己的名字了。

对于第一次参与开源贡献PR的，能在贡献列表中看到自己的名字，还是非常开心的，反正我当时特别开心。

PR规范

对于修改单词拼写错误的也就是示例中的fix typo,我们是不需要在jira中创建issue的，标题就和示例中一样，前面加个[MINOR]即可，而对于修改代码逻辑的比如bug修复、添加新的特性支持，就要在jira里(https://issues.apache.org/jira/projects/HUDI/summary)先建一个issue,然后再在PR标题的前面加上[HUDI-对应的issueId],比如我的第二个PR：https://github.com/apache/hudi/pull/3415,标题为[HUDI-2279]Support column name matching for insert * and update set *，对应的jira为https://issues.apache.org/jira/browse/HUDI-2279。

新建issue时，如下图

我们要填的有：问题类型、概要、模块、描述，问题类型有改进、故障、新功能等，概要就是标题，描述写具体我们要干啥，可以贴代码、异常信息等，也可以先建好之后再写描述，最后选一下分配给我，意思是我们自己认领这个issue，我们会自己提PR解决，当然也可以认领别人建的没有分配的issue。

对于PR的规范除了标题外，如果我们修改的逻辑比较复杂，我们需要写一下我们大概修改了什么，修改的逻辑是啥，当然这里也可以填写问题复现的过程，支持Markdown语法。

对于其他的Apache 项目，比如Spark，除了JIRA ID外还需要填写模块名称比如 [SPARK-32672][SQL]，而有的项目JIRA不是必须的，比如Apache Kyuubi,至少我提交的一个PR是不需要的:https://github.com/apache/incubator-kyuubi/pull/3604

另外PR中的描述和交流都用英语，对于英语不好的，可以通过翻译辅助，开始可能比较困难，有经验了，就不会那么难了 。

代码规范

除了PR规范外，代码格式也是有规范的，每个项目的代码的规范也不太一样，一般的代码格式有空格、tab检查等，还有的import也会检查，Hudi Java代码的import会检查有没有导入.*的，比如java.util.*是不允许的,所以大家修改代码的时候需要注意规范，这样可以提高效率，否则PR的检查不会通过。除了代码格式外，我们还需要添加测试用例来验证我们修改的逻辑，关于怎么写测试用例，我们可以参考源码里其他的测试用例是怎么写的。

PR流程

我们提交了PR后，首先是需要其他的大佬们也就是Commiter或PMC review代码，如果修改的代码逻辑比较简单，且问题比较明显，可能很快就会有人review并且没问题的话就会merge到master了，如果逻辑复杂或者问题不明显或者有争议的可能会比较慢，我们需要慢慢等待，如果比较着急的话，可以主动@一下相关的Commiter或PMC帮忙review。

review的过程中，大佬们对于有疑问的地方，会提出问题让我们解答，对于代码逻辑或者代码规范不合适地方需要我们修改代码再次提交，这个过程可能会重复多次。当修改的没有问题的时候，大佬会先approved these changes

证明他觉得没问题了，可能会立即merge也可能会等其他的大佬再看看，再merge。

cc的意思是看看的意思，应该是see see的简写吧。

approved前后或者merge前后可能会留言LGTM，它是 look good to me的简写，意思是对我来说看起来不错，这可能对于第一次提交PR的人有点陌生，看到这句话我们可以不用回复。而像这样的简写还有很多，慢慢地我们就能知道它们是什么意思了。

Git经验

对于没有review的代码，如果我们需要修改代码重新提交，可以利用git commit --amend命令然后强制提交代码，这样看起来commit会整洁一些，另外可能项目环境不稳定，本来我们提交的代码没有问题，但是测试用例因为环境问题跑失败了，我们需要重新提交代码触发，这样也需要这个命令，这个命令可以不用修改代码，直接强制提交代码。

git commit --amend
## -f 强制提交
git push origin-dkl HUDI-2279 -f

而对于review后，reviewer需要我们修改相关的代码，我们修改后，最好是不用amend，需要提交一个新的commit，并且描述中填写我们修改了什么内容，方便reviewer查看比较我们修改了哪些内容。(这一点我也是最近才知道~)

另外GitHub国内网络不稳定，并且有的公司网连接不上GitHub、Jira等，我们可以用自己手机的热点，这样就可以连接上了。

其他Git相关的问题，可以自己网上搜索解决方案。比如如何解决冲突问题，虽然自己当时提PR时没有冲突，但是随着别人PR合并，可能就有冲突了，这个时候需要我们自己解决冲突。

代码

代码我们一定要基于master最新版，这样不会有冲突，也防止我们要改的内容已经被别人提交过了。

我们要首先学会自己打包源码，比如Hudi

## 默认版本
mvn clean package -DskipTests

## 指定Spark版本
mvn clean package -DskipTests -Dspark3.1 -Dscala-2.12

其他相关命令可以在源码中的README中查看，这样我们可以利用自己打的包验证我们修改的代码有没有问题，因为很多代码在本地是无法验证的，比如同步Hive相关的。

如何找到贡献点

对于刚入门的小白来说，比如当时的我，由于工作原因，写代码并不多，主要打杂（作者之前干过Python机器学习、JSP前后端、VUE纯前端等）或者写sql（大数据方向写sql还是比较多的）,那么该怎么发现比较简单的自己能够贡献的点呢？分享自己的几点经验

• 1、如果工作中用到了Hudi,那么大概率会发现问题，比如一些异常或者哪里不支持等，这样我们就可以根据异常相关信息，带着问题去看源码，看看是不是bug，如果是自己能看懂，并且比较简单就可以修复的话，我们就可以提交PR了，如果问题比较难解决，也没问题，至少我们对于源码多理解了一点，我们再看其他的问题，等我们有能力了再来解决。
• 2、在自己学习时，比如根据官网文档写demo时，发现一些地方不支持或者有问题，可以debug跟一下代码，看看自己是否可以贡献PR。
• 3、学习时对于自己感兴趣的点，比如预合并或者Clean是如何实现的，可能在学习的时候发现代码里的逻辑有问题或者有优化的地方，就可以提交PR了。其实在我们前面总结的几篇文章里可以发现，我在总结时就发现了问题，顺便提了PR，比如：Hudi DeltaStreamer使用总结
• 4、没事就看看别人提交的自己感兴趣的PR，可以给自己一些灵感，或者发现别人提交的PR有bug，并且已经merge了，这样我们不仅可以学习别人提交的代码，也可以增加自己的贡献数。
• 5、没事就拉一下最新代码，比如新版本发布了，我们测试一下新版本有没有bug，因为我们平时自己用的版本，可能很难发现问题了，但是新版的代码因为加了很多新功能等，就会暴露出一些问题。
• 6、有时间可以在GitHub上看一下别人提交的issue，地址：https://github.com/apache/hudi/issues，如果有自己擅长的，也可以尝试提PR解决一下。
• 7、当自己贡献代码比较多了，对代码理解比较深入了，就可以增加一些新的特性了。
• 8、对于一些大厂来说，本身就基于源码开发了很多特性以支持自己的业务，他们会定期贡献到开源社区。对于很多小厂或者项目上用Hudi用的不多的来说，可能就比较难了，但是也可以作为一种思路，可以试着修改源码适应自己的需求，这样在自己的项目中验证没问题后，就可以贡献到社区了。这也就是为啥很多大佬一个PR就可以上万行代码，很快成为commiter的原因，当然他们本身就很强，可能是多个Apache 项目的Commiter。

开源的好处

首先开源是没有钱赚的~

• 1、可以提升自己的代码水平，大佬的review也可以让自己学到很多。
• 2、可以加深自己所用技术的理解，其实很多功能配置参数或者功能特性，网上包括官网资料很少或者没有（更新延迟），当我们熟悉了源码后，我们可以在源码里找到答案，直接解决我们的问题。
• 3、可以给自己的简历加分，我看到很多招聘需求里提到，如果常用的技术组件有贡献代码的话，会加分或者优先考虑，还有大厂直接招这种开源岗位的。
• 4、会认识很多大厂的大佬，认识很多优秀的人，如果想换工作的话，可以找他们内推。
• 5、如果贡献比较多的话，会有大厂的负责人主动加你好友，问你有意向去他们那吗，比如我就被某大厂数据湖负责人加过好友问过面试意向。当然这并不代表我的水平已经能进大厂了，但起码多了一个机会。另外如果我们成为Commiter（主流开源技术）的话，我们进大厂就比较稳妥了，当然其实能够成为Commiter的，已经妥妥的大佬水平了。

相关阅读

• Apache Hudi 入门学习总结
• Hudi Spark SQL总结
• Hudi preCombinedField 总结
• Hudi Spark SQL源码学习总结-Create Table
• Hudi Spark源码学习总结-df.write.format(“hudi”).save
• Hudi Spark源码学习总结-spark.read.format(“hudi”).load
• Hudi Clean 清理文件实现分析
• Hudi Clean Policy 清理策略实现分析
• Hudi源码|bootstrap源码分析总结（写Hudi）