译自：Fast Copy-On-Write within Apache Parquet for Data Lakehouse ACID Upserts
传统的写时复制会直接读取并处理(解压解码等)整个文件，然后更新相关数据页并保存为新的文件，但大部分场景下，upsert并不会更新所有数据页，这就导致其做了很多无用功。
文章中引入了一种新的写时复制，它会创建指向Apache Parquet文件的数据页的索引，并跳过不相关的数据页(不会对这部分数据进行解压解码等操作)，以此来加速数据的处理。
术语
- copy-on-write：写时复制
- merge-on-write：读时合并
概述
随着存储表格式的发展，越来越多的公司正在基于Apache Hudi、Apache Iceberg和Delta Lake等工具来构建lakehouse，以满足多种使用场景，如增量处理。但随着数据卷的增加，upsert的运行速度可能会带来一定的影响。
在各种存储表中，Apache Parquet是其中最主要的文件格式。下面我们将讨论如何通过构建二级索引并对Apache Parquet进行一些创新来提升在Parquet文件中upsert数据的速度。我们还会通过性能测试来展示相较传统的Delta Lake和Hudi写时复制的速度(提升3x~20x倍)。
起因
高效的 ACID upsert 对于今天的lakehouse至关重要，一些重要的使用场景，如数据保存和Change Data Capture (CDC)严重依赖ACID upsert。虽然 Apache Hudi, Apache Iceberg 和 Delta Lake中已经大规模采用了upsert，但随着数据卷的增加，其运行速度也在降低(特别是写时复制模式)。有时较慢的upsert会成为消耗时间和资源的点，甚至会阻塞任务的执行。
为了提升upsert的速度，我们在具有行级索引的Apache Parquet文件中引入了部分写时复制，以此来跳过那些不必要的数据页(Apache Parquet中的最小存储单元)。术语"部分"指文件中与upsert相关的数据页。一般场景中只需要更新一小部分文件，而大部分数据页都可以被跳过。通过观察，发现相比Delta Lake和Hudi的传统写时复制，这种方式提升了3~20倍的速度。
Lakehouse中的写时复制
本文中我们使用Apache Hudi作为例子，但同样适用于Delta Lake和Apache Iceberg。Apache Hudi支持两种类型的upserts操作：写时复制和读时合并。通过写时复制，所有具有更新范围内记录的文件都将被重写为新文件，然后创建包含新文件的新snapshot元数据。相比之下，读时合并会创建增量更新文件，并由读取器(reader)进行合并。
下图给出了一个数据表更新单个字段的例子。从逻辑的角度看，对User ID1的email字段进行了更新，其他字段都没变。从物理角度看，表数据存储在磁盘中的单独文件中，大多数情况下，这些文件会基于时间或其他分区机制进行分组(分区)。Apache Hudi使用索引系统在每个分区中定位所需的文件，然后再完整地进行读取，更新内存中的email字段，最后写入磁盘并形成新的文件。下图中红色的部分表示重写产生的新文件。
图1：表upsert的逻辑和物理文件视角
使用Apache Hudi构建大型事务数据湖一文中提到，一些表更新可能会涉及到90%的文件，进而导致重写数据湖中的特定大型表中约100TB的数据。因此写时复制对于很多使用场景至关重要。较慢的写时复制不仅会导致任务运行时间变长，还会消耗更多的计算资源。在一些使用场景中可以观察到使用了相当数量的vCore，等同于花费了上百万美元。
引入行级别的二级索引
在讨论如何在Apache 中提升写时复制之前，我们打算引入Parquet 行级别的二级索引，用于帮助在Parquet中定位数据页，进而提升写时复制。
当首次写入一个Parquet文件或通过离线读取Parquet文件时会构建行级别的二级索引，它会将record映射为[file, row-id]，而不是[file]。例如，可以使用RECORD_ID作为索引key，FILE和Row_IDs分别指向文件和每个文件的偏移量。
图2：Apache Parquet中行级别的索引
在Apache Parquet内部，数据被分为多个row groups。每个row group由一个或多个column chunks构成(column chunk对应数据集中的一列)，然后每个column chunk 会被写成数据页格式。一个block包含多个页，它是访问单个record前必须读取的最小单元。在页内部，除了编码的目录页，每个字段都追加了值、重复级别和定义级别。
如上图所示，每个索引都指向页中record所在的行。使用行级别的索引时，当接收到更新时，我们不仅仅可以快速定位哪个文件，还可以定位需要更新的数据页。使用这种方式可以帮助我们跳过不需要更新的页，并节省大量计算资源，加速写时复制的过程。
Apache Parquet中的写时复制
我们在Apache Parquet中引入了一种新的写时复制方式来加速lakehouse的upserts。我们只对Parquet文件中相关的数据页执行写时复制更新，而对于无关的页，只是将其复制为字节缓存而没有做任何更改。这减少了在更新操作期间需要更新的数据量，并提高了性能。
图3：Apache Hudi传统写时复制和新写时复制的比较
上面展示了新的写时复制和传统的写时复制的处理过程。在传统的Apache Hudi upsert中，Hudi会使用record 索引 来定位需要修改的文件，然后一个record一个record地将文件读取到内存中，然后查找需要修改的record。在应用变更之后，它会将数据写入一个全新的文件中。在读取-修改-写入的过程中，会产生消耗大量CPU周期和内存的任务(如压缩/解压缩，编码/解码，组装/拆分record等)。
为了处理所需的时间和资源消耗，我们使用行级别的索引和Parquet元数据来定位需要修改的页，对于不在修改范围的页，只需要将其作为字节缓存拷贝到新文件即可，无需压缩/解压缩，编码/解码，组装/拆分record等。我们将该过程称为"拷贝&更新"。下图描述了更多细节：
图4：Parquet文件中的新写时复制
性能测试
我们使用传统的TPC-DS 数据方式测试比较了新的写时复制的性能。
我们采用具有相同vCore数量的TPC-DS销售数据和Spark作业的内存设置，并用开箱即用的配置进行了测试。我们对5%~50%的数据进行了更新，然后比较Delta Lake和新的写时复制所花费的时间。对于真实的使用场景来说，50%的数据更新已经足够了。
测试结果表明，新方法的更新速度更快。不同百分比数据的更新场景下都能保证其性能优势。
总结
总之，高效的ACID upserts对今天的lakehouse至关重要。随着Apache Hudi, Delta Lake 和 Apache Iceberg 的广泛采纳，upserts的慢操作也面临挑战，特别是在数据卷不断扩展的情况下。为了解决这个问题，我们在具有行级索引的Apache Parquet文件中引入了部分写时复制，以此来跳过对不需要的数据页的读写。在性能测试中展现了明显的性能优势。该方法使公司能够高效地执行数据删除和CDC，并适用于其他依赖于lakehouse中高效表更新的场景。
