一. 离线 Clustering
异步的 clustering 相对于 online 的 async clustering 资源隔离， 从未更加稳定。
1.1 设置参数
clustering.async.enabled为 false，关闭在线 clustering。clustering.scheduler.enabled仍然保持开启，由写任务阶段性出发 clustering plan。
1.2 原理
一个 clustering 的任务的执行包括两部分:
schedule plan
推荐由写定时出发，写参数clustering.schedule.enabled默认开启。执行对应的plan
1.3 使用方式
1.3.1 执行命令
离线 clustering 需要 手动执行 Java 程序， 程序入口:
hudi-flink1.14-bundle-0.12.0.jarorg.apache.hudi.sink.clustering.HoodieFlinkClusteringJob
// 命令行的方式
./bin/flink run -c org.apache.hudi.sink.clustering.HoodieFlinkClusteringJob lib/hudi-flink1.14-bundle-0.12.0.jar --path hdfs://xxx:8020/table
1.3.2 参数配置
| 参数名 | required | 默认值 | 备注 |
|---|---|---|---|
| --path | true | -- | 目标表的路径。 |
| --clustering-tasks | false | -1 | Clustering task 的并发，默认是待压缩 file group 的数量 |
| --schedule | false | false | 是否要 执行 schedule clustering plan 的操作，当写流程还在持续写入表数据的时候，开启这个参数有丢失查询数据的风险，所以开启该参数一定要保证当前没有任务往表里写数据，写任务的 clustering plan 默认是一直 schedule 的，除非手动关闭(默认 4个 commits 一次 clustering) |
| --seq | false | LIFO | 执行压缩任务的顺序，默认是从最新的压缩plan 开始执行，可选值: LIFO：从最新的plan开始执行； FIFO: 从最老的plan开始执行 |
| --target-file-max-bytes | false | 1024 * 1024 * 1024 | 最大目标文件，默认1GB |
| --small-file-limit | false | 600 | 小于该大小的文件会参与clustering，默认600MB |
| --sort-columns | false | N/A | Clustering 可选排序列 |
| --service | false | false | 是否开启 service 模式，service模式会打开常驻进程，一直监听压缩并提交到 集群执行(从0.11 开始执行) |
| --min-compaction-interval-seconds | false | 600 (单位 秒) | service 模式下的执行间隔，默认10分钟 |
