1. 简介
hudi采用的是mvcc设计，提供了清理工具cleaner来把旧版本的文件分片删除，默认开启了清理功能，可以防止文件系统的存储空间和文件数量的无限增长。
1.1 环境
- flink 0.13.6
- hudi 0.11.0
1.2 清理保留策略
清理旧文件需要考虑数据查询的情况，有些长查询会占用着旧版本的文件，需要设置合适的清理策略来保留一定数量的commit或者文件版本，以提高系统的容错性
- KEEP_LATEST_COMMITS：默认策略，表示保留最后n次提交，默认为10，通过参数hoodie.cleaner.commits.retained或clean.retain_commits(flink)设置
- KEEP_LATEST_FILE_VERSIONS：保留最后n个文件版本，默认为3，通过参数hoodie.cleaner.fileversions.retained设置
- KEEP_LATEST_BY_HOURS：保留最后n小时，默认24小时，通过参数hoodie.cleaner.hours.retained设置，这是0.11版本后新增的
1.3 清理触发策略
目前仅支持一种触发清理的策略：CleaningTriggerStrategy#NUM_COMMITS，即根据提交的次数，默认为1，可以通过设置参数hoodie.clean.max.commits进行修改，在flink job的每次checkpoint时都会进行触发策略的条件判断，所以在两次chekpoint之间发生过1次或n次提交，都会触发清理动作。
2. 清理流程分析
2.1 清理器(cleaner)初始化
清理逻辑是被包装成一个flink sink，在HoodieTableSink#getSinkRuntimeProvider中进行初始化
if (StreamerUtil.needsAsyncCompaction(conf)) {
return Pipelines.compact(conf, pipeline);
} else {
return Pipelines.clean(conf, pipeline);
}
- 如果是mor表且开启了异步合并(compaction.async.enabled)，则创建CompactionCommitSink，继承了CleanFunction，所以包含了清理逻辑，这是由于SQL API中一个SinkRuntimeProvider不支持多个sink.
- 否则，直接将CleanFunction作为sink，这种情况必需启用异步清理配置clean.async.enabled，因为CleanFunction的主要方法都判断了是否为异步清理。
2.2 清理启动入口
- compact成功后同步清理
需要满足条件：1）mor表，2）启用异步合并compaction.async.enabled，3）禁用异步清理clean.async.enabled。入代码在CompactionCommitSink#doCommit中：
if (!conf.getBoolean(FlinkOptions.CLEAN_ASYNC_ENABLED)) {
this.writeClient.clean();
}
- chenpoint时异步清理
需要满足条件：1）非mor表或启用异步合并compaction.async.enabled，2）启用异步清理clean.async.enabled。入口代码在CleanFunction#snapshotState中：
if (conf.getBoolean(FlinkOptions.CLEAN_ASYNC_ENABLED) && !isCleaning) {
this.writeClient.startAsyncCleaning();
this.isCleaning = true;
}
AsyncCleanerService#startService会启动一个线程放到线程池中执行
2.3 清理逻辑执行
清理逻辑的流程控制在基类方法BaseHoodieWriteClient#clean中，主要包含有三个步骤：生成清理计划、刷新ActiveTimeline、执行清理计划
//生成清理计划
scheduleTableServiceInternal(cleanInstantTime, Option.empty(), TableServiceType.CLEAN);
//刷新ActiveTimeline缓存
table.getMetaClient().reloadActiveTimeline();
//执行清理计划
metadata = table.clean(context, cleanInstantTime, skipLocking);
2.3.1 生成清理计划
scheduleTableServiceInternal是通用的方法，根据不同的tableServiceType(clean,compact,archive,cluster)调用对应的ActionExecutor去生成plan，CleanPlanActionExecutor#execute：
if (!needsCleaning(config.getCleaningTriggerStrategy())) {
return Option.empty();
}
return requestClean(instantTime);
先判断是否满足1.3清理触发策略，不满足表示无需清理，否则在CleanPlanActionExecutor#requestClean中生成清理计划：
final HoodieCleanerPlan cleanerPlan = requestClean(context);
table.getActiveTimeline().saveToCleanRequested(cleanInstant, TimelineMetadataUtils.serializeCleanerPlan(cleanerPlan));
- 扫描.hoodie目录结合1.2清理保留策略计算需要保留的最小的HoodieInstant(earliestInstant)，进而找到所有需要清理的分区和分区下的文件(HoodieCleanFileInfo)
- 将清理计划cleanerPlan序列化成arvo文件，并在.hoodie目录保存成xxx.clean.requested文件
2.3.2 刷新ActiveTimeline缓存
因为如果清理计划生成成功，表元数据目录.hoodie下会增加instant[action=clean,state=requested]文件，由于ActiveTimeline频繁被读取，为了避免每次从文件系统加载，需要实时保持内存与文件系统的元数据同步。
2.3.3 执行清理计划
也是调用对应的ActiveExecutor去执行清理，实现在CleanActionExecutor#execute：
List<HoodieInstant> pendingCleanInstants = table.getCleanTimeline().filterInflightsAndRequested().getInstants().collect(Collectors.toList());
pendingCleanInstants.forEach(hoodieInstant -> {
cleanMetadataList.add(runPendingClean(table, hoodieInstant));
table.getMetaClient().reloadActiveTimeline();
});
从ActiveTimeline中过滤状态为requested和inflight的instant，这两个状态都是需要执行清理的
HoodieCleanMetadata runPendingClean(HoodieTable<T, I, K, O> table, HoodieInstant cleanInstant) {
HoodieCleanerPlan cleanerPlan = CleanerUtils.getCleanerPlan(table.getMetaClient(), cleanInstant);
return runClean(table, cleanInstant, cleanerPlan);
}
将instant文件(requested,inflight)反序列化为清理计划，然后进入runClean
private HoodieCleanMetadata runClean(HoodieTable<T, I, K, O> table, HoodieInstant cleanInstant, HoodieCleanerPlan cleanerPlan) {
final HoodieInstant inflightInstant;
if (cleanInstant.isRequested()) {
inflightInstant = table.getActiveTimeline().transitionCleanRequestedToInflight(cleanInstant,TimelineMetadataUtils.serializeCleanerPlan(cleanerPlan));
} else {
inflightInstant = cleanInstant;
}
List<HoodieCleanStat> cleanStats = clean(context, cleanerPlan);
table.getActiveTimeline().transitionCleanInflightToComplete(inflightInstant,TimelineMetadataUtils.serializeCleanMetadata(metadata));
}
- 如果处理的instant状态为requested需要先转换为inflight状态(生成xxx.clean.inflight文件)，表示开始清理。
- 执行清理clean(context, cleanerPlan)，根据清理计划的数据进行文件删除即可，首先删除每个分区下需要清理的文件，然后删除需清理的分区目录，最后收集统计数据返回。
- 清理成功后将infight状态转换为completed状态，表示清理完成。
3. 整体流程图
