clustering任务卡在pending因需外部调度且满足三前提：启用clustering、存在待聚类小文件、无运行中compaction/clustering；常见误以为配置开启即自动执行。
Clustering 任务为什么总卡在 PENDING 状态
因为 Hudi 的 clustering 不是自动触发的，它依赖外部调度器显式提交，且必须满足三个前提：表已启用 clustering（hoodie.clustering.enable=true），存在待聚类的文件组（即有新写入但未重分布的小文件），且当前没有正在运行的 compaction 或 clustering 任务。常见错误是误以为开启配置后会自动跑——其实只是“允许被调度”，不是“自动调度”。
实操建议：
- 检查
hoodie.clustering.inline是否为false（推荐关掉内联，避免阻塞写入） - 用 Spark SQL 查看待聚类计划：
DESCRIBE TABLE EXTENDED <db>.<table>，关注 <code>hoodie.clustering.plan.strategy.class和实际生成的.hoodie/.aux/clustering/下是否有 plan 文件 - 确认调度器（如 Airflow、DolphinScheduler）提交的是
spark-submit命令，且含--conf hoodie.clustering.async.enabled=true和正确--class org.apache.hudi.utilities.HoodieClusteringJob - 先清空残留计划：
hdfs dfs -rm -r <base-path>/.hoodie/.aux/clustering/*</base-path>（或对应云存储路径） - 查当前锁状态：
hdfs dfs -ls <base-path>/.hoodie/.temp/</base-path>，删掉非空的 compaction/clustering 目录 - 调度时错开时间窗口：比如 clustering 定在凌晨 2 点，compaction 定在凌晨 4 点，中间留至少 30 分钟 buffer
- 禁用自动 compaction（
hoodie.compact.inline=false），全部交由异步任务控制，避免写入链路意外触发 - DAG 中用
BashOperator调spark-submit，别用SparkSubmitOperator（它对 --conf 解析不稳定） - 必传参数包括：
--conf hoodie.clustering.execute.inline=false、--conf hoodie.clustering.target.io.rate.bytes.per.second=50000000（防带宽打满）、--conf hoodie.clustering.max.num.groups=4（控并发） - 加
--driver-java-options "-Dlog4j2.configurationFile=file:///path/to/log4j2.xml"，否则集群日志里看不到 clustering 进度 - 设置
retries=1，但retry_delay=timedelta(minutes=5)——clustering 失败多因资源争抢，等几分钟再试更有效 - 调低目标文件大小：
--conf hoodie.clustering.plan.strategy.target.file.max.bytes=134217728（128MB） - 改用时间窗口策略：
--conf hoodie.clustering.plan.strategy.class=org.apache.hudi.client.clustering.plan.strategy.SparkRecentDaysClusteringPlanStrategy，配合--conf hoodie.clustering.plan.strategy.days.with.data=3，只聚最近三天数据，减少跨分区干扰 - 观察
hoodie.clustering.plan.strategy.sort.columns是否设了业务主键——没排序的聚类等于白干，小文件物理位置依然散
Compaction 任务失败报 “Cannot schedule compaction when clustering is running”
这是 Hudi 0.12+ 的强互斥机制：compaction 和 clustering 共享同一把表级锁（.hoodie/.temp/compaction 目录），哪怕只是 pending 状态的 clustering 计划没清理干净，也会阻塞后续所有 compaction。不是 bug，是设计使然——避免小文件重分布和日志合并同时修改同一文件组。
实操建议：
Airflow 中调度 clustering 任务的 DAG 写法要点
直接调 spark-submit 最稳，别用 Hudi 自带的 HoodieDeltaStreamer 包裹 clustering——它不支持传 clustering 参数。关键不是“怎么写 DAG”，而是“怎么传参不丢”。
实操建议：
Clustering 后 Parquet 小文件反而更多了？
默认策略（org.apache.hudi.client.clustering.plan.strategy.SparkSizeBasedClusteringPlanStrategy）只按大小合并，但若输入文件本身都小于 hoodie.clustering.plan.strategy.target.file.max.bytes（默认 1GB），它就每 3 个文件一组生成一个新文件，结果 100 个小文件 → 34 个中等文件 → 可能还是太多。这不是异常，是策略没配对。
实操建议：
真正难的不是跑起来，是每次调整参数后得进 .hoodie/archived/ 翻 commit timeline，确认 clustering commit 类型是 CLUSTER 而不是 COMMIT，否则说明根本没生效。
