请描述 Apache Hudi 中实现数据增量读取的方式，并举例说明其典型应用场景。

回答思路

1. 【回答框架 1】Hudi 的增量读取通过表服务生成的时间线（Timeline）和增量文件组实现。核心是记录对表的所有操作（插入、更新、删除），读取时利用增量查询（Incremental Query）指定起始时间戳，获取该时间点之后变更的 commit/compaction 生成的 base 文件和 log 文件。
2. 【回答框架 2】具体实现上，Hudi 提供了三种查询方式：快照查询（Snapshot Query）、增量查询（Incremental Query）和读优化查询（Read Optimized Query）。增量查询通过设置 hoodie.datasource.query.type=incremental 和 hoodie.datasource.read.begin.instanttime 参数，指定起始 instant 时间，即可读取该时间点之后写入的新数据。也可以设置 hoodie.datasource.read.end.instanttime 来限定结束时间。
3. 【回答框架 3】Hudi 的增量查询本质上是基于文件组（FileGroup）的增量文件视图，只返回指定时间范围内发生变更的数据，包括更新和插入的记录。但要注意，增量查询目前不支持跨分区读取，且对于 upsert 类型，需要保证主键唯一性，否则可能出现重复记录。
4. 【回答框架 4】典型应用场景包括：实时数仓中，下游需要消费 Hudi 表中的变更数据（如 CDC 变更捕获），实现数据同步到其他存储或进行实时计算；需要定期从 Hudi 表抽取新增/变更数据到下游系统（如 Elasticsearch、HBase）；以及增量 ETL 处理，避免每次全量加载，提高处理效率。
5. 【关键点 1】Hudi 增量查询通过指定起始时间戳读取该时间点之后的变更数据。
6. 【关键点 2】增量查询使用 hoodie.datasource.query.type=incremental 和 begin.instanttime 参数配置。
7. 【关键点 3】增量读取基于时间线和文件组，返回插入与更新记录，不支持跨分区。
8. 【关键点 4】常见场景包括 CDC 变更捕获、数据同步和增量 ETL。
9. 【易错点 1】增量查询不支持跨分区，若需跨分区读取需自定义处理。
10. 【易错点 2】对于大规模更新，增量查询可能涉及合并大量 log 文件，需关注性能。
11. 【易错点 3】如果主键不唯一，upsert 可能导致重复记录，需在设计表结构时保证主键唯一性。