Apache Iceberg数据湖基础

Introducing Apache Iceberg

数据湖的演进与挑战

• 传统数据湖（Hive 表格式）的缺陷：
  • 分区锁定：查询必须显式指定分区字段（如 WHERE dt='2025-07-01'）。
  • 无原子性：并发写入导致数据覆盖或部分可见。
  • 低效元数据：LIST 操作扫描全部分区目录（云存储成本高）。
• Iceberg 的革新目标： 解耦计算引擎与存储格式（支持 Spark/Flink/Trino 等）；提供 ACID 事务、模式演化和分区演化能力。

Iceberg 核心设计目标

• ACID 事务
  • 基于快照的隔离：写入生成新快照，查询读取历史一致性视图。
  • 乐观锁并发控制（OCC）：冲突时自动重试或报错。
• 模式演化（Schema Evolution）：安全地新增/重命名/删除列（无需重写数据文件）；向后兼容：旧查询可读新数据。
• 分区演化（Partition Evolution）：动态修改分区策略（如从 月 改为 天），旧查询无需改写。
• 隐藏分区（Hidden Partitioning）
  • 表定义分区变换（如 hours(timestamp)）。
  • 写入时自动计算分区值并记录在元数据中。
  • 查询时引擎根据 WHERE 条件过滤分区（用户无需知道分区字段名）。

设计目标

快照隔离

ACID 事务

乐观并发控制

模式演化

安全列变更

分区演化

动态分区布局

Iceberg 架构分层

• Catalog 层：存储表的位置和元数据指针（支持 Hive/Nessie/JDBC）。
• 元数据层：
  • 元数据文件（Metadata JSON）：记录当前快照指针、模式、分区信息。
  • 清单列表（Manifest List）：快照包含的所有清单文件及其统计信息。
  • 清单文件（Manifest File）：列出数据文件路径、分区范围、行数等统计信息。
• 数据层：实际存储文件（Parquet/ORC/Avro），按分区组织。

Metadata Layer

ManifestList

Metadata

ManifestFile

Catalog

DataFile

Parquet

ORC

Avro

Iceberg vs. 其他表格格式

特性	Apache Iceberg	Delta Lake	Apache Hudi
ACID 支持	✅ 快照隔离	✅ 事务日志	✅ 时间轴管理
分区演化	✅ 无需重写数据	❌ 需重写数据	⚠️ 部分支持
计算引擎耦合	❌ 解耦（通用API）	⚠️ 强依赖 Spark	⚠️ 强依赖 Spark/Flink
云存储优化	✅ 避免 LIST 操作	⚠️ 依赖元存储	⚠️ 依赖元存储

Iceberg表结构规范

元数据层级结构

• Catalog：表入口点（如 Hive/Nessie），存储最新元数据文件位置
• Metadata File (JSON)：当前快照ID；表模式（Schema）；分区规范（Partition Spec）；历史快照列表。
• Manifest List (Avro)：快照包含的所有清单文件路径；每个清单文件的分区范围统计。
• Manifest File (Avro)：数据文件路径列表；文件格式（Parquet/ORC/AVRO）；列级统计（min/max/null计数）；文件所属分区。
• Data File：实际数据文件（列式存储）

指向

包含

包含

包含

引用

列出

列出

引用

引用

引用

Catalog

Metadata File
v1.metadata.json

Current Snapshot ID

Schema

Partition Spec

Manifest List
snap-123456.avro

Manifest File 1.avro

Manifest File 2.avro

Data File 1.parquet

Data File 2.parquet

Data File 3.parquet

快照（Snapshot）机制

• 快照：数据表在特定时间点的完整状态。
• 关键属性
  • snapshot-id：唯一标识符
  • timestamp-ms：创建时间戳
  • manifest-list：关联的清单列表位置
• 快照生成：每次写操作（INSERT/UPDATE/DELETE）生成新快照。
• 支持时间旅行：SELECT * FROM tbl TIMESTAMP AS OF '2025-07-01 10:00:00'。

Manifest File

• 清单文件：元数据核心载体（Avro格式）
• 文件位置：云存储路径。
• 统计信息：行数（record_count）；文件大小（file_size）；列级最小值/最大值；空值计数（null_value_counts）。
• 分区数据：实际分区值。

数据文件（Data File）格式

• Parquet（默认推荐）：列式存储；高效压缩；谓词下推优化。
• ORC：ACID 原生支持；更好的 Hive 兼容性。
• Avro：行式存储；模式演化友好。

基于Spark的Iceberg表操作

表创建与配置

• 创建方式
  • Spark SQL：CREATE TABLE db.table...
  • DataFrame API：df.writeTo('db.table').create()
  • DDL命令：ALTER TABLE... SET TBLPROPERTIES
• 高级配置：
  • format-version：指定元数据版本（1/2）。
  • write.target-file-size-bytes：控制文件大小（默认512MB）。
  • write.metadata.delete-after-commit.enabled：自动清理元数据。

数据写入模式

• INSERT INTO：INSERT INTO table FROM source

• MERGE INTO：

  MERGE INTO table t
  USING updates u ON t.id = u.id
  WHEN MATCHED THEN UPDATE SET *
  WHEN NOT MATCHED THEN INSERT *
  

• COPY FROM：COPY INTO table FROM '/path/raw_data.parquet' FILE_FORMAT = (TYPE = PARQUET)

时间旅行查询

• VERSION AS OF [sid]：按快照ID查询。
• TIMESTAMP AS OF [ts]：按时间戳查询。

模式演化

模式演化的核心原则

• 向后兼容（Backward Compatibility）：旧查询能读取新schema写入的数据。
• 向前兼容（Forward Compatibility）：新查询能读取旧schema写入的数据。
• Iceberg 保证：所有演化操作均保持向后兼容。

列操作

• 添加列：立即生效，无需重写数据文件；旧数据自动填充 null；可指定默认值：ADD COLUMN level INT DEFAULT 1。

• 重命名列

  • 操作限制：不能重命名分区列;需保证向前/向后兼容（新名称和旧名称在元数据中共存）。

  • 底层原理：在元数据中添加 rename 记录（保留原始列ID）；查询时自动映射：旧查询用旧名，新查询用新名。

• 删除列：标记列为 dropped（仍存于元数据）；数据文件保留该列（物理未删除）；运行 OPTIMIZE 后物理移除。

• 类型提升（Type Promotion）

  • 整型：int → long
  • 浮点型：float → double
  • Decimal：扩大精度（decimal(10,2) → decimal(20,2)）

• 嵌套结构演化

  • 支持操作：在 Struct 中添加/重命名/删除字段；修改 Map 的 value 类型；扩展 Array 元素类型。

Partitioning and Sorting

分区基础与类型

• 时间分区（最常用）：根据数据写入时间进行分区，days/months/hours。
• 范围分区（指标）：根据数据范围进行数据分区，如粉丝数、播放量指标等。
• 桶分区（高基数列）：对字段值进行哈希映射分桶进行数据分区，尤其是id等高基数字段。
• 值分区（枚举值）：根据字段枚举值进行数据分区，如性别、年龄段等。
• 截断分区（字符串优化）：截取字符串子串进行数据分区。

隐藏分区（Hidden Partitioning）

• 传统分区问题：用户需知道分区列名：WHERE partition_col='value'。

• Iceberg 方案：

  • 表定义分区转换：PARTITIONED BY days(event_time)。

  • 引擎自动转换：WHERE event_time > X → 分区值过滤。

  • 完全透明： 用户只需用业务列查询。

排序优化技术

• 多维排序（Z-Order）：将多列值映射到Z形空间曲线，保证多列值相近的行物理相邻。

技术	适用场景	优势	限制
单列排序	强过滤单列查询	简单高效	其他列无序
Z-Order	2-4列组合过滤	多维数据局部性	列数增加效果下降
希尔伯特曲线	极高维数据	比Z-Order更高维优化	计算开销大

分区与排序决策树

• 分区选择原则：一级分区——时间（过滤量最大）；二级分区——桶分区（分散热点）。
• 排序选择原则：1列——简单排序；2-4列——Z-Order。

Table Evolution

快照管理（Snapshot Management）

• 清理快照：CALL system.expire_snapshots('db.table', TIMESTAMP [date]);
• 回滚快照：CALL system.rollback_to_snapshot('db.table', [ts]);
• 保留策略：
  • 默认保留：至少1个历史快照.
  • 配置参数：snapshot.expire.age.ms（自动过期时间）

分支（Branch）与标签（Tag）

• 分支操作

  • 创建开发分支：ALTER TABLE table CREATE BRANCH dev AS OF VERSION 1;

  • 分支写入数据：INSERT INTO dev VALUES (...);

  • 合并到主分支：MERGE INTO main t USING dev s ON t.id = s.id WHEN NOT MATCHED THEN INSERT *;

• 标签管理

  • 创建生产标签：ALTER TABLE table CREATE TAG v1 AS OF VERSION 1;
  • 查询标签数据：SELECT * FROM table VERSION AS OF 'v1';

数据同步（Hive → Iceberg）

• 元数据转换：将Hive Metastore元数据转为Iceberg格式。
• 数据注册：将现有数据文件注册到Iceberg元数据。
• 验证：数据完整性检查（行数、校验和）。
• Spark迁移命令：ALTER TABLE hive_table CONVERT TO ICEBERG;

演化操作决策树

恢复数据

实验开发

版本标记

Hive迁移

性能调优

存储优化

变更类型

快照回滚

分支操作

标签管理

表转换

属性修改

元数据维护

rollback_to_snapshot

CREATE/INSERT BRANCH

CREATE TAG

CONVERT TO ICEBERG

SET TBLPROPERTIES

rewrite_manifests