大数据学习笔记2：现代数据湖之Iceberg

本文首发于泊浮目的：https://www.jianshu.com/u/204b8aaab8ba

版本	日期	备注
1.0	2021.6.20	文章首发

最近Iceberg有点小火，在这里也是根据自己看到的资料做个笔记输出一下。

数据湖的定义就不说了，不了解的小伙伴可以看我之前做的笔记大数据学习笔记1：数仓、数据湖、数据中台。

1. 数据湖发展现状

• 从广义上来说数据湖系统主要包括数据湖村处和数据湖分析
• 现有数据湖技术主要由云厂商推动，包括基于对象存储的数据湖存储及在其之上的分析套件
  • 基于对象存储（S3，WASB）的数据湖存储技术，如Azure ADLS，AWS Lake Formation等
  • 以及运行在其上的分析工具，如AWS EMR，Azure HDinsight，RStudio等等

2. 业界趋势

• 构建统一、高效的数据存储以满足不同数据处理场景的需求已成为趋势

  • ETL作业和OLAP分析——高性能的结构化存储，分布式能力
  • 机器学习训练和推理——海量的非结构存储，容器挂载能力

• 通用数仓（Hive、Spark）在向数据湖分析泛化，而数仓则向高性能架构演进

3. 现代数据湖的能力要求

• 支持流批计算
• Data Mutation
• 支持事务
• 计算引擎抽象
• 存储引擎抽象
• 数据质量
• 元数据支持扩展

4.常见现代数据湖技术

• Iceberg
• Apache Hudi
• Delta Lake

总的来说，这些数据湖都提供了这样的一些能力：

1. 构建于存储格式之上的数据组织方式
2. 提供ACID能力，提供一定的*事务特性和并发能力8
3. 提供行级别的数据修改能力
4. 确保schema的准确性，提供一定的schema修改能力

一些具体的对比可以看这张图：

5. Iceberg

我们先看看Iceberg的官网是如何介绍它的：

Apache Iceberg is an open table format for huge analytic datasets. Iceberg adds tables to Trino and Spark that use a high-performance format that works just like a SQL table.

我的理解是，Iceberg以表的形式来组织底层数据，并对上面提供了高性能的表级别计算能力。

它的核心思想就是在时间轴上跟踪表的所有变化：

• 快照表示表数据文件的一个完整集合
• 每次更新操作会生成一个新的快照

目前已知在用的Iceberg的大厂：

• 国外：Netflix、Apple、Linkined、Adobe、Dremio
• 国内：腾讯、网易、阿里云

5.1 Iceberg的优势

• 写入：支持事务，写入即可见；并提供upset/merge into的能力
• 读取：支持以流的方式读取增量数据：Flink Table Source以及Spark Struct streaming都支持；不惧怕Schema的变更
• 计算：通过抽象不绑定任何引擎。提供原生的Java Native API，生态上来说，目前支持Spark、Flink、Presto、Hive
• 存储：对底层存储进行了抽象，不绑定于任何底层存储；支持隐藏分区和分区进化，方便业务进行数据分区策略；支持Parquet，ORC，Avro等格式来兼容行存储和列存储

5.2 特性

5.2.1 快照设计方式

• 实现基于快照的跟踪方式
  • 记录表的结构，分区信息，参数等
  • 跟踪老的快照以确保能够最终回收
• 表的元数据是不可修改的，并始终向前迭代
• 当前的快照可以回退

5.2.2 元数据组织

• 写操作必须：
  • 记录当前元数据的版本-Base Version
  • 创建新的元数据以及mainfest文件
  • 原子性地将base version替换为新的版本
• 原子性替换保证了线性的历史
• 原子性的替换需要依靠以下操作来保证
  • 元数据管理器所提供的能力
  • HDFS或是本地文件系统所提供的原子化的rename能力
• 冲突解决——乐观锁
  • 假定当前没有其他的写操作
  • 遇到冲突则基于当前最新的元数据进行重试

5.2.2 事务性提交

• 写操作必须
  • 记录当前元数据的版本-base version
  • 创建新的元数据以及mainfest文件
  • 原子性地将base version替换成新的版本
• 原子性替换保证了线形的历史
• 原子性替换需要依靠以下操作来保证
  • 元数据管理器提供的能力
  • HDFS或是本地文件系统所提供的原子化的rename能力
• 冲突解决-乐观锁
  • 假定当前没有其他的写操作
  • 遇到冲突则基于当前的最新元数据进行重试

5.3场景

5.3.1 CDC数据实时摄入摄出

这里要讨论的是关系型数据库的binlog如何去做分析。在hadoop生态里，对这个场景一般是不怎么友好的。

最常见的方式是写到hive里，标记这是binlog，并声明它的类型（I,U,D），然后再跑个批量任务到存量表里。但hive只能做到小时级别的分区，但iceberg可以做到1分钟内。

5.3.2 近实时场景的流批一体

在lambda架构中，会分为实时链路和离线链路。主要技术栈非常复杂，如果能够接受准实时（30s~1min）的延迟，iceberg是可以胜任的。