第一章 Iceberg入门介绍

1、Iceberg简介

• 本质：一种数据组织格式
  

1.1、应用场景

①面向大表：单表包含数十个PB的数据

②分布式引擎非必要：不需要分布式SQL引擎来读取或查找文件

③高级过滤：使用表元数据，使用分区和列级统计信息修建数据文件

1.2、集成方式：通过Lib与Flink、Spark集成。

​ Icrbeg非常轻量级，与Flink、Spark整合时通过一个Jar包整合。

2、数据存储文件解析

• 核心：每一个对表产生改变的操作commit后，都会产生一份新的metadata files，这包括一个vN.metadata.json + 一个manifest list(例如：snap-242516093407225541-1-4bbf0565-406b-428a-aad7-e32993df0fef.avro) + 一个或多个manifest file(例如：4bbf0565-406b-428a-aad7-e32993df0fef-mN.avro)
  
• 下图为Iceberg的表格式：
  • Ⅰ、s0、s1代表的是表Snapshot信息，每个表示当前操作的一个快照，每次Commit都会生成一个快照Snapshot。
  • Ⅱ、每个Snapshot快照对应的一个manifest list元数据文件。
  • Ⅲ、每个manifest list包含多个Manifest元数据文件。
  • Ⅳ、每个Manifest中记录了当前操作生成数据所对应的文件地址，也就是data file地址。

2.1、元数据层

①Snapshot（表快照）

• 文件描述：snap-xxxx.avro，当生成一个parquent文件时生成一个快照

​ 快照代表一张表在某个时刻的状态。每个快照里面会列出表在某个时刻的所有data files列表。data files是存储在不同manifest files里面，manifest files是存储在一个Manifest list文件里面，一个Manifest list文件代表一个快照。

②manifest list（清单列表）

​ manifest list是一个元数据文件，它列出构建快照（Snapshot）的清单（Manifest file）。这个元数据文件中存储的是Manifest file列表，每个Manifest file占据一行，每行中存储了Manifest file的路径、其存储的数据文件（data files）的分区范围，增加了几个数据文件、删除了几个数据文件等信息。

注意事项：相关统计信息可以在扫描表数据时过滤掉不必要的文件。

③manifest file（清单文件）

• 文件描述：XXX-m0.avro，每当生成一个parquent文件时生成一个快照。

​ Manifest file是一个元数据文件，它列出了组成快照（Snapshot）的数据文件（data files）的列表信息。每行都是每个数据文件的详细描述，包括数据文件的状态、文件路径、分区信息、列级的统计信息（比如每列的最大最小值、空值数等）、文件的大小以及文件里面数据行数等信息。

• 注意事项：其中列级别的统计信息可以在扫描表数据时过滤掉不必要的文件。

2.2、数据层

​ 数据文件文件是Apache Icberg表真实存储数据的文件，一般在表的数据存储目录的data目录下，如果文件格式选择的是Parquent，那么文件是以".parquent"结尾。

• 重点：每次Commit都会生成一个Parquent文件。
• 注意事项：目前支持parquent、ORC、Avro文件格式

3、数据后端存储解析

• 表元数据存储：存储在Hive Metastore中，复用了HMS模型

​ 通过storage handler实现了外表创建，按照前面对表的类型划分，就是 managed non-native。

4、Iceberg表特性

（1）分区与隐藏分区

（2）表演化

（3）模式演化

（4）分区演化

（5）列顺序演化

5、Iceberg Catalog

• 类别：包括Hive Catalog、Hadoop Catalog、CacheCatalog和JDBC Catalog四种

5.1、Hive Catalog

​ Hive Catalog将表的元数据信息存储在Hive Metastore，为了兼容HMS，Namespace必须包含table和database。

5.2、Hadoop Catalog

​ Hadoop Catalog将表的元数据信息存储在Hadoop之上，因为Hadoop支持存算分离，因此底层的数据文件可以是HDFS或者是S3这样的对象系统，对Hadoop Catalog来讲，定位一个表的位置，只需要提供表的路径即可，因为表的元信息都存储在文件中，比如TableIdentifier为[“test_table”,“test_db”,“test_nm1”,“test_nm2”]的表全路径

5.3、CacheCatalog

​ CacheCatalog将表的元数据信息存储在内存之上。

5.4、JDBC Catalog

​ JDBC Catalog将表的元信息存储在支持JDBC协议的数据库中，Flink的JDBC Catalog能够查询注册和查询外部JDBC数据源，而Iceberg的JDBC Catalog只是将本身的元数据存储在JDBC数据库中，Iceberg目前支持的数据来源也仅仅是Hadoop。