首页
/ Apache Iceberg 在 Spark 环境下数据读取异常问题分析

Apache Iceberg 在 Spark 环境下数据读取异常问题分析

2025-05-30 00:52:29作者:廉皓灿Ida

问题背景

在 Apache Iceberg 1.7.1 版本与 Spark 3.5.4 集成环境中,用户在使用 PySpark 操作存储在 Nessie 中的 Iceberg 表时,发现数据读取结果异常,并伴随有 Spark executor 进程崩溃(SIGSEGV)的情况。该问题主要出现在特定查询条件下,表现为读取结果与底层 Parquet 文件实际存储数据不一致。

环境配置

该问题出现在以下技术栈环境中:

  • 硬件架构:aarch64
  • Java 版本:OpenJDK 17.0.13
  • 大数据组件:Spark 3.5.4 + Iceberg 1.7.1 + Nessie 0.101.2
  • 运行环境:AWS EKS 集群

关键配置方面,用户启用了 Iceberg 的 Spark Catalog 集成,并配置了 Nessie 作为元数据存储后端。数据存储使用 S3 对象存储,文件格式为 Parquet,采用 ZSTD 压缩。

问题现象

用户报告的核心问题表现为:

  1. 数据读取不一致:当查询特定分区(dt='2025-01-26'且pt_col1='val2')时,返回结果中出现了本应不存在的distinct_id2=0的记录,而实际Parquet文件中这些记录的distinct_id2值均≥1。

  2. 进程崩溃问题:在执行某些特定查询时,Spark executor 会随机出现 SIGSEGV 错误导致进程崩溃。崩溃情况包括四种不同的堆栈轨迹,主要涉及Java虚拟机内部的内存访问问题。

  3. 问题可重现性:问题具有稳定的重现性,在相同查询条件下总是返回相同错误结果,且崩溃情况也呈现一定规律性。

技术分析

从问题现象和错误日志分析,可以得出以下技术要点:

  1. 数据一致性层面:底层Parquet文件数据正确,但通过Iceberg读取时出现不一致,这表明问题可能出在元数据处理或查询执行路径上,而非数据写入过程。

  2. 崩溃原因分析:四种不同的SIGSEGV错误表明存在内存访问问题,可能涉及:

    • JVM符号表处理异常
    • Netty内部线程本地存储访问问题
    • 内存屏障处理异常
    • 弱引用处理过程中的崩溃
  3. 特定性表现:问题仅出现在特定分区组合下,且错误记录数量与总记录数存在固定关系(num_rows_incorrect = num_total_rows - 5000),暗示可能存在某种边界条件或缓冲区处理问题。

解决方案

该问题已在Iceberg 1.8.0版本中得到修复。对于遇到类似问题的用户,建议采取以下措施:

  1. 版本升级:将Iceberg升级至1.8.0或更高版本,这是最直接的解决方案。

  2. 临时规避措施:如果无法立即升级,可以考虑:

    • 避免使用特定查询模式(如ORDER BY等可能触发问题的操作)
    • 对问题分区数据进行重写或转换处理
    • 调整JVM参数增加内存稳定性
  3. 监控措施:在生产环境中加强对数据一致性的校验机制,特别是对关键业务数据的双重验证。

经验总结

这一案例为大数据技术栈集成提供了重要经验:

  1. 版本兼容性:在复杂技术栈(Spark+Iceberg+Nessie)集成时,需要特别注意各组件的版本兼容性。

  2. ARM架构考量:问题出现在aarch64架构环境,提醒我们在非x86架构上部署时需进行更全面的测试。

  3. 数据验证机制:即使底层存储数据正确,查询层仍可能出现问题,因此需要建立端到端的数据验证流程。

  4. 问题诊断方法:当遇到类似数据不一致问题时,可采取以下诊断步骤:

    • 首先验证底层文件数据是否正确
    • 检查不同查询模式下的行为差异
    • 收集完整的错误日志和核心转储
    • 尝试简化问题场景进行隔离测试

这一问题的发现和解决过程,体现了开源社区协作的价值,也为类似场景下的问题排查提供了参考范例。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
73
63
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.29 K
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
921
551
PaddleOCRPaddleOCR
飞桨多语言OCR工具包(实用超轻量OCR系统,支持80+种语言识别,提供数据标注与合成工具,支持服务器、移动端、嵌入式及IoT设备端的训练与部署) Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)
Python
47
1
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
273
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
59
16