首页
/ 探索Iceberg:新一代大数据表格式

探索Iceberg:新一代大数据表格式

2024-09-19 21:55:33作者:董宙帆

项目介绍

Iceberg是一个全新的表格式,专为存储大规模、缓慢变化的数据表而设计。它旨在改进Hive、Presto和Spark等现有大数据处理引擎中的标准表布局。Iceberg的核心思想是通过跟踪表中的单个数据文件,而不是目录,来实现更高效的数据管理和查询。

Iceberg由Netflix开发,并已捐赠给Apache软件基金会,目前正处于活跃开发阶段。项目的主要目标是提供一种更高效、更可靠的表格式,以解决现有大数据表格式中的一些关键问题,如文件列表、文件重命名和元数据管理等。

项目技术分析

核心模块

Iceberg项目由多个模块组成,每个模块都有其特定的功能:

  • iceberg-common: 包含其他模块使用的实用工具类。
  • iceberg-api: 提供Iceberg的公共API。
  • iceberg-core: 实现Iceberg API,并支持Avro数据文件,是处理引擎应依赖的核心模块。
  • iceberg-parquet: 可选模块,用于处理基于Parquet文件的表。
  • iceberg-orc: 可选模块,用于处理基于ORC文件的表(实验性)。
  • iceberg-hive: 实现基于Hive Metastore的Iceberg表。

处理引擎支持

Iceberg还提供了对多个处理引擎的支持:

  • iceberg-spark: 实现Spark的Datasource V2 API。
  • iceberg-data: 用于从JVM应用程序读取Iceberg表的客户端库。
  • iceberg-pig: 实现Pig的LoadFunc API。
  • iceberg-presto-runtime: 生成用于Presto与Iceberg表集成的阴影运行时JAR。

兼容性

Iceberg的Spark集成支持以下版本的Spark:

Iceberg版本 Spark版本
0.2.0+ 2.3.0
0.3.0+ 2.3.2

项目及技术应用场景

Iceberg适用于需要高效管理和查询大规模数据表的场景。其设计解决了现有大数据表格式中的多个痛点,特别适合以下应用场景:

  • 大规模数据仓库: 适用于需要处理PB级数据的场景,提供高效的查询和数据管理能力。
  • 实时数据分析: 通过高效的文件管理和元数据跟踪,支持实时数据分析和查询。
  • 数据湖: 作为数据湖的基础表格式,提供可靠的数据存储和管理能力。

项目特点

设计优势

Iceberg的设计带来了多项显著优势:

  • 快照隔离: 读取器始终使用一致的表快照,无需锁定,所有表更新都是原子的。
  • O(1) RPC调用: 读取快照仅需O(1)次RPC调用,大大减少了查询规划的时间。
  • 分布式规划: 文件修剪和谓词下推分布到各个作业中,消除了元数据的瓶颈。
  • 版本历史和回滚: 保留表快照历史,支持数据回滚,确保数据质量。
  • 细粒度分区: 通过分布式规划和O(1) RPC调用,支持更细粒度的分区。
  • 安全的文件级操作: 通过支持原子更改,Iceberg支持新的用例,如安全地压缩小文件和安全地追加延迟数据。

为什么需要新的表格式?

现有表格式存在多个问题:

  • 缺乏规范: 不同实现处理情况不一致,如Hive和Spark的桶使用不同的哈希函数。
  • 元数据仅跟踪分区: 文件在分区内的发现通过列表分区路径,导致查询规划昂贵。
  • 依赖文件重命名: 大多数输出提交者依赖重命名操作来实现保证,但在S3中重命名是数据复制操作。

其他设计目标

Iceberg还改进了以下方面:

  • 模式演变: 通过列ID支持添加、删除和重命名列。
  • 可靠类型: 使用一组核心类型,确保跨数据格式的兼容性。
  • 指标: 存储数据文件的优化指标,提高作业规划效率。
  • 不可见分区: 分区作为表配置内置,无需额外分区谓词即可规划高效查询。
  • 未修改的分区数据: 存储分区数据时不进行转义,保持数据原样。
  • 可移植规范: 表不绑定于Java,Iceberg有清晰的规范供其他实现使用。

结语

Iceberg作为新一代大数据表格式,通过其独特的设计和强大的功能,为大规模数据管理和查询提供了全新的解决方案。无论是在数据仓库、实时数据分析还是数据湖中,Iceberg都能显著提升数据处理的效率和可靠性。如果你正在寻找一种更高效、更可靠的表格式,Iceberg无疑是一个值得尝试的选择。

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
1.3 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
922
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++
192
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