探索Iceberg：新一代大数据表格式

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。