| 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：
- 构建于存储格式之上的数据组织方式
- 提供ACID能力，提供一定的*事务特性和并发能力8
- 提供行级别的数据修改能力
- 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。
