導讀：今天主要和大家交流的是網易在數據湖 Iceberg 的一些思考與實踐。從網易在數據倉庫建設中遇到的痛點出發，介紹對數據湖 Iceberg 的探索以及實踐之路。

主要內容包括：

數據倉庫平臺建設的痛點

數據湖 Iceberg 的核心原理

數據湖 Iceberg 社區現狀

網易數據湖 Iceberg 實踐之路

01 數據倉庫平臺建設的痛點

痛點一：

我們凌晨一些大的離線任務經常會因為一些原因出現延遲，這種延遲會導致核心報表的產出時間不穩定，有些時候會產出比較早，但是有時候就可能會產出比較晚，業務很難接受。

為什么會出現這種現象的發生呢？目前來看大致有這么幾點要素：

• 任務本身要請求的數據量會特別大。通常來說一天原始的數據量可能在幾十TB。幾百個分區，甚至上千個分區，五萬+的文件數這樣子。如果說全量讀取這些文件的話，幾百個分區就會向 NameNode 發送幾百次請求，我們知道離線任務在凌晨運行的時候，NameNode 的壓力是非常大的。所以就很有可能出現 Namenode 響應很慢的情況，如果請求響應很慢就會導致任務初始化時間很長。
• 任務本身的 ETL 效率是相對低效的，這個低效并不是說 Spark 引擎低效，而是說我們的存儲在這塊支持的不是特別的好。比如目前我們查一個分區的話是需要將所有文件都掃描一遍然后進行分析，而實際上我可能只對某些文件感興趣。所以相對而言這個方案本身來說就是相對低效的。
• 這種大的離線任務一旦遇到磁盤壞盤或者機器宕機，就需要重試，重試一次需要耗費很長的時間比如幾十分鐘。如果說重試一兩次的話這個延遲就會比較大了。

痛點二：

針對一些細瑣的一些問題而言的。這里簡單列舉了三個場景來分析：

• 不可靠的更新操作。我們經常在 ETL 過程中執行一些 insert overwrite 之類的操作，這類操作會先把相應分區的數據刪除，再把生成的文件加載到分區中去。在我們移除文件的時候，很多正在讀取這些文件的任務就會發生異常，這就是不可靠的更新操作。
• 表 Schema 變更低效。目前我們在對表做一些加字段、更改分區的操作其實是非常低效的操作，我們需要把所有的原始數據讀出來，然后在重新寫回去。這樣就會非常耗時，并且低效。
• 數據可靠性缺乏保障。主要是我們對于分區的操作，我們會把分區的信息分為兩個地方，HDFS 和 Metastore，分別存儲一份。在這種情況下，如果進行更新操作，就可能會出現一個更新成功而另一個更新失敗，會導致數據不可靠。

痛點三：

基于 Lambda 架構建設的實時數倉存在較多的問題。如上圖的這個架構圖，第一條鏈路是基于 kafka 中轉的一條實時鏈路（延遲要求小于5分鐘），另一條是離線鏈路（延遲大于1小時），甚至有些公司會有第三條準實時鏈路（延遲要求5分鐘～一小時），甚至更復雜的場景。

• 兩條鏈路對應兩份數據，很多時候實時鏈路的處理結果和離線鏈路的處理結果對不上。
• Kafka 無法存儲海量數據， 無法基于當前的 OLAP 分析引擎高效查詢 Kafka 中的數據。
• Lambda 維護成本高。代碼、數據血緣、Schema 等都需要兩套。運維、監控等成本都非常高。

痛點四：

不能友好地支持高效更新場景。大數據的更新場景一般有兩種，一種是 CDC ( Change Data Capture) 的更新，尤其在電商的場景下，將 binlog 中的更新刪除同步到 HDFS 上。另一種是延遲數據帶來的聚合后結果的更新。目前 HDFS 只支持追加寫，不支持更新。因此業界很多公司引入了 Kudu。但是 Kudu 本身是有一些局限的，比如計算存儲沒有做到分離。這樣整個數倉系統中引入了 HDFS、Kafka 以及 Kudu，運維成本不可謂不大。

上面就是針對目前數倉所涉及到的四個痛點的大致介紹，因此我們也是通過對數據湖的調研和實踐，希望能在這四個方面對數倉建設有所幫助。接下來重點講解下對數據湖的一些思考。

02 數據湖 Iceberg 核心原理

1. 數據湖開源產品調研

數據湖大致是從19年開始慢慢火起來的，目前市面上核心的數據湖開源產品大致有這么幾個：

• DELTA LAKE，在17年的時候 DataBricks 就做了 DELTA LAKE 的商業版。主要想解決的也是基于 Lambda 架構帶來的存儲問題，它的初衷是希望通過一種存儲來把 Lambda 架構做成 kappa 架構。
• Hudi ( Uber 開源 ) 可以支持快速的更新以及增量的拉取操作。這是它最大的賣點之一。
• Iceberg 的初衷是想做標準的 Table Format 以及高效的 ETL。

上圖是來自 Flink 團體針對數據湖方案的一些調研對比，總體來看這些方案的基礎功能相對都還是比較完善的。我說的基礎功能主要包括：

• 高效 Table Schema 的變更，比如針對增減分區，增減字段等功能
• ACID 語義保證
• 同時支持流批讀寫，不會出現臟讀等現象
• 支持 OSS 這類廉價存儲

2. 當然還有一些不同點：

Hudi 的特性主要是支持快速的更新刪除和增量拉取。
Iceberg 的特性主要是代碼抽象程度高，不綁定任何的 Engine。它暴露出來了非常核心的表層面的接口，可以非常方便的與 Spark/Flink 對接。然而 Delta 和 Hudi 基本上和 Spark 的耦合很重。如果想接入 Flink，相對比較難。

3. 我們選擇 Iceberg 的原因：

現在國內的實時數倉建設圍繞 Flink 的情況會多一點。所以能夠基于 Flink 擴展生態，是我們選擇 Iceberg 一個比較重要的點。
國內也有很多基于 Iceberg 開發的重要力量，比如騰訊團隊、Flink 官方團隊，他們的數據湖選型也是 Iceberg。目前他們在社區分別主導 update 以及 Flink 的生態對接。

4. 接下來我們重點介紹一下 Iceberg：

這是來自官方對于 Iceberg 的一段介紹，大致就是 Iceberg 是一個開源的基于表格式的數據湖。關于 table format 再給大家詳細介紹下：

左側圖是一個抽象的數據處理系統，分別由 SQL 引擎、table format、文件集合以及分布式文件系統構成。右側是對應的現實中的組件，SQL 引擎比如 HiveServer、Impala、Spark 等等，table format 比如 Metastore 或者 Iceberg，文件集合主要有 Parquet 文件等，而分布式文件系統就是 HDFS。

對于 table format，我認為主要包含4個層面的含義，分別是表 schema 定義（是否支持復雜數據類型），表中文件的組織形式，表相關統計信息、表索引信息以及表的讀寫 API 實現。詳述如下：

• 表 schema 定義了一個表支持字段類型，比如 int、string、long 以及復雜數據類型等。
• 表中文件組織形式最典型的是 Partition 模式，是 Range Partition 還是 Hash Partition。
• Metadata 數據統計信息。
• 封裝了表的讀寫 API。上層引擎通過對應的API讀取或者寫入表中的數據。

和 Iceberg 差不多相當的一個組件是 Metastore。不過 Metastore 是一個服務，而 Iceberg 就是一個 jar 包。這里就 Metastore 和 Iceberg 在表格式的4個方面分別進行一下對比介紹：

① 在 schema 層面上沒有任何區別：

都支持 int、string、bigint 等類型。

② partition 實現完全不同：

兩者在 partition 上有很大的不同：

metastore 中 partition 字段不能是表字段，因為 partition 字段本質上是一個目錄結構，不是用戶表中的一列數據。基于 metastore，用戶想定位到一個 partition 下的所有數據，首先需要在 metastore 中定位出該 partition 對應的所在目錄位置信息，然后再到 HDFS 上執行list命令獲取到這個分區下的所有文件，對這些文件進行掃描得到這個 partition 下的所有數據。

Iceberg 中 partition 字段就是表中的一個字段。Iceberg 中每一張表都有一個對應的文件元數據表，文件元數據表中每條記錄表示一個文件的相關信息，這些信息中有一個字段是 partition 字段，表示這個文件所在的 partition。

很明顯，Iceberg 表根據 partition 定位文件相比 metastore 少了一個步驟，就是根據目錄信息去 HDFS 上執行 list 命令獲取分區下的文件。

試想，對于一個二級分區的大表來說，一級分區是小時時間分區，二級分區是一個枚舉字段分區，假如每個一級分區下有30個二級分區，那么這個表每天就會有24 * 30 = 720個分區。基于 Metastore 的 partition 方案，如果一個 SQL 想基于這個表掃描昨天一天的數據的話，就需要向 Namenode 下發720次 list 請求，如果掃描一周數據或者一個月數據，請求數就更是相當夸張。這樣，一方面會導致 Namenode 壓力很大，一方面也會導致 SQL 請求響應延遲很大。而基于 Iceberg 的 partition 方案，就完全沒有這個問題。

③ 表統計信息實現粒度不同：

Metastore 中一張表的統計信息是表/分區級別粒度的統計信息，比如記錄一張表中某一列的記錄數量、平均長度、為 null 的記錄數量、最大值最小值等。

Iceberg 中統計信息精確到文件粒度，即每個數據文件都會記錄所有列的記錄數量、平均長度、最大值最小值等。

很明顯，文件粒度的統計信息對于查詢中謂詞（即 where 條件）的過濾會更有效果。

④ 讀寫 API 實現不同：

metastore 模式下上層引擎寫好一批文件，調用 metastore 的 add partition 接口將這些文件添加到某個分區下。

Iceberg 模式下上層業務寫好一批文件，調用 iceberg 的 commit 接口提交本次寫入形成一個新的 snapshot 快照。這種提交方式保證了表的 ACID 語義。同時基于 snapshot 快照提交可以實現增量拉取實現。

總結下 Iceberg 相對于 Metastore 的優勢：

• 新 partition 模式：避免了查詢時n次調用 namenode 的 list 方法，降低 namenode 壓力，提升查詢性能
• 新 metadata 模式：文件級別列統計信息可以用來根據 where 字段進行文件過濾，很多場景下可以大大減少掃描文件數，提升查詢性能
• 新 API 模式：存儲批流一體
• 流式寫入-增量拉取（基于 Iceberg 統一存儲模式可以同時滿足業務批量讀取以及增量訂閱需求）
• 支持批流同時讀寫同一張表，統一表schema，任務執行過程中不會出現 FileNotFoundException

Iceberg 的提升體現在：

03 數據湖 Iceberg 社區現狀

目前 Iceberg 主要支持的計算引擎包括 Spark 2.4.5、Spark 3.x、Flink 1.11 以及 Presto。同時，一些運維工作比如 snapshot 過期、小文件合并、增量訂閱消費等功能都可以實現。

對于 Apache Flink 來說，Apache Iceberg 是 delta、iceberg、hudi 三個開源項目中最先完成 Flink 接入的開源項目。通過 Flink 來完成實時導入數據到 Iceberg 數據湖、通過 Flink batch 作業來讀取 Iceberg 數據，這兩個核心功能將在 Apache Iceberg 0.10.0 版本發布（預計將在10月底發布）。對 Flink+iceberg 集成工作感興趣的同學，可以參考 Apache Iceberg 社區的使用文檔。

https://github.com/apache/iceberg/blob/master/site/docs/flink.md

按照目前的研發進度，我們預計實時寫入和讀取 CDC 數據這個功能，將在 Iceberg 的0.11.0版本發布。

04 網易數據湖 Iceberg 實踐之路

Iceberg 針對目前的大數量的情況下，可以大大提升 ETL 任務執行的效率，這主要得益于新 Partition 模式下不再需要請求 NameNode 分區信息，同時得益于文件級別統計信息模式下可以過濾很多不滿足條件的數據文件。

當前 Iceberg 社區僅支持 Spark 2.4.5，我們在這個基礎上做了更多計算引擎的適配工作。主要包括如下：

• 集成 Hive。可以通過 Hive 創建和刪除 iceberg 表，通過 HiveSQL 查詢 Iceberg 表中的數據。
• 集成 Impala。用戶可以通過 Impala 新建 iceberg 內表外表，并通過 Impala 查詢 Iceberg 表中的數據。目前該功能已經貢獻給 Impala 社區。
• 集成 Flink。已經實現了 Flink 到 Iceberg 的 sink 實現，業務可以消費 kafka 中的數據將結果寫入到 Iceberg 中。同時我們基于 Flink 引擎實現了小文件異步合并的功能，這樣可以實現 Flink 一邊寫數據文件，一邊執行小文件的合并。基于 Iceberg 的小文件合并通過 commit 的方式提交，不需要刪除合并前的小文件，也就不會引起讀取任務的任何異常。

作者介紹：

范欣欣，網易大數據技術專家。他與 Apache HBase PMC 成員、阿里巴巴技術專家胡爭合著的新書《HBase 原理與實踐》，這也是業界第一本專門闡述 HBase 原理的書。

?

原文鏈接
本文為阿里云原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的持续定义SaaS模式云数据仓库+Serverless的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。