网站个别页面做seo,企业网站虚假宣称iso9001的处罚案例,中企动力科技股份有限公司大连分公司,wordpress 微语Iceberg是一个面向海量数据分析场景的开放表格式#xff08;Table Format#xff09;#xff0c;其设计的目的是解决数据存储和计算引擎之间的适配的问题
表格式#xff08;Table Format#xff09;可以理解为元数据以及数据文件的一种组织方式#xff0c;处于计算框架Table Format其设计的目的是解决数据存储和计算引擎之间的适配的问题
表格式Table Format可以理解为元数据以及数据文件的一种组织方式处于计算框架FlinkSpark...之下数据文件之上
概述
iceberg的特性
数据存储、计算引擎插件化Iceberg提供一个开放通用的表格式Table Format实现方案不和特定的数据存储、计算引擎绑定实时流批一体Iceberg上游组件将数据写入完成后下游组件及时可读可查询。可以满足实时场景。并且Iceberg同时提供了流/批读接口、流/批写接口。可以在同一个流程里, 同时处理流数据和批数据大大简化了ETL链路数据表演化Table EvolutionIceberg可以通过SQL的方式进行表级别模式演进不存在读出数据重新写入或者迁移数据这种费时费力的操作比如在常用的Hive中如果我们需要把一个按天分区的表改成按小时分区。此时不能再原表之上直接修改只能新建一个按小时分区的表然后再把数据Insert到新的小时分区表。而且即使我们通过Rename的命令把新表的名字改为原表使用原表的上次层应用, 也可能由于分区字段修改导致需要修改 SQL这样花费的经历是非常繁琐的模式演化Schema Evolution ADD向表或者嵌套结构增加新列Drop从表中或者嵌套结构中移除一列Rename重命名表中或者嵌套结构中的一列Update将复杂结构(struct, mapkey, value, list)中的基本类型扩展类型长度, 比如tinyint修改成int.Reorder改变列或者嵌套结构中字段的排列顺序 重点一个元数据操作, 不会涉及到重写数据文件的过程
具体表现为
①增加列时候不会从另外一个列中读取已存在的的数据
②删除列或者嵌套结构中字段的时候不会改变任何其他列的值
③更新列或者嵌套结构中字段的时候不会改变任何其他列的值
④改变列列或者嵌套结构中字段顺序的时候不会改变相关联的值
实现方式在表中Iceberg 使用唯一ID来定位每一列的信息新增一个列的时候会新分配给它一个唯一ID 并且绝对不会使用已经被使用的ID 使用唯一ID定位避免了使用名称定位会重复、使用位置定位无法修改顺序的缺点 分区演化Iceberg table partitioning can be updated in an existing table because queries do not reference partition values directly可以直接在表上修改分区策略因为查询不和分区数据直接关联 当我们改变一个表的分区策略时对应修改分区之前的数据不会改变, 依然会采用老的分区策略新的数据会采用新的分区策略也就是说同一个表会有两种分区策略旧数据采用旧分区策略新数据采用新新分区策略 在元数据里两个分区策略相互独立不重合 借助Iceberg的隐藏分区Hidden Partition在写SQL 查询的时候不需要在SQL中特别指定分区过滤条件Iceberg会自动分区过滤掉不需要的数据Iceberg分区演化操作同样是一个元数据操作, 不会重写数据文件
列顺序演化Sort Order EvolutionIceberg可以在一个已经存在的表上修改排序策略。修改了排序策略之后, 旧数据依旧采用老排序策略不变。往Iceberg里写数据的计算引擎总是会选择最新的排序策略, 但是当排序的代价极其高昂的时候, 就不进行排序了隐藏分区Hidden Partition Iceberg的分区字段/策略通过某一个字段计算出来可以不是表的字段和表数据存储目录在建表或者修改分区策略之后新的数据会自动计算所属于的分区。在查询的时候同样不用关心表的分区是什么字段/策略只需要关注业务逻辑Iceberg会自动过滤不需要的分区数据 Iceberg的分区信息和表数据存储目录是独立的因此Iceberg的表分区可以被修改,而且不涉及到数据迁移 镜像数据查询Time TravelIceberg提供了查询表历史某一时间点数据镜像snapshot的能力。通过该特性可以将最新的SQL逻辑应用到历史数据上支持事务ACIDIceberg通过提供事务ACID的机制使其具备了upsert的能力并且使得边写边读成为可能从而数据可以更快的被下游组件消费。通过事务保证了下游组件只能消费已commit的数据而不会读到部分甚至未提交的数据基于乐观锁的并发支持Iceberg基于乐观锁提供了多个程序并发写入的能力并且保证数据线性一致文件级数据剪裁Iceberg的元数据里面提供了每个数据文件的一些统计信息比如最大值最小值Count计数等等。因此查询SQL的过滤条件除了常规的分区列过滤甚至可以下推到文件级别大大加快了查询效率 不同数据湖框架的对比 iceberg不支持索引
存储结构 数据文件 data files数据文件是Apache Iceberg表真实存储数据的文件一般是在表的数据存储目录的data目录下如果我们的文件格式选择的是parquet,那么文件是以“.parquet”结尾表快照 Snapshot快照代表一张表在某个时刻的状态每个快照里面会列出表在某个时刻的所有 data files 列表。data files是存储在不同的manifest files里面manifest files是存储在一个Manifest list文件里面而一个Manifest list文件代表一个快照清单列表 Manifest listmanifest list是一个元数据文件它列出构建表快照Snapshot的清单Manifest file。这个元数据文件中存储的是Manifest file列表每个Manifest file占据一行。每行中存储了Manifest file的路径、其存储的数据文件data files的分区范围增加了几个数文件、删除了几个数据文件等信息这些信息可以用来在查询时提供过滤加快速度 例如snap-6746266566064388720-1-52f2f477-2585-4e69-be42-bbad9a46ed17.avro就是一个Manifest List文件 清单文件 Manifest fileManifest file也是一个元数据文件它列出组成快照snapshot的数据文件data files的列表信息 每行都是每个数据文件的详细描述包括数据文件的状态、文件路径、分区信息、列级别的统计信息比如每列的最大最小值、空值数等、文件的大小以及文件里面数据行数等信息。其中列级别的统计信息可以在扫描表数据时过滤掉不必要的文件 Manifest file是以avro格式进行存储的以“.avro”后缀结尾例如52f2f477-2585-4e69-be42bbad9a46ed17-m0.avro 查看具体的存储结构
打开HDFS的Web UI进入/user/hive/warehouse/iceberg_test1路径下使用默认的catalog创建了表iceberg_test1 data数据文件 可以看到是以parquet格式存储的
metadata元数据文件 Manifest file记录了数据文件的位置信息 Manifest list记录了 Manifest file的位置信息
