数据湖Iceberg | 如何正确使用Iceberg
在介绍如何使用Iceberg之前，先简单地介绍一下Iceberg catalog的概念。catalog是Iceberg对表进行管理（create、drop、rename等）的一个组件。目前Iceberg主要支持HiveCatalog和HadoopCatalog两种Catalog。其中HiveCatalog将当前表metadata文件路径存储在Metastore，这个表metadata文件是所有读写Iceberg表的入口，所以每次读写Iceberg表都需要先从Metastore中取出对应的表metadata文件路径，然后再解析这个Metadata文件进行接下来的操作。而HadoopCatalog将当前表metadata文件路径记录在一个文件目录下，因此不需要连接Metastore。
在下述案例中，笔者会分别使用HiveCatalog和HadoopCatalog创建Iceberg表并进行读写操作，再结合案例在下一篇文章中介绍两者的不同之处。
下载Iceberg
在Iceberg官方下载页面（http://iceberg.apache.org/releases/）下载Iceberg Spark runtime Jar。目前社区已经发布了两个版本：apache-iceberg-0.7.0-incubating和0.8.0-incubating，建议下载最新的0.8.0版本。这里需要注意的是，Iceberg在使用上就是一个Jar包，这个Jar包可以放在Spark的Jars目录下，然后就可以使用Spark创建Iceberg表、将数据导入Iceberg表中以及从Iceberg表中查询。另外需要注意的一点是，目前Iceberg仅支持Spark 2.4版本。
我们先将下载的iceberg-spark-runtime-0.8.0-incubating.jar放到spark的classpath下，然后启动spark-shell：
./spark-shell --jars ../../iceberg-spark-runtime-0.8.0-incubating.jar基于HiveCatalog示例
1.使用Spark创建Iceberg表
使用HiveCatalog创建Iceberg表之前需要先在Hive中创建对应的数据库，否则执行建表语句的话会报错。下面是完整的建表语句：
import org.apache.iceberg.hive.HiveTableCatalogimport org.apache.iceberg.catalog.TableIdentifierimport org.apache.spark.sql.types._import org.apache.iceberg.PartitionSpecimport org.apache.iceberg.spark.SparkSchemaUtilimport org.apache.spark.sql._import org.apache.spark.sql.functions.{to_date, to_timestamp}import java.sql.Timestampval conf = spark.sessionState.newHadoopConf()conf.set("hive.metastore.uris","xxxxxx")conf.set("hive.metastore.warehouse.dir","xxxxxx")val catalog = new HiveTableCatalog(conf)//need to create hiveiceberg at Hive env firstlyval name = TableIdentifier.of("hive_iceberg", "action_logs_36")val sparkSchema = StructType(List(StructField("id", IntegerType,true),StructField("user", StringType,false),StructField("action", StringType,false),StructField("music_id", LongType,false), StructField("event_time", TimestampType,false)))val icebergSchema = SparkSchemaUtil.convert(sparkSchema)val spec = PartitionSpec.builderFor(icebergSchema).hour("event_time").identity("action").buildval table = catalog.createTable(name, icebergSchema, spec)
建好表后可以在hive查询到创建的表：
hive (default)> use hive_iceberg;OKTime taken: 0.148 secondshive (hive_iceberg)> show tables;OKdatabase_nametab_namehive_icebergaction_logsTime taken: 0.035 seconds, Fetched: 1 row(s)hive (hive_iceberg)> show create table action_logs;OKcreatetab_stmtCREATE EXTERNAL TABLE `action_logs`(`id` int COMMENT '',`user` string COMMENT '',`action` string COMMENT '',`music_id` bigint COMMENT '',`event_time` timestamp COMMENT '')ROW FORMAT SERDE'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe'STORED AS INPUTFORMAT'org.apache.hadoop.mapred.FileInputFormat'OUTPUTFORMAT'org.apache.hadoop.mapred.FileOutputFormat'LOCATION'hdfs://ntsdb0.jd.163.org:9000/libis/hive-2.3.6/hive_iceberg.db/action_logs'TBLPROPERTIES ('metadata_location'='/libis/hive-2.3.6/hive_iceberg.db/action_logs/metadata/00000-e7c1e6ce-8eb9-4faf-a176-bd94dec3c0e4.metadata.json','numFiles'='1','table_type'='ICEBERG','totalSize'='1448','transient_lastDdlTime'='1591587097')Time taken: 0.501 seconds, Fetched: 20 row(s)
2.使用Spark导入数据到Iceberg表
iceberg表建好之后，就可以使用spark将数据导入Iceberg表中。下面是完整的示例：
val action_data = Seq(Row(5,"lly","view",13643L,Timestamp.valueOf("2020-06-05 03:03:00")),Row(7,"mint_1989","view",34769L,Timestamp.valueOf("2020-06-05 04:17:00")),Row(6,"lly","click",13643L,Timestamp.valueOf("2020-06-05 03:04:00")),Row(8,"mint_1989","click",34769L,Timestamp.valueOf("2020-06-05 04:17:05")))val df = spark.createDataFrame(sc.makeRDD(action_data), sparkSchema)df.write.format("iceberg").mode("append").save("hive_iceberg.action_logs_35")
3.使用Spark查询Iceberg表
scala>spark.read.format("iceberg").load("hive_iceberg.action_logs_35").show+---+---------+------+--------+-------------------+| id| user|action|music_id| event_time|+---+---------+------+--------+-------------------+| 1| lly| view| 13643|2020-06-05 03:03:00|| 2| lly| click| 13643|2020-06-05 03:04:00|| 3|mint_1989| view| 34769|2020-06-05 04:17:00|| 3|mint_1989| click| 34769|2020-06-05 04:17:05|+---+---------+------+--------+-------------------+
基于HadoopCatalog示例
基于HadoopCatalog的用法与HiveCatalog基本相同，主要的区别在于建表的时候稍有不同，如下所示：
import org.apache.iceberg.hadoop.HadoopCatalogimport org.apache.hadoop.conf.Configurationval conf = new Configuration()val catalog = new HadoopCatalog(conf,"hdfs://ntsdb0.jd.163.org:9000/libis/hive-2.3.6/")val name = TableIdentifier.of("hadoop_iceberg", "action_logs")...val table = catalog.createTable(name,icebergSchema, spec)
导入和查询的时候也有一点区别：
df.write.format("iceberg").mode("append").save("hdfs://ntsdb0.jd.163.org:9000/libis/hive-2.3.6/hadoop_iceberg/action_logs")spark.read.format("iceberg").load("hdfs://ntsdb0.jd.163.org:9000/libis/hive-2.3.6/hadoop_iceberg/action_logs").show
Iceberg表的目录组织形式
1.HiveCatalog
:~$ hdfs dfs -ls /libis/hive-2.3.6/hive_iceberg.db/action_logsFound 2 items:20 /libis/hive-2.3.6/hive_iceberg.db/action_logs/datadrwxrwxrwx - hadoop supergroup 0 2020-06-08 12:20 /libis/hive-2.3.6/hive_iceberg.db/action_logs/metadata
其中data目录下存储数据文件，metadata目录下存储元数据文件。
2.metadata目录
hadoop@xxx:~$ hdfs dfs -ls /libis/hive-2.3.6/hive_iceberg.db/action_logs/metadataFound 4 items-rw-r--r-- 1 hadoop supergroup 1448 2020-06-08 11:31 /libis/hive-2.3.6/hive_iceberg.db/action_logs/metadata/00000-e7c1e6ce-8eb9-4faf-a176-bd94dec3c0e4.metadata.json-rw-r--r-- 1 hadoop supergroup 2217 2020-06-08 12:20 /libis/hive-2.3.6/hive_iceberg.db/action_logs/metadata/00001-62ade8ab-c1cf-40d3-bc21-fd5027bc3a55.metadata.json-rw-r--r-- 1 hadoop supergroup 5040 2020-06-08 12:20 /libis/hive-2.3.6/hive_iceberg.db/action_logs/metadata/bb641961-162a-49a8-b567-885430d4e799-m0.avro-rw-r--r-- 1 hadoop supergroup 2567 2020-06-08 12:20 /libis/hive-2.3.6/hive_iceberg.db/action_logs/metadata/snap-6771375506965563160-1-bb641961-162a-49a8-b567-885430d4e799.avro
其中00001-62ade8ab-c1cf-40d3-bc21-fd5027bc3a55.metadata.json中存储表的schema、partition spec以及当前snapshot manifests文件路径。snap-6771375506965563160-1-bb641961-162a-49a8-b567-885430d4e799.avro存储manifest文件路径。bb641961-162a-49a8-b567-885430d4e799-m0.avro记录本次提交的文件以及文件级别元数据。
3.data目录
hadoop@xxx:~$ hdfs dfs -ls /libis/hive-2.3.6/hive_iceberg.db/action_logs/data/event_time_hour=2020-06-04-19/action=clickFound 1 items-rw-r--r-- 1 hadoop supergroup 1425 2020-06-08 12:20 /libis/hive-2.3.6/hive_iceberg.db/action_logs/data/event_time_hour=2020-06-04-19/action=click/00015-47-a9f5ce8f-ee6f-4748-9f49-0f94761859bc-00000.parquet
4.HadoopCatalog
Hadoopcatalog与Hivecatalog的的data目录完全相同，metadata目录下文件稍有不同，HadoopCatalog管理的metadata目录如下所示：
hadoop@xxx:~$ hdfs dfs -ls /libis/hive-2.3.6/hadoop_iceberg/action_logs/metadataFound 5 items-rw-r--r-- 1 hadoop supergroup 5064 2020-06-08 17:24 /libis/hive-2.3.6/hadoop_iceberg/action_logs/metadata/b222d277-2692-4e35-9327-3716dec9f070-m0.avro-rw-r--r-- 1 hadoop supergroup 2591 2020-06-08 17:24 /libis/hive-2.3.6/hadoop_iceberg/action_logs/metadata/snap-3124052841098464551-1-b222d277-2692-4e35-9327-3716dec9f070.avro-rw-r--r-- 1 hadoop supergroup 1476 2020-06-08 17:23 /libis/hive-2.3.6/hadoop_iceberg/action_logs/metadata/v1.metadata.json-rw-r--r-- 1 hadoop supergroup 2261 2020-06-08 17:24 /libis/hive-2.3.6/hadoop_iceberg/action_logs/metadata/v2.metadata.json-rw-r--r-- 1 hadoop supergroup 1 2020-06-08 17:24 /libis/hive-2.3.6/hadoop_iceberg/action_logs/metadata/version-hint.text其中文件version-hint.text中存储当前iceberg表的最新snapshot_id，如下所示：hadoop@xxx:~$ hdfs dfs -cat /libis/hive-2.3.6/hadoop_iceberg/action_logs/metadata/version-hint.text 2
说明该表的最新snapshot_id是2，即对应的snapshot元数据文件是v2.metadata.json，解析v2.metadata.json可以获取到该表当前最新snapshot对应的schema、partition spec、父snapshot以及该snapshot对应的manifestList文件路径等，因此version-hint.text是HadoopCatalog获取当前snapshot版本的入口。
阅读到这里，读者可能就会问了，HiveCatalog的metadata目录下并没有version-hint.text文件，那它获取当前snapshot版本的入口在哪里呢？它的入口在Metastore中的schema里面，读者可以在HiveCatalog建表schema中的TBPROPERTIES中有个key是"metadata_location"，对应的value就是当前最新的snapshot文件。因此，有两点需要说明：
HiveCatalog创建的表，每次提交写入文件生成新的snapshot后都需要更新Metastore中的metadata_location字段。
HiveCatalog和HadoopCatalog不能混用。即使用HiveCatalog创建的表，再使用HadoopCatalog是不能正常加载的，反之亦然。
为什么选择HadoopCatalog
上面说到Iceberg目前支持两种Catalog，而且两种Catalog相互不兼容。那这里有两个问题：
社区是出于什么考虑实现两种不兼容的Catalog？
因为两者不兼容，必须选择其一作为系统唯一的Catalog，那是选择HiveCatalog还是HadoopCatalog，为什么？
先回答第一个问题。社区是出于什么考虑实现两种不兼容的Catalog？
在回答这个问题之前，首先回顾一下上一篇文章中介绍到的基于HadoopCatalog，Iceberg实现数据写入提交的ACID机制，最终的结论是使用了乐观锁机制和HDFS rename的原子性一起保障写入提交的ACID。如果某些文件系统比如S3不支持rename的原子性呢？那就需要另外一种机制保障写入提交的ACID，HiveCatalog就是另一种不依赖文件系统支持，但是可以提供ACID支持的方案，它在每次提交的时候都更新MySQL中同一行记录，这样的更新MySQL本身是可以保证ACID的。这就是社区为什么会支持两种不兼容Catalog的本质原因。
再来回答第二个问题。HadoopCatalog依赖于HDFS提供的rename原子性语义，而HiveCatalog不依赖于任何文件系统的rename原子性语义支持，因此基于HiveCatalog的表不仅可以支持HDFS，而且可以支持s3、oss等其他文件系统。但是HadoopCatalog可以认为只支持HDFS表，比较难以迁移到其他文件系统。但是HadoopCatalog写入提交的过程只依赖HDFS，不和Metastore/MySQL交互，而HiveCatalog每次提交都需要和Metastore/MySQL交互，可以认为是强依赖于Metastore，如果Metastore有异常，基于HiveCatalog的Iceberg表的写入和查询会有问题。相反，HadoopCatalog并不依赖于Metastore，即使Metastore有异常，也不影响Iceberg表的写入和查询。
考虑到我们目前主要还是依赖HDFS，同时不想强依赖于Metastore，所以我们选择HadoopCatalog作为我们系统唯一的Catalog。即使有一天，想要把HDFS上的表迁移到S3上去，也是可以办到的，大家想想，无论是HadoopCatalog还是HiveCatalog，数据文件和元数据文件本身都是相同的，只是标记当前最新的snapshot的入口不一样，那只需要简单的手动变换一下入口就可以实现Catalog的切换，切换到HiveCatalog上之后，就可以摆脱HDFS的依赖，问题并不大。
Iceberg表相关元数据内容
上一篇介绍Iceberg的文章中讲到了Iceberg写入数据文件提交snapshot的时候会依次生成manifest文件、manifestList文件以及snapshot文件，那这些元数据文件中都存放什么记录呢？如果使用HiveCatalog创建的表，可以直接使用spark读出相关元数据记录。如果是HadoopCatalog创建的表，暂时不能直接使用spark读出相关信息，但是也可以使用文件解析器解析出相关元数据文件内容。
下文基于HiveCatalog建表模式介绍Iceberg相关元数据：
scala>spark.read.format("iceberg").load("hive_iceberg.action_logs.history").show+--------------------+-------------------+---------+-------------------+| made_current_at| snapshot_id|parent_id|is_current_ancestor|+--------------------+-------------------+---------+-------------------+|2020-06-08 12:20:...|6771375506965563160| null| true|+--------------------+-------------------+---------+-------------------+scala> spark.read.format("iceberg").load("hive_iceberg.action_logs.snapshots").show+--------------------+-------------------+---------+---------+--------------------+--------------------+| committed_at| snapshot_id|parent_id|operation| manifest_list| summary|+--------------------+-------------------+---------+---------+--------------------+--------------------+|2020-06-08 12:20:...|6771375506965563160| null| append|/libis/hive-2.3.6...|[spark.app.id -> ...|+--------------------+-------------------+---------+---------+--------------------+--------------------+scala> spark.read.format("iceberg").load("hive_iceberg.action_logs.manifests").show(false)+---------------------------------------------------------------------------------------------------+------+-----------------+-------------------+----------------------+-------------------------+------------------------+-------------------------------------------------------------+|path |length|partition_spec_id|added_snapshot_id |added_data_files_count|existing_data_files_count|deleted_data_files_count|partition_summaries |+---------------------------------------------------------------------------------------------------+------+-----------------+-------------------+----------------------+-------------------------+------------------------+-------------------------------------------------------------+|/libis/hive-2.3.6/hive_iceberg.db/action_logs/metadata/bb641961-162a-49a8-b567-885430d4e799-m0.avro|5040 |0 |6771375506965563160|4 |0 |0 |[[false, 2020-06-04-19, 2020-06-04-20], [false, click, view]]|+---------------------------------------------------------------------------------------------------+------+-----------------+-------------------+----------------------+-------------------------+------------------------+-------------------------------------------------------------+scala> spark.read.format("iceberg").load("hive_iceberg.action_logs.files").show(false)+---------------------------------------------------------------------------------------------------------------------------------------------------------+-----------+---------------+------------+------------------+-------------------+---------------------------------------------+----------------------------------------+----------------------------------------+--------------------------------------------------------------------+--------------------------------------------------------------------+------------+-------------+|file_path |file_format|partition |record_count|file_size_in_bytes|block_size_in_bytes|column_sizes |value_counts |null_value_counts |lower_bounds |upper_bounds |key_metadata|split_offsets|+---------------------------------------------------------------------------------------------------------------------------------------------------------+-----------+---------------+------------+------------------+-------------------+---------------------------------------------+----------------------------------------+----------------------------------------+--------------------------------------------------------------------+--------------------------------------------------------------------+------------+-------------+|/libis/hive-2.3.6/hive_iceberg.db/action_logs/data/event_time_hour=2020-06-04-19/action=view/00007-39-4e7af786-9668-4e3d-b8aa-07b7b30fa60a-00000.parquet |PARQUET |[442027, view] |1 |1418 |67108864 |[1 -> 51, 2 -> 50, 3 -> 51, 4 -> 47, 5 -> 51]|[1 -> 1, 2 -> 1, 3 -> 1, 4 -> 1, 5 -> 1]|[1 -> 0, 2 -> 0, 3 -> 0, 4 -> 0, 5 -> 0]|[1 -> , 2 -> lly, 3 -> view, 4 -> K5, 5 -> !�F�] |[1 -> , 2 -> lly, 3 -> view, 4 -> K5, 5 -> !�F�] |null |[4] ||/libis/hive-2.3.6/hive_iceberg.db/action_logs/data/event_time_hour=2020-06-04-19/action=click/00015-47-a9f5ce8f-ee6f-4748-9f49-0f94761859bc-00000.parquet|PARQUET |[442027, click]|1 |1425 |67108864 |[1 -> 51, 2 -> 50, 3 -> 52, 4 -> 47, 5 -> 51]|[1 -> 1, 2 -> 1, 3 -> 1, 4 -> 1, 5 -> 1]|[1 -> 0, 2 -> 0, 3 -> 0, 4 -> 0, 5 -> 0]|[1 -> , 2 -> lly, 3 -> click, 4 -> K5, 5 -> ���F�] |[1 -> , 2 -> lly, 3 -> click, 4 -> K5, 5 -> ���F�] |null |[4] ||/libis/hive-2.3.6/hive_iceberg.db/action_logs/data/event_time_hour=2020-06-04-20/action=view/00023-55-f0494272-6166-4386-88c7-059e3081aa11-00000.parquet |PARQUET |[442028, view] |1 |1460 |67108864 |[1 -> 51, 2 -> 56, 3 -> 51, 4 -> 47, 5 -> 51]|[1 -> 1, 2 -> 1, 3 -> 1, 4 -> 1, 5 -> 1]|[1 -> 0, 2 -> 0, 3 -> 0, 4 -> 0, 5 -> 0]|[1 -> , 2 -> mint_1989, 3 -> view, 4 -> ч, 5 -> '��G�] |[1 -> , 2 -> mint_1989, 3 -> view, 4 -> ч, 5 -> '��G�] |null |[4] ||/libis/hive-2.3.6/hive_iceberg.db/action_logs/data/event_time_hour=2020-06-04-20/action=click/00031-63-a04ce10d-ae98-4004-bda8-2f18d842b66b-00000.parquet|PARQUET |[442028, click]|1 |1467 |67108864 |[1 -> 51, 2 -> 56, 3 -> 52, 4 -> 47, 5 -> 51]|[1 -> 1, 2 -> 1, 3 -> 1, 4 -> 1, 5 -> 1]|[1 -> 0, 2 -> 0, 3 -> 0, 4 -> 0, 5 -> 0]|[1 -> , 2 -> mint_1989, 3 -> click, 4 -> ч, 5 -> @r�G�]|[1 -> , 2 -> mint_1989, 3 -> click, 4 -> ч, 5 -> @r�G�]|null |[4] |+---------------------------------------------------------------------------------------------------------------------------------------------------------+-----------+---------------+------------+------------------+-------------------+---------------------------------------------+----------------------------------------+----------------------------------------+--------------------------------------------------------------------+--------------------------------------------------------------------+------------+-------------+
总结
本文基于上一篇介绍Iceberg入门的文章，介绍了如何使用Iceberg进行简单的创建表、往表中写数据、查询表数据以及表中元数据。同时也介绍了HadoopCatalog和HiveCatalog的不同以及我们选择HadoopCatalog的一些想法。
子和，网易大数据开发工程师，长期从事分布式KV数据库、分布式时序数据库以及大数据底层组件等相关工作。
