Apache iceberg:Netflix 数据仓库的基石

Apache iceberg:Netflix 数据仓库的基石

Apache Iceberg 是一种用于跟踪超大规模表的新格式,是专门为对象存储(如S3)而设计的。 本文将介绍为什么 Netflix 需要构建 Iceberg,Apache Iceberg 的高层次设计,并会介绍那些能够更好地解决查询性能问题的细节。

本文由 Ryan Blue 分享,他在 Netflix 从事开源数据项目,是 Apache Iceberg 的最初创建者之一,也是 Apache Spark, Parquet, 以及 Avro 贡献者。

Apache iceberg:Netflix 数据仓库的基石

Apache Iceberg 是由 Netflix 开发开源的,其于 2018年11月16日进入 Apache 孵化器,是 Netflix 公司数据仓库基础。在功能上和我们熟悉的 Delta Lake 或者 Apache Hudi 类似,但各有优缺点。
任何东西的诞生都是有其背后的原因,那么为什么 Netflix 需要开发 Apache Iceberg?

Apache iceberg:Netflix 数据仓库的基石

在 Netflix,他们希望有更智能的处理引擎,比如有 CBO 优化,更好的 Join 实现,缓存结果集以及物化视图等功能。同时,他们也希望减少人工维护数据。
Apache iceberg:Netflix 数据仓库的基石

Netflix 面临的问题包括:1、不安全的操作随处可见;2、和对象存储交互有时候会出现很大的问题;3、无休止的可扩展性挑战。
为了解决这些问题,Iceberg 诞生了。那么 Iceberg 是什么?

Apache iceberg:Netflix 数据仓库的基石

iceberg 是一种可伸缩的表存储格式,内置了许多最佳实践。

Apache iceberg:Netflix 数据仓库的基石

什么?是一种存储格式?可使我们已经有 Parquet,Avro 以及 ORC 这些格式了,为什么还要设计一种新格式?

Apache iceberg:Netflix 数据仓库的基石
Apache iceberg:Netflix 数据仓库的基石

iceberg 允许我们在一个文件里面修改或者过滤数据;当然多个文件也支持这些操作。为了展示这点,我们来看看一张 Hive 表。

Apache iceberg:Netflix 数据仓库的基石

Hive 表的核心思想是把数据组织成目录树,如上所述。

Apache iceberg:Netflix 数据仓库的基石

如果我们需要过滤数据,可以在 where 里面添加分区相关的信息。

Apache iceberg:Netflix 数据仓库的基石

带来的问题是如果一张表有很多分区,我们需要使用 HMS(Hive MetaStore)来记录这些分区,同时底层的文件系统(比如 HDFS)仍然需要在每个分区里面记录这些分区数据。

Apache iceberg:Netflix 数据仓库的基石

这就导致我们需要在 HMS 和 文件系统里面同时保存一些状态信息;因为缺乏锁机制,所以对上面两个系统进行修改也不能保证原子性。

Apache iceberg:Netflix 数据仓库的基石

当然 Hive 这样维护表也不是没有好处。这种设计使得很多引擎(Hive、Spark、Presto、Flink、Pig)都支持读写 Hive 表,同时支持很多第三方工具。简单和透明使得 Hive 表变得不可或缺的。

Apache iceberg:Netflix 数据仓库的基石
Apache iceberg:Netflix 数据仓库的基石

Iceberg 的目标包括:1、成为静态数据交换的开放规范,维护一个清晰的格式规范,支持多语言,支持跨项目的需求等。

Apache iceberg:Netflix 数据仓库的基石

2、提升扩展性和可靠性。能够在一个节点上运行,也能在集群上运行。所有的修改都是原子性的,串行化隔离。原生支持云对象存储,支持多并发写。

Apache iceberg:Netflix 数据仓库的基石

3、修复持续的可用性问题,比如模式演进,分区隐藏,支持时间旅行、回滚等。

Apache iceberg:Netflix 数据仓库的基石

Iceberg 主要设计思想:记录表在所有时间的所有文件,和 Delta Lake 或 Apache Hudi 一样,支持 snapshot,其是表在某个时刻的完整文件列表。每一次写操作都会生成一个新的快照。

Apache iceberg:Netflix 数据仓库的基石

读取数据的时候使用当前的快照,Iceberg 使用乐观锁机制来创建新的快照,然后提交。

Apache iceberg:Netflix 数据仓库的基石

Iceberg 这么设计的好处是:

  • 所有的修改都是原子性的;
  • 没有耗时的文件系统操作;
  • 快照是索引好的,以便加速读取;
  • CBO metrics 信息是可靠的;
  • 更新支持版本,支持物化视图。

Apache iceberg:Netflix 数据仓库的基石

Apache iceberg:Netflix 数据仓库的基石

Iceberg 在 Netflix 生产环境维护着数十 PB 的数据,数百万个分区。对大表进行查询能够提供低延迟的响应。

Apache iceberg:Netflix 数据仓库的基石

生产环境中使用 Flink 管道在 3 个 AWS regions 写数据。Lift 服务将数据移到一个 region。Merge 服务对小文件进行合并。

Apache iceberg:Netflix 数据仓库的基石

可用性方面:回滚是家常便饭。

Apache iceberg:Netflix 数据仓库的基石

未来工作:1、支持 Spark 向量化以便实现快速的 bulk read,Presto 向量化已经支持。2、行级别的删除,支持 MERGE INTO 等。


推荐相关阅读:
[Data Lake 三剑客——Delta、Hudi、Iceberg 对比分析
](https://developer.aliyun.com/article/744920?spm=a2c6h.12873581.0.dArticle744920.592a3a183ThfM2&groupCode=apachespark)

本文转载自公众号:过往记忆大数据
原文链接:https://mp.weixin.qq.com/s/acWcoZ25zDXetA3ewypG2g


阿里巴巴开源大数据技术团队成立Apache Spark中国技术社区,定期推送精彩案例,技术专家直播,问答区近万人Spark技术同学在线提问答疑,只为营造纯粹的Spark氛围,欢迎钉钉扫码加入!
Apache iceberg:Netflix 数据仓库的基石
对开源大数据和感兴趣的同学可以加小编微信(下图二维码,备注“进群”)进入技术交流微信群。
Apache iceberg:Netflix 数据仓库的基石

上一篇:软件测试实践干货 | 测试登录功能的思路与原理解析(基于 Spring Security)


下一篇:dell m14x 驱动 WIN7 64位