跟踪超大规模表的新格式Apache-Iceberg


  • Apache Iceberg 是一种新的表格格式,用于存储和分析大型的、移动缓慢的表格数据。它的工作方式类似于 SQL 表,它旨在改进内置在 Hive、Presto 和 Spark 中的事实上的标准表布局。

    对于使用者来说:模式演化(Schema evolution)支持添加、删除、更新或重命名,并且没有副作用;隐藏分区(Hidden partitioning)可以防止导致错误提示或非常慢查询的用户错误;分区布局演变(Partition layout evolution)可以随着数据量或查询模式的变化而更新表的布局;时光穿梭(Time travel)可使用完全相同的表快照实现重新查询,或者使用户轻松检查更改;版本回滚使用户可以通过将表重置为良好状态来快速纠正问题;可靠性与性能方面,Iceberg 可用于生产中,它的一个表可以包含数十 PB 的数据,即使没有分布式 SQL 引擎也可以读取这些巨大规模的表。

    Apache Iceberg扫描速度很快,无需使用分布式 SQL 引擎即可读取表或查找文件;高级过滤,使用表元数据对数据文件以分区和列级统计信息进行修剪。

    Iceberg 旨在解决最终一致的云对象存储中的正确性问题:可与任何云存储一起使用,并且通过避免列出(list)和重命名,可以在 HDFS 中减少 NN 拥塞;可序列化的隔离,表更改是原子性的,对外永远不会有部分更改或未提交的更改;多个并发写入器使用乐观并发,即使写入冲突,也将重试以确保兼容更新成功。

    项目地址: https://iceberg.apache.org/

    4038436d-f9fc-4253-9f94-c2f431a2783e-image.png