跟踪超大规模表的新格式Apache-Iceberg

[dicang67414]

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/