当前位置：首页 > article >正文

实时数仓：Apache Iceberg 的表管理与实时数仓架构设计

article 2025/1/9 13:58:17

Apache Iceberg 的表管理与实时数仓架构设计

Apache Iceberg 是一种面向大规模数据湖的开源表格式，适用于批处理和流处理场景，具有 ACID 事务支持、高效的元数据管理、时间旅行等特点。以下内容涵盖 Iceberg 的表设计、实时数据处理（Flink 或 Spark）、性能优化及数据治理细节。

1. Iceberg 表设计

1.1 表结构设计

Iceberg 表可以分层组织，适应 ODS、DWD、DWS 和 ADS 层的不同需求。

表定义示例
以订单数据为例：

CREATE TABLE real_time_dw.dwd_order_fact (
    order_id STRING COMMENT '订单ID',
    user_id STRING COMMENT '用户ID',
    product_id STRING COMMENT '产品ID',
    amount DOUBLE COMMENT '订单金额',
    order_date DATE COMMENT '订单日期',
    update_time TIMESTAMP COMMENT '更新时间'
)
PARTITIONED BY (order_date)
STORED AS ICEBERG;

1.2 分区设计

Iceberg 支持灵活的分区策略，避免小文件问题。

分区字段：
- 按日期分区：order_date
- 按小时分区（实时场景）：order_date, HOUR(update_time)
隐藏分区（Partition Transformations）：
Iceberg 支持复杂的分区表达式，简化查询逻辑。
```
PARTITIONED BY (years(order_date), months(order_date), days(order_date))
```

1.3 数据压缩与存储格式

存储格式：Iceberg 支持 Parquet 和 ORC，推荐使用列式存储的 Parquet。
压缩策略：可选 Snappy 或 ZSTD，综合性能优选 ZSTD。

配置示例：

write.format.default=parquet
write.compress.default=zstd

2. 实时数据处理

2.1 Flink 实现

Flink 与 Iceberg 集成，通过流式写入实现实时 ETL。

实时消费 Kafka 并写入 Iceberg

import org.apache.flink.table.api.*;
import org.apache.flink.types.Row;

public class FlinkIcebergExample {
    public static void main(String[] args) throws Exception {
        // 创建表环境
        EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
        TableEnvironment tableEnv = TableEnvironment.create(settings);

        // 定义 Kafka 源表
        tableEnv.executeSql(
            "CREATE TABLE kafka_orders ( " +
            "  order_id STRING, " +
            "  user_id STRING, " +
            "  product_id STRING, " +
            "  amount DOUBLE, " +
            "  order_date DATE, " +
            "  update_time TIMESTAMP(3), " +
            "  WATERMARK FOR update_time AS update_time - INTERVAL '5' SECOND " +
            ") WITH ( " +
            "  'connector' = 'kafka', " +
            "  'topic' = 'order_topic', " +
            "  'properties.bootstrap.servers' = 'localhost:9092', " +
            "  'format' = 'json' " +
            ")"
        );

        // 定义 Iceberg 目标表
        tableEnv.executeSql(
            "CREATE TABLE iceberg_orders ( " +
            "  order_id STRING, " +
            "  user_id STRING, " +
            "  product_id STRING, " +
            "  amount DOUBLE, " +
            "  order_date DATE, " +
            "  update_time TIMESTAMP(3) " +
            ") PARTITIONED BY (order_date) " +
            "WITH ( " +
            "  'connector' = 'iceberg', " +
            "  'catalog-name' = 'hadoop_catalog', " +
            "  'catalog-type' = 'hadoop', " +
            "  'warehouse' = 'hdfs://path/to/warehouse' " +
            ")"
        );

        // 实现流式写入
        tableEnv.executeSql(
            "INSERT INTO iceberg_orders " +
            "SELECT order_id, user_id, product_id, amount, order_date, update_time FROM kafka_orders"
        );
    }
}

2.2 Spark 实现

Spark 提供批量和流式处理的支持，以下为流式写入 Iceberg 的示例。

实时流写入 Iceberg

from pyspark.sql import SparkSession
from pyspark.sql.functions import from_json, col
from pyspark.sql.types import StructType, StringType, DoubleType, TimestampType, DateType

# 创建 SparkSession
spark = SparkSession.builder \
    .appName("Spark Iceberg Streaming") \
    .config("spark.sql.catalog.hadoop_catalog", "org.apache.iceberg.spark.SparkCatalog") \
    .config("spark.sql.catalog.hadoop_catalog.type", "hadoop") \
    .config("spark.sql.catalog.hadoop_catalog.warehouse", "hdfs://path/to/warehouse") \
    .getOrCreate()

# 定义 Kafka 数据 Schema
schema = StructType([
    StructField("order_id", StringType(), True),
    StructField("user_id", StringType(), True),
    StructField("product_id", StringType(), True),
    StructField("amount", DoubleType(), True),
    StructField("order_date", DateType(), True),
    StructField("update_time", TimestampType(), True)
])

# 从 Kafka 消费数据
kafka_df = spark.readStream.format("kafka") \
    .option("kafka.bootstrap.servers", "localhost:9092") \
    .option("subscribe", "order_topic") \
    .load()

parsed_df = kafka_df.selectExpr("CAST(value AS STRING)").select(from_json(col("value"), schema).alias("data")).select("data.*")

# 写入 Iceberg 表
parsed_df.writeStream \
    .format("iceberg") \
    .outputMode("append") \
    .option("path", "hadoop_catalog.real_time_dw.dwd_order_fact") \
    .start()

3. Iceberg 表治理

3.1 清理无效数据

使用 ExpireSnapshots 清理旧的快照：

CALL hadoop_catalog.system.expire_snapshots(
    table => 'real_time_dw.dwd_order_fact',
    older_than => TIMESTAMP '2025-01-01 00:00:00'
);

3.2 合并小文件

合并小文件以优化查询性能：

CALL hadoop_catalog.system.rewrite_data_files(
    table => 'real_time_dw.dwd_order_fact'
);

3.3 表分层管理

为不同层（如 ODS、DWD、ADS）设置不同的优化策略。例如：
- ODS 层：多小文件快速写入，延迟优化。
- DWD 层：定期合并小文件，确保查询效率。

4. 性能优化

4.1 小文件问题

Iceberg 内置合并策略，减少小文件的生成：

write.distribution-mode=hash
write.target-file-size-bytes=134217728  # 128 MB

4.2 查询优化

启用 vectorized reads 提高读取性能：
```
read.parquet.vectorization.enabled=true
```

利用分区裁剪（Partition Pruning）减少扫描数据量：

SELECT * FROM dwd_order_fact WHERE order_date = '2025-01-01';

4.3 动态分区写入

Iceberg 支持动态分区生成：

write.partition.default-name=my_partition

5. 数据治理工具

5.1 数据血缘

通过 Apache Atlas 集成 Iceberg 的表和元数据，实现血缘追踪。

5.2 数据质量校验

使用工具（如 Great Expectations）校验 Iceberg 数据表：

validator.expect_column_values_to_not_be_null("order_id")
validator.expect_column_values_to_be_in_set("order_status", ["CREATED", "PAID", "CANCELLED"])