Apache Iceberg快速入门

Apache Iceberg快速入门

导言

本文主要介绍如何快速的通过Spark访问Iceberg table。

Spark通过DataSource和DataFrame API访问Iceberg table，或者进行Catalog相关的操作。由于Spark Data Source V2 API还在持续的演进和修改中，所以Iceberg在不同的Spark版本中的使用方式有所不同。

版本对比

功能	Spark 2.4	Spark 3.0
基于DataFrame
- 读数据	支持	支持
- 读元数据	支持	支持
- 追加（append）	支持	支持
- 覆盖（Overwrite）	支持	支持
- V2 source专属操作，如create, overwrite	不支持	支持
基于Spark SQL
- SELECT	通过DataFrame的temporary view	支持
- DDL	不支持（仅能通过Iceberg API）	支持（通过Catalog）
- DML	不支持	支持

Spark 2.4

配置

Hive MetaStore

Iceberg内部支持Hive和Hadoop两种catalog：

Catalog类型	Metadata JSON管理	Namespace
Hive catalog	Hive MetaStore	1级，即DB
Hadoop catalog	文件系统上的某个文件	多级，对应多级目录

后文以Hive catalog为主做介绍。Hive catalog需要Hive MetaStore的支持。注意其有多种配置方式，其中内嵌的Derby数据库仅仅用于实验和学习，不能用于生产环境。

Spark

<SPARK_HOME>/f需要加入如下配置，使Iceberg能够访问Hive MetaStore：

spark.astore.uris           thrift://<HiveMetaStore>:9083spark.astore.warehouse.dir  hdfs://<NameNode>:8020/path

部署

1. 如何使用社区正式发布的版本：

spark-shell --packages org.apache.iceberg:iceberg-spark-runtime:0.7.0-incubating

1. 如何本地打包，并把Iceberg放入Spark的classpath：

git clone .gitcd incubator-iceberg# master branch supports Spark 2.4.4./gradlew assemblespark-shell --jars <iceberg-git-working-directory>/spark-runtime/build/libs/iceberg-spark-runtime-<version>.jar

读Iceberg table

通过DataFrame

Spark 2.4只能读写已经存在的Iceberg table。在后续的操作前，需要先通过Iceberg API来创建table。

读取是通过DataFrameReader并指定iceberg作为format来访问Iceberg table，随后Iceberg内部的逻辑会根据path来判断访问的是Hive catalog下的table，还是用文件系统的路径表示的Hadoop table。​​​​​​​

// Table managed by Hive catalog     .format("iceberg")     .load("db.table")
// Hadoop table, identified by a path      .format("iceberg")     .load("hdfs://<NameNode>:8020/<path_to_table>")

Iceberg会判断path中是否含有"/"。如果是，则认为是一个用路径表示Hadoop table；否则，会去Hive catalog中寻找。

利用time travel回溯某一个snapshot的数据

在读取时，通过option指定as-of-timestamp或者snapshot-id来访问之前某一个snapshot中的数据：​​​​​​​

// Time travel to October 26, 1986 at 01:21:00     .format("iceberg")     .option("as-of-timestamp", "499162860000")     .load("db.table")
// Time travel to snapshot with ID 10963874102873L     .format("iceberg")     .option("snapshot-id", 10963874102873L)     .load("db.table")

snapshot-id的获取方法，可以参考后文中访问元数据中snapshot的部分，或者直接查看元数据文件的内容。

在DataFrame基础上使用SQL SELECT

在DataFrame的基础上，创建local temporary view后，也可以通过SQL SELECT来读取Iceberg table的内容：​​​​​​​

val df = ad              .format("iceberg")              .load("db.table")spark.sql("""SELECT * FROM view""")     .show()

写Iceberg table

Spark 2.4可以通过DataFrameWriter并指定iceberg作为format来写入Iceberg table，并支持append和overwrite两种模式：​​​​​​​

// Appenddf.write  .format("iceberg")  .mode("append")  .save("db.table")
// Overwritedf.write  .format("iceberg")  .mode("overwrite")  .save("db.table")

有如下几点需要注意：

1. Overwrit的行为dynamic overwrite，即当某个partition中含有输入DataFrame中的行的时候，该partition才会被新数据完全覆盖；其他partition则保持不变。而Spark 2.4中原生数据源（如parquet)的默认行为是static overwrite；

2. 操作粒度是文件级别，并不是行级别；

3. mode必须显式指定，没有默认行为。

访问Iceberg table的元数据

Iceberg支持通过DataFrameReader访问table的元数据，如snapshot，manifest等。对于Hive table，可以在原table name后面加.history、.snapshots等表示要访问元数据；对于用路径来表示的Hadoop table，需要在原路径后面加#history等。例如：​​​​​​​

// Read snapshot history of db.table     .format("iceberg")     .load("db.table.history")

结果如下：​​​​​​​

+-------------------------+---------------------+---------------------+---------------------+| made_current_at         | snapshot_id         | parent_id           | is_current_ancestor |+-------------------------+---------------------+---------------------+---------------------+| 2019-02-08 03:29:51.215 | 5781947118336215154 | NULL                | true                || 2019-02-08 03:47:55.948 | 5179299526185056830 | 5781947118336215154 | true                || 2019-02-09 16:24:30.13  | 296410040247533544  | 5179299526185056830 | false               || 2019-02-09 16:32:47.336 | 2999875608062437330 | 5179299526185056830 | true                || 2019-02-09 19:42:03.919 | 8924558786060583479 | 2999875608062437330 | true                || 2019-02-09 19:49:16.343 | 6536733823181975045 | 8924558786060583479 | true                |+-------------------------+---------------------+---------------------+---------------------+

又如：​​​​​​​

// Read snapshot list of db.table     .format("iceberg")     .load("db.table.snapshots")
// Read manifest files of db.table     .format("iceberg")     .load("db.table.manifests")
// Read data file list of db.tabe     .format("iceberg")     .load("db.table.files")

可以进一步将history和snapshot按照snapshot id做join，来查找snapshot id对应的application id：​​​​​​​

     .format("iceberg")     .load("db.table.history")     .createOrReplaceTempView("history")     .format("iceberg")     .load("db.table.snapshots")     .createOrReplaceTempView("snapshots")​​​​​​​

SELECT    h.made_current_at,    s.operation,    h.snapshot_id,    h.is_current_ancestor,    s.summary['spark.app.id']FROM history hJOIN snapshots s  ON h.snapshot_id = s.snapshot_idORDER BY made_current_at

结果如下：​​​​​​​

-------------------------+-----------+----------------+---------------------+----------------------------------+| made_current_at         | operation | snapshot_id    | is_current_ancestor | summary[spark.app.id]            |+-------------------------+-----------+----------------+---------------------+----------------------------------+| 2019-02-08 03:29:51.215 | append    | 57897183625154 | true                | application_1520379288616_155055 || 2019-02-09 16:24:30.13  | delete    | 29641004024753 | false               | application_1520379288616_151109 || 2019-02-09 16:32:47.336 | append    | 57897183625154 | true                | application_1520379288616_155055 || 2019-02-08 03:47:55.948 | overwrite | 51792995261850 | true                | application_1520379288616_152431 |+-------------------------+-----------+----------------+---------------------+----------------------------------+

Spark 3.0

Iceberg在Spark 3.0中，作为V2 Data Source，除了上述Spark 2.4所有的访问能力外，还可以通过V2 Data Source专属的DataFrame API访问；同时，受益于external catalog的支持，Spark SQL的DDL功能也可以操作Iceberg table，并且DML语句支持也更加丰富。

配置external catalog

在<SPARK_HOME>/f加入如下配置：

spark.sql.catalog.catalog-name&#ample.YourCatalogClass

通过V2 Data Source专属DataFrame API访问​​​​​​​

df.writeTo("catalog-name.db.table")  .overwritePartitions()

通过Spark SQL访问

相较于Spark 2.4，Spark 3.0可以省去DataFrameReader和创建local temporary view的步骤，直接通过Spark SQL进行操作：​​​​​​​

-- Create tableCREATE TABLE catalog-name.db.tabe    (id INT, data STRING)    USING iceberg    PARTITIONED BY (id)
-- InsertINSERT INTO catalog-name.db.table    VALUES (1, 'a'), (2, 'b'), (3, 'c')
-- DeleteDELETE FROM catalog-name.db.table    WHERE id <> 1
-- UpdateUPDATE catalog-name.db.table    SET data = 'C' WHERE id = 3
-- Create table as selectCREATE TABLE catalog-name.db.table     USING iceberg    AS SELECT id, data        FROM catalog-name.db.table1        WHERE id <= 2

我们作为社区中spark-3分支的维护者，正在持续推进新功能的开发和合入，让更多的人受益。

总结

本文作为Iceberg的快速入门，介绍了如何通过Spark访问Iceberg table，以及不同Spark版本的支持情况：

• Spark 2.4可以通过DataFrame读取或修改已经存在的Iceberg table中的数据，但建表、删表等DDL操作只能通过Iceberg API完成；

• Spark 3.0访问Iceberg table的能力是Spark 2.4的超集，可以通过Spark SQL配合catalog，进行SELECT、DDL和DML等更多的操作。

随着Iceberg自身功能的完善（如向量化读取，merge on read等），以及上下游对接和生态的丰富，Iceberg作为优秀的表格式抽象，在大数据领域必然会有更好的发展。