Apache Iceberg 0.13 特性介绍-Flink/Spark新版本支持、增量删除等特性来袭

来源 | https://tabular.io/blog/whats-new-in-iceberg-0.13/
作者 | Ryan Blue （Apache Iceberg PMC）
翻译 | liliwei

Apache Iceberg 社区刚刚发布了 0.13 版，其中有很多很棒的新增功能！在这篇文章中，我将介绍一些本版本的亮点功能。

完善对多个引擎支持

Iceberg 0.13 增加了对 Spark 3.2 和 Flink 1.12-1.14 的支持。Spark 和 Flink 都进行了重大改进，我们很高兴能够能够支持它们的最新版本。稍后我将详细介绍这些新功能，但首先我想指出社区如何改进对引擎所有版本的支持方式。

在 0.13 版本之前，社区通过在 Spark 或 Flink 的不同版本之间共享同一个模块来保持兼容性，这就是iceberg-spark3-runtime模块能同时适用于 Spark 3.0 和 3.1 的原因。总体而言，这种方式虽然减少了我们的代码规模，但带来了太多令人头疼的问题。例如，要在多个 Spark 版本中使用同一个 Jar，Iceberg 必须使用垫片类​（ shim classes ）和反射来调用正确的 Spark 方法。比这个更糟糕的是，要实现新功能变得更加困难，因为它并非包含了每个受支持的版本所需的接口。

在这条道路上，Iceberg 面临着一个糟糕的权衡：必须放弃旧版本以支持新功能。

与之相反，社区最终决定为引擎的每个版本维护一个新模块。这虽然会产生大量的重复代码，但使支持新功能变得更加容易。而且还通过使用编译时验证（ compile-time validation ）替代反射调用使 Iceberg 更加可靠了。

这种支持 Spark 的新结构来得恰如其时。Spark 3.2 版本向前迈出了一大步，主要体现在支持 Iceberg 声明式数据工程愿景的特性上。

声明式数据工程

声明式数据工程（ declarative data engineering ）是一种（不是很原始的）理念，您应该告诉您的数据基础设施要做什么，而不是如何做。同样的原则也存在于许多其他框架中，并且在DevOps领域非常普遍。有趣的是，SQL 正是一种声明性语言——但问题是在数据工程中 SQL 没有被以声明式的方式进行使用。

例如，考虑一个简单的SQL，它将数据加载到类似 Hive 的表中：

INSERT INTO logs
SELECT event_ts, level, message,
       date_format(event_ts, 'yyyy-MM-dd') as event_day
FROM log_source
ORDER BY date_format(event_ts, 'yyyy-MM-dd'), event_ts

请注意用于分区的新列：event_day 。Iceberg 所做的早期改进之一是使用隐藏分区进行分区声明。在 Iceberg 中，表被配置为使用 days(event_ts) 自动分区的。读取方无需使用额外的谓词告诉 Spark 如何查找文件。而且写入方无需告诉 Spark 如何派生分区值。

这种方法是一个巨大的胜利。你注意到上面插入语句的错误之处了吗？它使用本地时区，所以当我在笔记本上运行它时，它会将数据插入错误的分区。哎哟！ 隐藏分区不会发生这种情况。

可配置聚类和排序

Spark 3.2 增加了对表的请求分发和排序的支持，Iceberg 0.13 使用此功能以声明化表的写时聚类和排序。当前，插入、更新、合并和删除可使用在表内配置的写入顺序。

这解决了需要添加全局 ORDER BY 以避免创建太多小文件的问题。写入分桶表将自动聚集数据以减少创建的文件数量和内存消耗。

要使用这一特性，只需设置表的写入顺序：

ALTER TABLE logs WRITE ORDERED BY event_ts

结合隐藏分区和表写入顺序，上述插入操作现在看起来会好很多：

INSERT INTO logs SELECT event_ts, level, message FROM log_source

可以想象，声明式模式的好处会随着时间的推移而俞加明显。如果您想将示例表按日志级别分区，那么运行一个简单的 DDL 语句，Iceberg 将自动获取配置变更并对新的数据生成正确的聚类。无需更改之前的代码！

优化合并和更新

MERGE 和 UPDATE 命令对于声明式数据工程很重要，因为它们提供了一种灵活的方式来告诉 Spark 进行行级更改，而无需手动读取、关联、过滤和覆盖表的部分数据来完成相同的任务。因 Spark 不支持 MERGE 和 UPDATE，Iceberg 社区维护了一个添加了这些命令的SQL扩展模块。Spark 3.2 发布的一些特性有助于使这些语句命令更加原生。

首先，Iceberg 0.13 当前实现了一个用于动态修剪的新接口。动态修剪使用关联关系来创建额外的过滤器并将其下推到表中。这在运行大型关联时非常有用，例如用于 MERGE 语句。在旧版本中，Iceberg 对 MERGE 使用了自定义的动态修剪，但 3.2 及更高版本之后，将使用 Spark 原生特性进行 MERGE 。更好的消息是，这些更新还为 Iceberg 表的所有关联操作添加了动态修剪，而不仅仅局限于 MERGE 和 UPDATE。

MERGE、UPDATE 和 DELETE 为请求分发和排序也进行了全面优化，从而更好地支持表的多分区，并使用元数据列来最小化数据变更。

元数据列也是 Spark 3.2 中的一项新特性，允许选择每一行的元数据，例如源数据文件 ( _file) 及位置 ( _pos)。

增量删除

Iceberg v2 添加了包含软删除的删除文件——这些文件告诉读取方要跳过的已被替换或删除的行。删除文件可用于进行更有针对性的更改，避免仅仅为了更新或删除几行数据而重写整个大文件（即减少“写放大”）。v2 规范于去年最终定稿并启用，Spark和Flink都增加了新的应用。

0.13 添加了针对 DELETE FROM 的新 Spark 特性实现，它增量删除而不是重写整个数据文件。对于那些想要立即软删除行并累积这些删除以减少大的（昂贵的）重写的人来说，这应该是一个巨大的帮助。

同样，0.13 使用 0.12 中添加的表标识符字段（ identifier fields ）向 Flink 添加了 UPSERT 支持。

更多

新版本中还有更多内容，我无法一一在此列举，例如数据存储过程、删除压实以及与云提供商的新集成方式。查看完整发行说明。
感谢为 0.13 版本的达成做出贡献的 90 多位贡献者！

声明：本文已获得原作者授权，转载请注明出处。