最近阅读了 Iceberg 项目中 FlinkSource 和 FlinkSink 的实现,上一篇文章其实都有带过一笔,今天就总结下 Iceberg 如何做 plan 的,无论是数据读取或者小文件合并,都需要对底层文件进行 Scan 和 Plan,生成最后可供计算(如Flink、Spark)引擎或者查询(AP,如SparkSQL、Presto)引擎执行的 SubTasks,或者叫做 Splits,以此进行分布式并发计算。Iceberg 对比 Hudi 经常拿来说道的就是其 API 抽象更优雅,这里就介绍两个重要的 API:planFiles()、planTasks()。
这两个 API 都定义在 TableScan 这个 Interface 中,这是一个 immutable 对象,作用是 Iceberg Table Scan 相关的操作(Operator) 都定义在此,通俗点来说,就是我们要扫描下这张表获取底层文件、版本等信息就是通过设置这个类获取的。
我们通过源码中看下使用方式和定义
// 该方法的作用为重写文件,如用于小文件合并
@Overri