685-383.jpg
作者｜Jingsong Lee jingsonglee0@gmail.com
Apache Flink 社区很高兴地宣布发布 Apache Flink Table Store 0.2.0。
在这个版本中，增加了 Hive、Spark 和 Trino 等计算引擎的对接支持，并且稳定了存储的格式。欢迎大家试用和反馈！
Flink Table Store 仓库地址：
https://github.com/apache/flink-table-store
项目文档和用户指南请查看：
https://nightlies.apache.org/flink/flink-table-store-docs-release-0.2/
Flink Table Store 是什么
Flink Table Store是一个数据湖存储，用于实时流式 Changelog 摄取 (比如来自 Flink CDC 的数据) 和高性能查询。
F7490142-221E-4D88-9410-CDAA22E32966.png
作为一种新型的可更新数据湖，Flink Table Store 具有以下特点：
- 大吞吐量的更新数据摄取，同时提供良好的查询性能。
- 具有主键过滤器的高性能查询，响应时间最快可达到百毫秒级别。
- 流式读取在 Lake Storage 上可用，Lake Storage 还可以与 Kafka 集成，以提供毫秒级流式读取。
功能
在这个版本中，我们完成了许多令人兴奋的功能。
Catalog
此版本引入了 Table Store 自己的 Catalog，在 Catalog 下创建的表，持久化保存表信息等元数据，可以跨 session 访问存量表。
默认情况下元数据都保存在 DFS 上。也支持配置 Hive Metastore 的自动同步。
CREATE CATALOG tablestore WITH (
'type'='table-store',
'warehouse'='hdfs://nn:8020/warehouse/path',
-- optional hive metastore
'metastore'='hive',
'uri'='thrift://<hive-metastore-host-name>:<port>'
);
USE CATALOG tablestore;
CREATE TABLE my_table ...
当开启 Hive Metastore 时，你可以比较方便的使用 Hive 引擎来查询 Flink Table Store。
生态
在本版本中，我们不仅支持 Flink 1.15，也支持了 Flink 1.14，并为多个计算引擎提供读取支持。
我们会保持 Flink 引擎和 Flink Table Store 的全面结合，构建完整的流批一体计算和存储的流式数仓。此外，Flink Table Store 也支持了更多的计算引擎，包括 Hive/Spark/Trino 等，从而可以兼容更多的生态，便于在现有生产环境中使用。
O1CN01MfOexe1fstzliZBgt_!!6000000004063-0-tps-539-155.jpg
如果你有关于生态的需求和想法，比如想让 Spark 或 Hive 支持写入 Flink Table Store，欢迎通过扫描文末的二维码入群交流，或者在 Flink 社区创建 issue 进行讨论。
Append-only 表
Append-only 表功能是一种性能改进，只接受 INSERT_ONLY 的数据以 Append 到存储，而不是更新或删除现有数据，适用于不需要更新的用例（如日志数据同步）。
CREATE TABLE my_table (
...
) WITH (
'write-mode' = 'append-only',
...
)
流式写入 Append-only 表也具有异步 Compaction，从而不需要担心小文件问题。
Bucket 扩缩容
单个 Bucket 内是一个单独的 LSM 结构，Bucket 的数量会影响性能：
- 过小的 Bucket 数量会导致写入作业有瓶颈，吞吐跟不上写入速度。
- 过大的 Bucket 数量会导致有大量小文件，且影响查询速度。
Flink Table Store 允许用户通过 ALTER TABLE 命令调整存储桶数量，并通过 INSERT OVERWRITE 重新组织必要的分区，旧分区保持不变。
性能测试
在以下的模块里，我们创建了关于流计算更新和查询的 Benchmark：
https://github.com/apache/flink-table-store/tree/master/flink-table-store-benchmark
更新性能和查询性能是互相权衡的，所以在性能测试中不能单独衡量更新性能或者查询性能。
- 如果只考虑查询性能，那么 Copy On Write (COW) 是最适合的技术方案，但这种设计下更新时会覆写所有数据，因此是以牺牲更新性能为代价的。
- 如果只考虑更新性能，那么 Merge On Read (MOR) 是最适合的技术方案，但这种设计下会在读取时对数据进行合并，从而影响查询的性能。
- Flink Table Store 目前只支持 MOR 模式，但通过 Data Skipping 等技术对查询性能做了优化。
下面对比了 Flink Table Store 和 Hudi MOR、Hudi COW，在实时更新场景的写入（包含插入和更新）与查询性能。目前湖存储中，只有 Hudi 比较好的支持了流更新写入，而 Iceberg 和 Delta 更适合使用批 SQL 的 MERGE INTO 来完成更新，所以这里只对比了 Hudi。
测试方法：
- 通过 Flink SQL 向定义了主键的表里写入定量的随机数据，测量耗时以及平均的 Cpu 消耗，以此衡量存储的更新性能。
- 通过 Spark SQL 查询写好数据的表，测量三种 Query：查询全部数据、查询主键的某个范围、点查某个主键，以此衡量存储的查询性能。
测试用例：
- 总量：数据总条数 5 亿条。
- 主键：随机的数据，随机范围是 1 亿。
- 大小：每条数据大概 150 字节。
此测试用例比较简单，如有需要可以利用 benchmark 构建更复杂的用例来贴合自己的生产场景。
测试环境：
- Flink 版本: 1.14.5
- Spark 版本：3.2.2
- Flink Table Store 版本: 0.2.0
- Hudi 版本：0.11.1
- 集群：三台物理机的 Hadoop 集群
Flink 集群参数：
表格1.jpg
Spark 集群参数：
表格2.jpg
Flink Table Store 参数：
表格3.jpg
Hudi 参数：
表格4.jpg
写入性能 (throughput / core)：
80C4AE25-0F0C-4101-B21A-41D1FD855C14.png
查询性能 (秒) (Flink Table Store vs Hudi MOR)：
A916420C-E0D3-4ADD-A88A-3BB23DB388EB.png
查询性能 (秒) (Flink Table Store vs Hudi COW)：
C69B173E-A42A-4AC1-BD44-B16A6A65C9EF.png
结论，面向此测试用例：
- Flink Table Store 对比 Merge On Read 有着比较好的更新性能和查询性能。
- Flink Table Store 对比 Copy On Write 有着比较好的更新性能，但是查询所有数据不如 COW，Flink Table Store 是一个 Merge On Read 的技术，有 Merge 的开销，但是 Merge 的效率非常高。
- Flink Table Store 因为保持了有序性，直接查询表可以有很好的 Data Skipping，点查甚至可以达到 100ms 以内的延迟。
下一步
在即将发布的 0.3.0 版本中，您可以期待以下功能：
- Lookup：支持 Flink Dim Lookup Join。(即将来临)
- 并发更新：多个 Flink 作业写入同一张 Flink Table Store 表。
- Compaction分离：单独的任务完成Compaction。
- 物化视图：Flink Table Store 提供预聚合模型。
- 变更日志生成：为各种 MergeEngine 生成准确的变更日志。
- 多引擎的写支持：支持 Spark、Hive 写入 Flink Table Store。
Flink Table Store 长期目标是满足批流一体对存储的所有要求，并构建实时低成本的 Streaming Data Warehouse。
网友评论