背景
随着大数据处理结果的实时性要求越来越高，越来越多的大数据处理从离线转到了实时，其中以flink为主的实时计算在大数据处理中占有重要地位。
Flink消费kafka等实时数据流。然后实时写入hive，在大数据处理方面有着广泛的应用。此外由于列式存储格式如parquet或者orc在查询性能方面有着显著的提高，所以大家都会优先选择列式存储作为我们的存储格式。
传统的这种架构看似不错，但是还是有很多没有解决的问题:
- 实时写入造成大量小文件，需要单独的程序来进行合并
- 实时的写入，读取，还有合并小文件在同时进行，那么如何保证事务，读取数据的时候不会出现脏读。
- Hdfs的数据一般是一次写入。多次读写，但是如果因为程序出错导致数据错了，确实要修改某一条数据改怎么办
- 消费kafka的数据落地到hive，有一天kafka的数据多了几个字段，如何同步到hive？必须删了重建吗？
- 订单等业务数据一般存储在传统数据库，如mysql等。如何实时同步这些cdc数据到hive仓库呢，包括ddl和dml
如果你有上面的需求，那么你可以考虑一下数据湖了，目前开源的数据湖技术主要有以下几个：delta、hudi、iceberg，但是侧重点有所不同，我上面说的问题也不完全都能实现，但是这些都是数据湖要做的东西，随着社区的不断发展，这些功能都会有的。
一些介绍可以参考下这个ppt 【基于Flink+Iceberg构建企业级实时数据湖.pdf】
但是目前世面上这些数据湖技术都与spark紧密绑定。而我们目前实时计算主要以flink为主，而且我个人觉得未来实时计算也将以flink为主，所以我选择了iceberg为我们的数据湖，虽然他有一些功能不是很完善，但是有着良好的抽象，并且不强制绑定spark，所以对于iceberg没有的功能，我们可以自己给补全，再回馈给社区，一起成长。
iceberg简介
其实对于iceberg，官方的定义是一种表格式。
Apache Iceberg is an open table format for huge analytic datasets. Iceberg adds tables to Presto and Spark that use a high-performance format that works just like a SQL table.
我们可以简单理解为他是基于计算层（flink ， spark）和存储层（orc，parqurt）的一个中间层，我们在hive建立一个iceberg格式的表。用flink或者spark写入iceberg，然后再通过其他方式来读取这个表，比如spark，flink，presto等。
当然数据湖的概念远不止这点，我们今天就先简单的这么理解，后续写一篇文章专门介绍一下iceberg。
flink实时写入
目前官网的flink集成iceberg写入的时候有一个小bug，我改了改，自己重新编译打了一个包。接下来我们使用flink sql client来测试一下如何使用flink将实时的流数据写入iceberg，然后使用presto查询结果。
准备sql client环境
目前官方的测试版本是基于scala 2.12版本的flink。所以我们也用和官方同步的版本来测试下，下载下面的两个jar放到flink的lib下面，然后启动一下flink集群，standalone模式。
-
下载flink ：flink-1.11.2-bin-scala_2.12.tgz
-
下载 iceberg-flink-runtime.jar 这个包目前版本（0.9.1）没有提供，需要的话需要自己编译一下，我编译好了一个，并且该了创建catalog的bug，可以来这里获取。
-
下载flink 集成hive的connector，flink-sql-connector-hive-2.3.6_2.12-1.11.2.jar
-
目前官方的hive测试版本是 2.3.7，其他的版本可能有不兼容
注意要配置flink的checkpoint，因为目前flink提交iceberg的信息是在每次checkpoint的时候提交的。在sql client配置checkpoint的方法如下：
在flink-conf.yaml添加如下配置
execution.checkpointing.interval: 10s # checkpoint间隔时间
execution.checkpointing.tolerable-failed-checkpoints: 10 # checkpoint 失败容忍次数
创建catalog
iceberg在创建catalog的时候有一个小bug，他需要一个warehouse，但是系统没有提供，根据issue的讨论，借鉴flink集成hive，大家更倾向于提供一个hive-site.xml配置，但是如果是配置一个本地路径的话，对于flink application mode提交任务是有问题的，因为这种模式用户程序的加载是在flink的jobmanager端的，可能那个机器是没hive-site.xml配置文件的。所以我自己写了一个方案，提供一个hive-site.xml的配置路径，可以是本地或者hdfs路径，如果是hdfs，则先下载到本地，然后再加载。
相关的issue[1]和pr[2]
官方提供的创建catalog的版本ddl如下：
CREATE CATALOG iceberg WITH (
'type'='iceberg',
'catalog-type'='hive',
'uri'='thrift://localhost:9083'
);
我修改后的DDL如下：
CREATE CATALOG iceberg WITH (
'type'='iceberg',
'catalog-type'='hive',
'hive-conf-dir'='/Users/user/work/hive/conf/'
)
执行完之后，显示如下:
Flink SQL> show catalogs;
default_catalog
iceberg
我自己测试了一下，在flink的多种提供模式下都是没有问题的（sql client、standalnoe、yarn sesson、yarn per job、yarn application）。
创建db
use catalog iceberg;
CREATE DATABASE iceberg_db;
USE iceberg_db;
创建table
CREATE TABLE iceberg.iceberg_db.iceberg_001 (
id BIGINT COMMENT 'unique id',
data STRING
) WITH ('connector'='iceberg','write.format.default'='ORC');
插入数据
我们依然创建一个datagen的connector。
CREATE TABLE sourceTable (
userid int,
f_random_str STRING
) WITH (
'connector' = 'datagen',
'rows-per-second'='100',
'fields.userid.kind'='random',
'fields.userid.min'='1',
'fields.userid.max'='100',
'fields.f_random_str.length'='10'
)
这时候我们看到有两个表了
Flink SQL> show tables;
iceberg_001
sourcetable
然后执行insert into插入数据：
insert into iceberg.iceberg_db.iceberg_001 select * from iceberg.iceberg_db.sourceTable
查询
我们这里使用presto来查询
presto的配置iceberg.properties 如下：
connector.name=iceberg
hive.metastore.uri=thrift://localhost:9083
在这里插入图片描述
代码版本
public class Flink2Iceberg{
public static void main(String[] args) throws Exception{
StreamExecutionEnvironment env =
StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
env.enableCheckpointing(10000);
StreamTableEnvironment tenv = StreamTableEnvironment.create(env);
tenv.executeSql("CREATE CATALOG iceberg WITH (\n" +
" 'type'='iceberg',\n" +
" 'catalog-type'='hive'," +
//" 'hive-site-path'='hdfs://localhost/data/flink/conf/hive-site.xml'" +
" 'hive-site-path'='/Users/user/work/hive/conf/hive-site.xml'" +
")");
tenv.useCatalog("iceberg");
tenv.executeSql("CREATE DATABASE iceberg_db");
tenv.useDatabase("iceberg_db");
tenv.executeSql("CREATE TABLE sourceTable (\n" +
" userid int,\n" +
" f_random_str STRING\n" +
") WITH (\n" +
" 'connector' = 'datagen',\n" +
" 'rows-per-second'='100',\n" +
" 'fields.userid.kind'='random',\n" +
" 'fields.userid.min'='1',\n" +
" 'fields.userid.max'='100',\n" +
"'fields.f_random_str.length'='10'\n" +
")");
tenv.executeSql(
"insert into iceberg.iceberg_db.iceberg_001 select * from iceberg.iceberg_db.sourceTable");
}
}
具体见：
总结
总结一下，iceberg的资料比较少，很多设计或者讨论等需要关注issues，然后再去撸源码，可能对于刚入门的小伙伴来说有点困难。后续我也会多分享一些关于iceberg的文章，欢迎大家关注我公众号【大数据技术与应用实战】。
参考：
[1].https://github.com/apache/iceberg/issues/1437
[2].https://github.com/apache/iceberg/pull/1527
网友评论