汽车之家：基于 Flink + Iceberg 的湖仓一体架构实

内容简要：

一、数据仓库架构升级的背景

二、基于 Iceberg 的湖仓一体架构实践

三、总结与收益

四、后续规划

一、数据仓库架构升级的背景

1. 基于 Hive 的数据仓库的痛点

原有的数据仓库完全基于 Hive 建造而成，主要存在三大痛点：

痛点一：不支持 ACID

1）不支持 Upsert 场景；

2）不支持 Row-level delete，数据修正成本高。

痛点二：时效性难以提升

1）数据难以做到准实时可见；

2）无法增量读取，无法实现存储层面的流批统一；

3）无法支持分钟级延迟的数据分析场景。

痛点三：Table Evolution

1）写入型 Schema，对 Schema 变更支持不好；

2）Partition Spec 变更支持不友好。

2. Iceberg 关键特性

Iceberg 主要有四大关键特性：支持 ACID 语义、增量快照机制、开放的表格式和流批接口支持。

• 支持 ACID 语义
  • 不会读到不完整的 Commit；
  • 基于乐观锁支持并发 Commit；
  • Row-level delete，支持 Upsert。

• 增量快照机制
  • Commit 后数据即可见（分钟级）；
  • 可回溯历史快照。

• 开放的表格式
  • 数据格式：parquet、orc、avro
  • 计算引擎：Spark、Flink、Hive、Trino/Presto

• 流批接口支持
  • 支持流、批写入；
  • 支持流、批读取。

二、基于 Iceberg 的湖仓一体架构实践

湖仓一体的意义就是说我不需要看见湖和仓，数据有着打通的元数据的格式，它可以自由的流动，也可以对接上层多样化的计算生态。

——贾扬清（阿里云计算平台高级研究员）

1. Append 流入湖的链路

img

上图为日志类数据入湖的链路，日志类数据包含客户端日志、用户端日志以及服务端日志。这些日志数据会实时录入到 Kafka，然后通过 Flink 任务写到 Iceberg 里面，最终存储到 HDFS。

2. Flink SQL 入湖链路打通

我们的 Flink SQL 入湖链路打通是基于 “Flink 1.11 + Iceberg 0.11” 完成的，对接 Iceberg Catalog 我们主要做了以下内容：

1）Meta Server 增加对 Iceberg Catalog 的支持；

2）SQL SDK 增加 Iceberg Catalog 支持。

然后在这基础上，平台开放 Iceberg 表的管理功能，使得用户可以自己在平台上建 SQL 的表。

3. 入湖 - 支持代理用户

第二步是内部的实践，对接现有预算体系、权限体系。

因为之前平台做实时作业的时候，平台都是默认为 Flink 用户去运行的，之前存储不涉及 HDFS 存储，因此可能没有什么问题，也就没有思考预算划分方面的问题。

但是现在写 Iceberg 的话，可能就会涉及一些问题。比如数仓团队有自己的集市，数据就应该写到他们的目录下面，预算也是划到他们的预算下，同时权限和离线团队账号的体系打通。

img

如上所示，这块主要是在平台上做了代理用户的功能，用户可以去指定用哪个账号去把这个数据写到 Iceberg 里面，实现过程主要有以下三个。

• 增加 Table 级别配置：'iceberg.user.proxy' = 'targetUser’

  1）启用 Superuser

  2）团队账号鉴权

  img

• 访问 HDFS 时启用代理用户：

  img

• 访问 Hive Metastore 时指定代理用户

  1）参考 Spark 的相关实现：

  org.apache.spark.deploy.security.HiveDelegationTokenProvider

  2）动态代理 HiveMetaStoreClient，使用代理用户访问 Hive metastore

4. Flink SQL 入湖示例

DDL + DML

img

5. CDC 数据入湖链路

img

如上所示，我们有一个 AutoDTS 平台，负责业务库数据的实时接入。我们会把这些业务库的数据接入到 Kafka 里面，同时它还支持在平台上配置分发任务，相当于把进 Kafka 的数据分发到不同的存储引擎里，在这个场景下是分发到 Iceberg 里。

6. Flink SQL CDC 入湖链路打通

下面是我们基于 “Flink1.11 + Iceberg 0.11” 支持 CDC 入湖所做的改动：

• 改进 Iceberg Sink：

  Flink 1.11 版本为 AppendStreamTableSink，无法处理 CDC 流，修改并适配。

• 表管理

  1）支持 Primary key（PR1978）

  2）开启 V2 版本：'iceberg.format.version' = '2'

7. CDC 数据入湖

1. 支持 Bucket

Upsert 场景下，需要确保同一条数据写入到同一 Bucket 下，这又如何实现？

目前 Flink SQL 语法不支持声明 bucket 分区，通过配置的方式声明 Bucket：

'partition.bucket.source'='id', // 指定 bucket 字段

'partition.bucket.num'='10', // 指定 bucket 数量

2. Copy-on-write sink

做 Copy-on-Write 的原因是原本社区的 Merge-on-Read 不支持合并小文件，所以我们临时去做了 Copy-on-write sink 的实现。目前业务一直在测试使用，效果良好。

img

上方为 Copy-on-Write 的实现，其实跟原来的 Merge-on-Read 比较类似，也是有 StreamWriter 多并行度写入和 FileCommitter 单并行度顺序提交。

在 Copy-on-Write 里面，需要根据表的数据量合理设置 Bucket 数，无需额外做小文件合并。

• StreamWriter 在 snapshotState 阶段多并行度写入

  1）增加 Buffer；

  2）写入前需要判断上次 checkpoint 已经 commit 成功；

  3）按 bucket 分组、合并，逐个 Bucket 写入。

• FileCommitter 单并行度顺序提交

  1）table.newOverwrite()

  2）Flink.last.committed.checkpoint.id

  img

8. 示例 - CDC 数据配置入湖

img

如上图所示，在实际使用中，业务方可以在 DTS 平台上创建或配置分发任务即可。

实例类型选择 Iceberg 表，然后选择目标库，表明要把哪个表的数据同步到 Iceberg 里，然后可以选原表和目标表的字段的映射关系是什么样的，配置之后就可以启动分发任务。启动之后，会在实时计算平台 Flink 里面提交一个实时任务，接着用 Copy-on-write sink 去实时地把数据写到 Iceberg 表里面。

img

9. 入湖其他实践

实践一：减少 empty commit

• 问题描述：

  在上游 Kafka 长期没有数据的情况下，每次 Checkpoint 依旧会生成新的 Snapshot，导致大量的空文件和不必要的 Snapshot。

• 解决方案（PR - 2042）：

  增加配置 Flink.max-continuousempty-commits，在连续指定次数 Checkpoint 都没有数据后才真正触发 Commit，生成 Snapshot。

实践二：记录 watermark

• 问题描述：

  目前 Iceberg 表本身无法直接反映数据写入的进度，离线调度难以精准触发下游任务。

• 解决方案（ PR - 2109 ）：

  在 Commit 阶段将 Flink 的 Watermark 记录到 Iceberg 表的 Properties 中，可直观的反映端到端的延迟情况，同时可以用来判断分区数据完整性，用于调度触发下游任务。

实践三：删表优化

• 问题描述：

  删除 Iceberg 可能会很慢，导致平台接口相应超时。因为 Iceberg 是面向对象存储来抽象 IO 层的，没有快速清除目录的方法。

• 解决方案：

  扩展 FileIO，增加 deleteDir 方法，在 HDFS 上快速删除表数据。

10. 小文件合并及数据清理

定期为每个表执行批处理任务（spark 3），分为以下三个步骤：

1. 定期合并新增分区的小文件：

rewriteDataFilesAction.execute(); 仅合并小文件，不会删除旧文件。

2. 删除过期的 snapshot，清理元数据及数据文件：

table.expireSnapshots().expireOld erThan(timestamp).commit();

3. 清理 orphan 文件，默认清理 3 天前，且无法触及的文件：

removeOrphanFilesAction.older Than(timestamp).execute();

11. 计算引擎 – Flink

Flink 是实时平台的核心计算引擎，目前主要支持数据入湖场景，主要有以下几个方面的特点。

• 数据准实时入湖：

  Flink 和 Iceberg 在数据入湖方面集成度最高，Flink 社区主动拥抱数据湖技术。

• 平台集成：

  AutoStream 引入 IcebergCatalog，支持通过 SQL 建表、入湖 AutoDTS 支持将 MySQL、SQLServer、TiDB 表配置入湖。

• 流批一体：

  在流批一体的理念下，Flink 的优势会逐渐体现出来。

12. 计算引擎 – Hive

Hive 在 SQL 批处理层面 Iceberg 和 Spark 3 集成度更高，主要提供以下三个方面的功能。

• 定期小文件合并及 meta 信息查询：

  SELECT * FROM prod.db.table.history 还可查看 snapshots, files, manifests。

• 离线数据写入：

  1）Insert into 2）Insert overwrite 3）Merge into

• 分析查询：

  主要支持日常的准实时分析查询场景。

13. 计算引擎 – Trino/Presto

AutoBI 已经和 Presto 集成，用于报表、分析型查询场景。

• Trino

  1）直接将 Iceberg 作为报表数据源

  2）需要增加元数据缓存机制：https://github.com/trinodb/trino/issues/7551

• Presto

  社区集成中：https://github.com/prestodb/presto/pull/15836

14. 踩过的坑

1. 访问 Hive Metastore 异常

问题描述：HiveConf 的构造方法的误用，导致 Hive 客户端中声明的配置被覆盖，导致访问 Hive metastore 时异常

解决方案（PR-2075）：修复 HiveConf 的构造，显示调用 addResource 方法，确保配置不会被覆盖：hiveConf.addResource(conf);

2.Hive metastore 锁未释放

问题描述：“CommitFailedException: Timed out after 181138 ms waiting for lock xxx.” 原因是 hiveMetastoreClient.lock 方法，在未获得锁的情况下，也需要显示 unlock，否则会导致上面异常。

解决方案（PR-2263）：优化 HiveTableOperations#acquireLock 方法，在获取锁失败的情况下显示调用 unlock 来释放锁。

3. 元数据文件丢失

问题描述：Iceberg 表无法访问，报 “NotFoundException Failed to open input stream for file : xxx.metadata.json”

解决方案（PR-2328）：当调用 Hive metastore 更新 iceberg 表的 metadata_location 超时后，增加检查机制，确认元数据未保存成功后再删除元数据文件。

三、收益与总结

1. 总结

通过对湖仓一体、流批融合的探索，我们分别做了总结。

• 湖仓一体

  1）Iceberg 支持 Hive Metastore；

  2）总体使用上与 Hive 表类似：相同数据格式、相同的计算引擎。

• 流批融合

  准实时场景下实现流批统一：同源、同计算、同存储。

2. 业务收益

• 数据时效性提升：

  入仓延迟从 2 小时以上降低到 10 分钟以内；算法核心任务 SLA 提前 2 小时完成。

• 准实时的分析查询：

  结合 Spark 3 和 Trino，支持准实时的多维分析查询。

• 特征工程提效：

  提供准实时的样本数据，提高模型训练时效性。

• CDC 数据准实时入仓：

  可以在数仓针对业务表做准实时分析查询。

3. 架构收益 - 准实时数仓

img

上方也提到了，我们支持准实时的入仓和分析，相当于是为后续的准实时数仓建设提供了基础的架构验证。准实时数仓的优势是一次开发、口径统一、统一存储，是真正的批流一体。劣势是实时性较差，原来可能是秒级、毫秒级的延迟，现在是分钟级的数据可见性。

但是在架构层面上，这个意义还是很大的，后续我们能看到一些希望，可以把整个原来 “T + 1” 的数仓，做成准实时的数仓，提升数仓整体的数据时效性，然后更好地支持上下游的业务。

四、后续规划

1. 跟进 Iceberg 版本

全面开放 V2 格式，支持 CDC 数据的 MOR 入湖。

2. 建设准实时数仓

基于 Flink 通过 Data pipeline 模式对数仓各层表全面提速。

3. 流批一体

随着 upsert 功能的逐步完善，持续探索存储层面流批一体。

4. 多维分析

基于 Presto/Spark3 输出准实时多维分析。