Delta Lake基础介绍（商业版）

Posted 2022-05-18 阿里云云栖号

简介：介绍 Lakehouse 搜索引擎的设计思想，探讨其如何使用缓存，辅助数据结构，存储格式，动态文件剪枝，以及 vectorized execution 达到优越的处理性能。

作者：李洁杏，Databrick资深软件工程师

一、Lakehouse搜索引擎设计背景

1. 数据仓库和Lakehouse

数据管理系统从早期的数据仓库（Data Warehouse），已经发展到今天的Lakehouse。Lakehouse可以同时存储结构化、半结构化和非结构化数据，并且支持流分析、BI、数据科学和机器分析的场景。

2. Lakehouse在查询性能上的挑战

数据仓库架构可以完全控制数据的存储和查询，因此可以同时设计查询系统，以及适应查询系统的数据存储结构，以达到优越的查询性能；

而在Lakehouse架构下，数据是用开放存储结构存储的，如Parquet格式，以便更多系统可以便捷的访问数据，但是开放的存储格式并不一定适合查询操作，查询系统也没有足够的统计数据来实现高效查询。

那么，Lakehouse如何以开放的存储格式达到高效的查询性能？

3. 解决方案

为解决以上的问题，Databricks Lakehouse设计了新的搜索引擎，其SQL性能在Data Lake存储系统和文件格式方面都有出色的表现。

其SQL性能优化是通过以下技术实现的：

a.  高速缓存：将热数据放入高速缓存中；

b.  建立辅助数据结构：如收集统计数据、建立索引；

c.  数据布局优化：以实现最小化I/O；

d.  动态文件剪枝：以实现最小化I/O。

二、Lakehouse中的SQL性能优化技术

1. 高速缓存

大部分的工作负载，一般都会集中访问某些“热”数据上，Data Warehouse经常使用SSD和内存作为缓存来加速热数据的查询。

Lakehouse可以使用与数据仓库相同的优化数据结构对其进行缓存，提高查询性能。

如图所示，在Databricks中用SSD作为缓存，可以将数据读取速度提高3倍以上；采用Delta引擎作为缓存，则可以将数据读取速度提高7倍以上。

2. 建立辅助数据结构

即使数据是用Parquet格式存储的，也可以建立很多额外的数据结构来加快查询，同时对这些额外的数据进行事务性的维护。

示例一：Parquet文件中的Data Skipping

在Parquet文件中，维护表中每个数据文件的最小/最大值统计信息，有助于在查询发生时可以跳过一些无关的数据。

如下图，如果查询条件是year=2020和uid=24000，利用最小/最大统计信息，可知这个查询的信息只会存在于file3，因此可以跳过file1和file2的读取。

示例二：在Parquet文件上建立索引

如下图，如果查询条件是type=“DELETE_ACCOUT”，可以利用在type上建立的索引直接跳到对应的数据上，从而避免读取无关数据。

示例三：Parquet文件上建立Bloom Filter

可以为每一个文件建立Bloom Filter，Bloom Filter可以快速判断表文件中是否包含需要查询的数据，如果不包含则快速跳过该文件，从而减少扫描数据量，提升查询性能。

Bloom Filter原理：

Bloom Filter对每个文件中的数据记录使用1个或多个哈希表计算其哈希值，其起始值都为0，当有哈希值映射在对应的位置时则为1，这样在查询的时候，可以跳过值为0的位置；也有可能的情况是，对应的位全部都为1，这时候数据也有可能不在这个文件中（假阳性），可以通过控制使用哈希函数的个数以及Bloom Filter的大小，来控制假阳性率。

3. 数据布局

a.  小文件问题

在Delta Lake中频繁执行MERGE，UPDATE，INSERT操作，可能会产生大量的小文件。大量的小文件，一方面会降低系统读取性能，同时也会提高元数据操作的开销。

Lakehouse中使用了不同的技术来减少小文件的产生：

• 优化Delta表写入

如下图所示，在开源版Spark中，每个executor向partition中写入数据时，都会创建一个表文件进行写入，最终会导致一个partition中产生很多的小文件。

Databricks对Delta表的写入过程进行了优化，对每个partition使用一个专门的executor来合并其它executor对该partition的写入，从而避免了小文件的产生。

• 自动合并小文件

在每次向Delta表中写入数据之后，会检查Delta表中的表文件数量，如果Delta表中的小文件（size < 128MB则视为小文件）数量达到阈值，则会执行一次小文件合并，将Delta表中的小文件合并为一个新的大文件。

• 手动合并小文件

除了自动合并，Databricks还提供Opitmize命令，使用户可以手动合并小文件，优化表结构，使得表文件的结构更加紧凑。

b.  查询时间问题

查询运行时间主要取决于访问的数据量，即使使用Parquet格式，也可以通过优化表内的数据布局以减少运行时间。

• 表文件数据排序

将表文件存储数据排序，在每个表文件中存储一定量的数据，如下图中file1存储uid=0...1000，file2存储uid=1001...2000，这样在查询时就可以根据需要跳过无关的表文件，减少文件扫描数量。

• Z-Ordering优化

在实际查询中，有些查询需要看colomn1在某个范围内的数据，有些查询需要看colomn2在某个范围内的数据，或者更多，这时候仅仅对colomn1进行排序显然是不够的。

Z-Ordering可以在多个维度上（如下图的col 1-4）将关联的信息存储到同一组文件中，来减少不必要的文件读取。

4. 动态文件剪枝（Dynamic File Pruning，DFP）

动态文件剪枝简称DFP，我们以下面一个简单的查询为例：

SELECT sum(ss_quantity) 
FROM store_sales 
JOIN item ON ss_item_sk = i_item_sk 
WHERE i_item_id =‘AAAAAAAAICAAAAAA'

查询说明：将store_sales与item两个表连起来，条件是当item_sk值相等且item_id等于一个固定值。

未启用DFP

如果不开启DFP，从上图可以看出，查询会先对store_sales进行全表扫描，然后再和过滤后的item表的行进行join，虽然结果仅有4.6万多条数据，但却扫描了表store_sales中的86多亿条数据。

启用DFP

在启用DFP之后，会先扫描item表，查询出表item中i_item_id = ‘AAAAAAAAICAAAAAA'数据行，然后将这些数据行的i_item_sk值作为表store_sales的ss_item_sk的查询条件，在表store_sales的SCAN阶段进行过滤，跳过大量无关数据。这样仅扫描了660多万条store_sales中的数据，比未启用DFP时减少了近99%。

从结果上看，启动DFP后，该条查询实现了10倍的性能提升。

针对该特性在TPC-DS上进行测试（见下图），测试发现启用DFP后，TPC-DS的查询速度达到4.5倍到8倍的提升。

5. 优化组合

综合使用以上优化技术协同工作，让Lakehouse中的数据读取都在高速缓存中进行，并且通过数据布局优化，建立辅助数据结构减少对非缓存数据读取的I/O，实现了Lakehouse引擎可以提供与数据仓库类似的查询性能。

如下图所示，Delta Engine的查询性能与DW1类似，并且超过了DW2和DW3。

三、Delta Clones

Delta Clones是Lakehouse的一项非常重要的技术，可以对大型数据集进行高效拷贝，支持测试、分享和机器学习的不同需求。

1. 什么是克隆？

克隆也叫拷贝，是原始数据在给定时间点的副本；

它具有与源表相同的元数据：相同表结构，约束，列描述，统计信息和分区；

两种克隆方式：shallow（浅克隆），deep（深克隆）。

2. 深克隆

深克隆会完整复制源表的元数据和数据文件，并生成一个全新的独立的表。

a. 深克隆语句

在SQL中运行CREATE TABLE语句；在Python和Scala语句中运行DeltaTable语句。

# SQL 
CREATE TABLE delta.`path/to/copy` CLONE customers

# Python and Scala
DeltaTable
.forName("park", "customers")
.clone("path/to/copy")

b. 深克隆的特性

• 与源表相比，克隆表有独立的历史记录；
• 在克隆过程中、或之后发生的对源表的任何更改，都不会反映在克隆表中；

3. 浅克隆

浅克隆仅复制需要克隆的表的元数据，表本身的数据文件不会被复制。

a.  浅克隆语句

与深克隆语句类似，只是在SQL中加入SHALLOW CLONE语句；在Python和Scala中加入isShallow=true。

# SQL 
CREATE TABLE delta.`path/to/copy` SHALLOW CLONE customers

# Python and Scala 
DeltaTable 
.forName("spark", "customers") 
.clone("path/to/copy", isShallow=true)

b.  浅克隆的特性

• 浅克隆不是自包含的，即自身不是数据源，如果源文件数据被删除，则浅克隆数据可能会不可用；
• 浅克隆不复制流事务或COPY INTO相关的元数据；

4. 克隆的适用场景

克隆的适用场景有很多，比如：数据存储、短期实验、数据分享和灾难恢复，其中除了短期实验使用浅克隆，其它场景都需要使用深克隆。

原文链接

本文为阿里云原创内容，未经允许不得转载。