Flink + Iceberg 在去哪儿的实时数仓实践

Posted 2021-06-20 zhisheng_blog

摘要：本文介绍去哪儿数据平台在使用 Flink + Iceberg 0.11 的一些实践。内容包括：

1. 背景及痛点
   

2. Iceberg 架构

3. 痛点一：Kafka 数据丢失
   

4. 痛点二：近实时 Hive 压力大

5. Iceberg 优化实践

6. 总结

Tips：点击文末「阅读原文」即可查看更多技术干货～

 GitHub 地址 

https://github.com/apache/flink

欢迎大家给 Flink 点赞送 star~

一、背景及痛点

1. 背景

我们在使用 Flink 做实时数仓以及数据传输过程中，遇到了一些问题：比如 Kafka 数据丢失，Flink 结合 Hive 的近实时数仓性能等。Iceberg 0.11 的新特性解决了这些业务场景碰到的问题。对比 Kafka 来说，Iceberg 在某些特定场景有自己的优势，在此我们做了一些基于 Iceberg 的实践分享。

2. 原架构方案

原先的架构采用 Kafka 存储实时数据，其中包括日志、订单、车票等数据。然后用 Flink SQL 或者 Flink datastream 消费数据进行流转。内部自研了提交 SQL 和 Datastream 的平台，通过该平台提交实时作业。

3. 痛点

• Kafka 存储成本高且数据量大。Kafka 由于压力大将数据过期时间设置的比较短，当数据产生反压，积压等情况时，如果在一定的时间内没消费数据导致数据过期，会造成数据丢失。

• Flink 在 Hive 上做了近实时的读写支持。为了分担 Kafka 压力，将一些实时性不太高的数据放入 Hive，让 Hive 做分钟级的分区。但是随着元数据不断增加，Hive metadata 的压力日益显著，查询也变得更慢，且存储 Hive 元数据的数据库压力也变大。

二、Iceberg 架构

1. Iceberg 架构解析

术语解析

• 数据文件（data files）

Iceberg 表真实存储数据的文件，一般存储在 data 目录下，以 “.parquet” 结尾。

• 清单文件（Manifest file）

每行都是每个数据文件的详细描述，包括数据文件的状态、文件路径、分区信息、列级别的统计信息（比如每列的最大最小值、空值数等）。通过该文件，可过滤掉无关数据，提高检索速度。

• 快照（Snapshot）

快照代表一张表在某个时刻的状态。每个快照版本包含某个时刻的所有数据文件列表。Data files 存储在不同的 manifest files 里面， manifest files 存储在一个 Manifest list 文件里面，而一个 Manifest list 文件代表一个快照。

2. Iceberg 查询计划

查询计划是在表中查找 “查询所需文件” 的过程。

• 元数据过滤

清单文件包括分区数据元组和每个数据文件的列级统计信息。在计划期间，查询谓词会自动转换为分区数据上的谓词，并首先应用于过滤数据文件。接下来，使用列级值计数，空计数，下限和上限来消除与查询谓词不匹配的文件。

• Snapshot ID

每个 Snapshot ID 会关联到一组 manifest files，而每一组 manifest files 包含很多 manifest file。

• manifest files 文件列表

每个 manifest files 又记录了当前 data 数据块的元数据信息，其中就包含了文件列的最大值和最小值，然后根据这个元数据信息，索引到具体的文件块，从而更快的查询到数据。

三、痛点一：Kafka 数据丢失

1. 痛点介绍

通常我们会选择 Kafka 做实时数仓，以及日志传输。Kafka 本身存储成本很高，且数据保留时间有时效性，一旦消费积压，数据达到过期时间后，就会造成数据丢失且没有消费到。

2. 解决方案

将实时要求不高的业务数据入湖、比如说能接受 1-10 分钟的延迟。因为 Iceberg 0.11 也支持 SQL 实时读取，而且还能保存历史数据。这样既可以减轻线上 Kafka 的压力，还能确保数据不丢失的同时也能实时读取。

3 .为什么 Iceberg 只能做近实时入湖？

1. Iceberg 提交 Transaction 时是以文件粒度来提交。这就没法以秒为单位提交 Transaction，否则会造成文件数量膨胀；

2. 没有在线服务节点。对于实时的高吞吐低延迟写入，无法得到纯实时的响应；

3. Flink 写入以 checkpoint 为单位，物理数据写入 Iceberg 后并不能直接查询，当触发了 checkpoint 才会写 metadata 文件，这时数据由不可见变为可见。checkpoint 每次执行都会有一定时间。

4. Flink 入湖分析

组件介绍

• IcebergStreamWriter

主要用来写入记录到对应的 avro、parquet、orc 文件，生成一个对应的 Iceberg DataFile，并发送给下游算子。

另外一个叫做 IcebergFilesCommitter，主要用来在 checkpoint 到来时把所有的 DataFile 文件收集起来，并提交 Transaction 到 Apache Iceberg，完成本次 checkpoint 的数据写入，生成 DataFile。

• IcebergFilesCommitter

为每个 checkpointId 维护了一个 DataFile 文件列表，即 map<Long, List<DataFile>>，这样即使中间有某个 checkpoint 的 transaction 提交失败了，它的 DataFile 文件仍然维护在 State 中，依然可以通过后续的 checkpoint 来提交数据到 Iceberg 表中。

5. Flink SQL Demo

Flink Iceberg 实时入湖流程，消费 Kafka 数据写入 Iceberg，并从 Iceberg 近实时读取数据。

■ 5.1 前期工作

• 开启实时读写功能

set execution.type = streaming

• 开启 table sql hint 功能来使用 OPTIONS 属性

set table.dynamic-table-options.enabled=true

• 注册 Iceberg catalog 用于操作 Iceberg 表

CREATE CATALOG Iceberg_catalog WITH (\\n" +            "  'type'='Iceberg',\\n" +            "  'catalog-type'='Hive'," +            "  'uri'='thrift：//localhost：9083'" +            ");

• Kafka 实时数据入湖

insert into Iceberg_catalog.Iceberg_db.tbl1 \\n             select * from Kafka_tbl;

• 数据湖之间实时流转 tbl1 -> tbl2

 insert into Iceberg_catalog.Iceberg_db.tbl2      select * from Iceberg_catalog.Iceberg_db.tbl1     /*+ OPTIONS('streaming'='true', 'monitor-interval'='10s',snapshot-id'='3821550127947089987')*/

■ 5.2 参数解释

• monitor-interval

连续监视新提交的数据文件的时间间隔(默认值：1s)。

• start-snapshot-id

从指定的快照 ID 开始读取数据、每个快照 ID 关联的是一组 manifest file 元数据文件，每个元数据文件映射着自己的真实数据文件，通过快照 ID，从而读取到某个版本的数据。

6. 踩坑记录

我之前在 SQL Client 写数据到 Iceberg，data 目录数据一直在更新，但是 metadata 没有数据，导致查询的时候没有数，因为 Iceberg 的查询是需要元数据来索引真实数据的。SQL Client 默认没有开启 checkpoint，需要通过配置文件来开启状态。所以会导致 data 目录写入数据而 metadata 目录不写入元数据。

PS：无论通过 SQL 还是 Datastream 入湖，都必须开启 Checkpoint。

7. 数据样例

下面两张图展示的是实时查询 Iceberg 的效果，一秒前和一秒后的数据变化情况。

• 一秒前的数据

• 一秒后刷新的数据

四、痛点二：

Flink 结合 Hive 的近实时越来越慢

1. 痛点介绍

选用 Flink + Hive 的近实时架构虽然支持了实时读写，但是这种架构带来的问题是随着表和分区增多，将会面临以下问题：

• 元数据过多

Hive 将分区改为小时 / 分钟级，虽然提高了数据的准实时性，但是 metestore 的压力也是显而易见的，元数据过多导致生成查询计划变慢，而且还会影响线上其他业务稳定。

• 数据库压力变大

随着元数据增加，存储 Hive 元数据的数据库压力也会增加，一段时间后，还需要对该库进行扩容，比如存储空间。

2. 解决方案

将原先的 Hive 近实时迁移到 Iceberg。为什么 Iceberg 可以处理元数据量大的问题，而 Hive 在元数据大的时候却容易形成瓶颈？

• Iceberg 是把 metadata 维护在可拓展的分布式文件系统上，不存在中心化的元数据系统；

• Hive 则是把 partition 之上的元数据维护在 metastore 里面(partition 过多则给 mysql 造成巨大压力)，而 partition 内的元数据其实是维护在文件内的（启动作业需要列举大量文件才能确定文件是否需要被扫描，整个过程非常耗时）。

五、优化实践

1. 小文件处理

• Iceberg 0.11 以前，通过定时触发 batch api 进行小文件合并，这样虽然能合并，但是需要维护一套 Actions 代码，而且也不是实时合并的。

Table table = findTable(options, conf);Actions.forTable(table).rewriteDataFiles()        .targetSizeInBytes(10 * 1024) // 10KB        .execute();

• Iceberg 0.11 新特性，支持了流式小文件合并。

通过分区/存储桶键使用哈希混洗方式写数据、从源头直接合并文件，这样的好处在于，一个 task 会处理某个分区的数据，提交自己的 Datafile 文件，比如一个 task 只处理对应分区的数据。这样避免了多个 task 处理提交很多小文件的问题，且不需要额外的维护代码，只需在建表的时候指定属性 write.distribution-mode，该参数与其它引擎是通用的，比如 Spark 等。

CREATE TABLE city_table (      province BIGINT,     city STRING  ) PARTITIONED BY (province, city) WITH (    'write.distribution-mode'='hash'   );

2. Iceberg 0.11 排序

■ 2.1 排序介绍

在 Iceberg 0.11 之前，Flink 是不支持 Iceberg 排序功能的，所以之前只能结合 Spark 以批模式来支持排序功能，0.11 新增了排序特性的支持，也意味着，我们在实时也可以体会到这个好处。

排序的本质是为了扫描更快，因为按照 sort key 做了聚合之后，所有的数据都按照从小到大排列，max-min 可以过滤掉大量的无效数据。

■ 2.2 排序 demo

insert into Iceberg_table select days from Kafka_tbl order by days, province_id;

3. Iceberg 排序后 manifest 详解

参数解释

• file_path：物理文件位置。

• partition：文件所对应的分区。

• lower_bounds：该文件中，多个排序字段的最小值，下图是我的 days 和 province_id 最小值。

• upper_bounds：该文件中，多个排序字段的最大值，下图是我的 days 和 province_id 最大值。

通过分区、列的上下限信息来确定是否读取 file_path 的文件，数据排序后，文件列的信息也会记录在元数据中，查询计划从 manifest 去定位文件，不需要把信息记录在 Hive metadata，从而减轻 Hive metadata 压力，提升查询效率。

利用 Iceberg 0.11 的排序特性，将天作为分区。按天、小时、分钟进行排序，那么 manifest 文件就会记录这个排序规则，从而在检索数据的时候，提高查询效率，既能实现 Hive 分区的检索优点，还能避免 Hive metadata 元数据过多带来的压力。

六、总结

相较于之前的版本来说，Iceberg 0.11 新增了许多实用的功能，对比了之前使用的旧版本，做以下总结：

• Flink + Iceberg 排序功能

在 Iceberg 0.11 以前，排序功能集成了 Spark，但没有集成 Flink，当时用 Spark + Iceberg 0.10 批量迁移了一批 Hive 表。在 BI 上的收益是：原先 BI 为了提升 Hive 查询速度建了多级分区，导致小文件和元数据过多，入湖过程中，利用 Spark 排序 BI 经常查询的条件，结合隐式分区，最终提升 BI 检索速度的同时，也没有小文件的问题，Iceberg 有自身的元数据，也减少了 Hive metadata 的压力。

Icebeg 0.11 支持了 Flink 的排序，是一个很实用的功能点。我们可以把原先 Flink + Hive 的分区转移到 Iceberg 排序中，既能达到 Hive 分区的效果，也能减少小文件和提升查询效率。

• 实时读取数据

通过 SQL 的编程方式，即可实现数据的实时读取。好处在于，可以把实时性要求不高的，比如业务可以接受 1-10 分钟延迟的数据放入 Iceberg 中 ，在减少 Kafka 压力的同时，也能实现数据的近实时读取，还能保存历史数据。

• 实时合并小文件

在Iceberg 0.11以前，需要用 Iceberg 的合并 API 来维护小文件合并，该 API 需要传入表信息，以及定时信息，且合并是按批次这样进行的，不是实时的。从代码上来说，增加了维护和开发成本；从时效性来说，不是实时的。0.11 用 Hash 的方式，从源头对数据进行实时合并，只需在 SQL 建表时指定 ('write.distribution-mode'='hash') 属性即可，不需要手工维护。