大數據

汽車之家：基於 Flink + Iceberg 的湖倉一體架構實踐

2021-06-08

內容簡要：

一、數據倉庫架構升級的背景

二、基於 Iceberg 的湖倉一體架構實踐

三、總結與收益

四、後續規劃

GitHub 地址
https://github.com/apache/flink
歡迎大家給 Flink 點贊送 star~

一、數據倉庫架構升級的背景

1. 基於 Hive 的數據倉庫的痛點

原有的數據倉庫完全基於 Hive 建造而成，主要存在三大痛點：

痛點一：不支持 ACID

1）不支持 Upsert 場景；

2）不支持 Row-level delete，數據修正成本高。

痛點二：時效性難以提升

1）數據難以做到準實時可見；

2）無法增量讀取，無法實現存儲層面的流批統一；

3）無法支持分鐘級延遲的數據分析場景。

痛點三：Table Evolution

1）寫入型 Schema，對 Schema 變更支持不好；

2）Partition Spec 變更支持不友好。

2. Iceberg 關鍵特性

Iceberg 主要有四大關鍵特性：支持 ACID 語義、增量快照機制、開放的表格式和流批接口支持。

  • 支持 ACID 語義

    • 不會讀到不完整的 Commit；
    • 基於樂觀鎖支持併發 Commit；
    • Row-level delete，支持 Upsert。

  • 增量快照機制

    • Commit 後數據即可見（分鐘級）；
    • 可回溯歷史快照。

  • 開放的表格式

    • 數據格式：parquet、orc、avro
    • 計算引擎：Spark、Flink、Hive、Trino/Presto

  • 流批接口支持

    • 支持流、批寫入；
    • 支持流、批讀取。

二、基於 Iceberg 的湖倉一體架構實踐

湖倉一體的意義就是說我不需要看見湖和倉，數據有著打通的元數據的格式，它可以自由的流動，也可以對接上層多樣化的計算生態。

——賈揚清（阿里雲計算平臺高級研究員）

1. Append 流入湖的鏈路

img

上圖為日誌類數據入湖的鏈路，日誌類數據包含客戶端日誌、用戶端日誌以及服務端日誌。這些日誌數據會實時錄入到 Kafka，然後通過 Flink 任務寫到 Iceberg 裡面，最終存儲到 HDFS。

2. Flink SQL 入湖鏈路打通

我們的 Flink SQL 入湖鏈路打通是基於 “Flink 1.11 + Iceberg 0.11” 完成的，對接 Iceberg Catalog 我們主要做了以下內容：

1）Meta Server 增加對 Iceberg Catalog 的支持；

2）SQL SDK 增加 Iceberg Catalog 支持。

然後在這基礎上，平臺開放 Iceberg 表的管理功能，使得用戶可以自己在平臺上建 SQL 的表。

3. 入湖 - 支持代理用戶

第二步是內部的實踐，對接現有預算體系、權限體系。

因為之前平臺做實時作業的時候，平臺都是默認為 Flink 用戶去運行的，之前存儲不涉及 HDFS 存儲，因此可能沒有什麼問題，也就沒有思考預算劃分方面的問題。

但是現在寫 Iceberg 的話，可能就會涉及一些問題。比如數倉團隊有自己的集市，數據就應該寫到他們的目錄下面，預算也是劃到他們的預算下，同時權限和離線團隊賬號的體系打通。

img

如上所示，這塊主要是在平臺上做了代理用戶的功能，用戶可以去指定用哪個賬號去把這個數據寫到 Iceberg 裡面，實現過程主要有以下三個。

  • 增加 Table 級別配置：'iceberg.user.proxy' = 'targetUser’

    1）啟用 Superuser

    2）團隊賬號鑑權

    img

  • 訪問 HDFS 時啟用代理用戶：

    img

  • 訪問 Hive Metastore 時指定代理用戶

    1）參考 Spark 的相關實現：

    org.apache.spark.deploy.security.HiveDelegationTokenProvider

    2）動態代理 HiveMetaStoreClient，使用代理用戶訪問 Hive metastore

4. Flink SQL 入湖示例

DDL + DML

img

5. CDC 數據入湖鏈路

img

如上所示，我們有一個 AutoDTS 平臺，負責業務庫數據的實時接入。我們會把這些業務庫的數據接入到 Kafka 裡面，同時它還支持在平臺上配置分發任務，相當於把進 Kafka 的數據分發到不同的存儲引擎裡，在這個場景下是分發到 Iceberg 裡。

6. Flink SQL CDC 入湖鏈路打通

下面是我們基於 “Flink1.11 + Iceberg 0.11” 支持 CDC 入湖所做的改動：

  • 改進 Iceberg Sink：

    Flink 1.11 版本為 AppendStreamTableSink，無法處理 CDC 流，修改並適配。

  • 表管理

    1）支持 Primary key（PR1978）

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

7. CDC 數據入湖

1. 支持 Bucket

Upsert 場景下，需要確保同一條數據寫入到同一 Bucket 下，這又如何實現？

目前 Flink SQL 語法不支持聲明 bucket 分區，通過配置的方式聲明 Bucket：

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

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

2. Copy-on-write sink

做 Copy-on-Write 的原因是原本社區的 Merge-on-Read 不支持合併小文件，所以我們臨時去做了 Copy-on-write sink 的實現。目前業務一直在測試使用，效果良好。

img

上方為 Copy-on-Write 的實現，其實跟原來的 Merge-on-Read 比較類似，也是有 StreamWriter 多並行度寫入和 FileCommitter 單並行度順序提交。

在 Copy-on-Write 裡面，需要根據表的數據量合理設置 Bucket 數，無需額外做小文件合併。

  • StreamWriter 在 snapshotState 階段多並行度寫入

    1）增加 Buffer；

    2）寫入前需要判斷上次 checkpoint 已經 commit 成功；

    3）按 bucket 分組、合併，逐個 Bucket 寫入。

  • FileCommitter 單並行度順序提交

    1）table.newOverwrite()

    2）Flink.last.committed.checkpoint.id

    img

8. 示例 - CDC 數據配置入湖

img

如上圖所示，在實際使用中，業務方可以在 DTS 平臺上創建或配置分發任務即可。

實例類型選擇 Iceberg 表，然後選擇目標庫，表明要把哪個表的數據同步到 Iceberg 裡，然後可以選原表和目標表的字段的映射關係是什麼樣的，配置之後就可以啟動分發任務。啟動之後，會在實時計算平臺 Flink 裡面提交一個實時任務，接著用 Copy-on-write sink 去實時地把數據寫到 Iceberg 表裡面。

img

9. 入湖其他實踐

實踐一：減少 empty commit

  • 問題描述：

    在上游 Kafka 長期沒有數據的情況下，每次 Checkpoint 依舊會生成新的 Snapshot，導致大量的空文件和不必要的 Snapshot。

  • 解決方案（PR - 2042）：

    增加配置 Flink.max-continuousempty-commits，在連續指定次數 Checkpoint 都沒有數據後才真正觸發 Commit，生成 Snapshot。

實踐二：記錄 watermark

  • 問題描述：

    目前 Iceberg 表本身無法直接反映數據寫入的進度，離線調度難以精準觸發下游任務。

  • 解決方案（ PR - 2109 ）：

    在 Commit 階段將 Flink 的 Watermark 記錄到 Iceberg 表的 Properties 中，可直觀的反映端到端的延遲情況，同時可以用來判斷分區數據完整性，用於調度觸發下游任務。

實踐三：刪表優化

  • 問題描述：

    刪除 Iceberg 可能會很慢，導致平臺接口相應超時。因為 Iceberg 是面向對象存儲來抽象 IO 層的，沒有快速清除目錄的方法。

  • 解決方案：

    擴展 FileIO，增加 deleteDir 方法，在 HDFS 上快速刪除表數據。

10. 小文件合併及數據清理

定期為每個表執行批處理任務（spark 3），分為以下三個步驟：

1. 定期合併新增分區的小文件：

​ rewriteDataFilesAction.execute(); 僅合併小文件，不會刪除舊文件。

2. 刪除過期的 snapshot，清理元數據及數據文件：

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

3. 清理 orphan 文件，默認清理 3 天前，且無法觸及的文件：

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

11. 計算引擎 – Flink

Flink 是實時平臺的核心計算引擎，目前主要支持數據入湖場景，主要有以下幾個方面的特點。

  • 數據準實時入湖：

    Flink 和 Iceberg 在數據入湖方面集成度最高，Flink 社區主動擁抱數據湖技術。

  • 平臺集成：

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

  • 流批一體：

    在流批一體的理念下，Flink 的優勢會逐漸體現出來。

12. 計算引擎 – Hive

Hive 在 SQL 批處理層面 Iceberg 和 Spark 3 集成度更高，主要提供以下三個方面的功能。

  • 定期小文件合併及 meta 信息查詢：

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

  • 離線數據寫入：

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

  • 分析查詢：

    主要支持日常的準實時分析查詢場景。

13. 計算引擎 – Trino/Presto

AutoBI 已經和 Presto 集成，用於報表、分析型查詢場景。

14. 踩過的坑

1. 訪問 Hive Metastore 異常

問題描述：HiveConf 的構造方法的誤用，導致 Hive 客戶端中聲明的配置被覆蓋，導致訪問 Hive metastore 時異常

解決方案（PR-2075）：修復 HiveConf 的構造，顯示調用 addResource 方法，確保配置不會被覆蓋：hiveConf.addResource(conf);

2.Hive metastore 鎖未釋放

問題描述：“CommitFailedException: Timed out after 181138 ms waiting for lock xxx.” 原因是 hiveMetastoreClient.lock 方法，在未獲得鎖的情況下，也需要顯示 unlock，否則會導致上面異常。

解決方案（PR-2263）：優化 HiveTableOperations#acquireLock 方法，在獲取鎖失敗的情況下顯示調用 unlock 來釋放鎖。

3. 元數據文件丟失

問題描述：Iceberg 表無法訪問，報 “NotFoundException Failed to open input stream for file : xxx.metadata.json”

解決方案（PR-2328）：當調用 Hive metastore 更新 iceberg 表的 metadata_location 超時後，增加檢查機制，確認元數據未保存成功後再刪除元數據文件。

三、收益與總結

1. 總結

​ 通過對湖倉一體、流批融合的探索，我們分別做了總結。

  • 湖倉一體

    1）Iceberg 支持 Hive Metastore；

    2）總體使用上與 Hive 表類似：相同數據格式、相同的計算引擎。

  • 流批融合

    準實時場景下實現流批統一：同源、同計算、同存儲。

2. 業務收益

  • 數據時效性提升：

    入倉延遲從 2 小時以上降低到 10 分鐘以內；算法核心任務 SLA 提前 2 小時完成。

  • 準實時的分析查詢：

    結合 Spark 3 和 Trino，支持準實時的多維分析查詢。

  • 特徵工程提效：

    提供準實時的樣本數據，提高模型訓練時效性。

  • CDC 數據準實時入倉：

    可以在數倉針對業務表做準實時分析查詢。

3. 架構收益 - 準實時數倉

img

上方也提到了，我們支持準實時的入倉和分析，相當於是為後續的準實時數倉建設提供了基礎的架構驗證。準實時數倉的優勢是一次開發、口徑統一、統一存儲，是真正的批流一體。劣勢是實時性較差，原來可能是秒級、毫秒級的延遲，現在是分鐘級的數據可見性。

但是在架構層面上，這個意義還是很大的，後續我們能看到一些希望，可以把整個原來 “T + 1” 的數倉，做成準實時的數倉，提升數倉整體的數據時效性，然後更好地支持上下游的業務。

四、後續規劃

1. 跟進 Iceberg 版本

全面開放 V2 格式，支持 CDC 數據的 MOR 入湖。

2. 建設準實時數倉

基於 Flink 通過 Data pipeline 模式對數倉各層表全面提速。

3. 流批一體

隨著 upsert 功能的逐步完善，持續探索存儲層面流批一體。

4. 多維分析

基於 Presto/Spark3 輸出準實時多維分析。

更多 Flink 相關技術交流，可掃碼加入社區釘釘大群～

image.png

活動推薦

阿里雲基於 Apache Flink 構建的企業級產品-實時計算 Flink 版現開啟6月限時活動：
0元試用實時計算 Flink 全託管版本（包年包月、10CU）即可有機會獲得 Flink 獨家定製T恤；另包3個月及以上還有85折優惠！
瞭解活動詳情：https://www.aliyun.com/product/bigdata/sc

image.png

Leave a Reply

Your email address will not be published. Required fields are marked *