浅谈iceberg的存储文件

#浅谈iceberg的存储文件| 来源: 网络整理| 查看: 265

这是我的第100篇原创文章

【前言】

上一篇文章介绍了如何通过java api对iceberg进行操作。这次我们来聊聊iceberg里的存储文件。

iceberg中的持久化存储的文件可以简单的分为数据文件和元数据文件。数据文件就是存储数据记录的文件，而元数据文件又可以分为元数据描述文件、清单列表文件（manifest list），或者根据文件名又可以称为快照文件、以及清单文件（manifest file）。三类文件通过层级关系相互关联起来。下面就分别详细介绍下文件的具体内容与格式。

【数据文件】

通常在表存储目录的data子目录下，存放的是实际数据记录的文件，文件的格式在建表时指定，默认为parquet。当然也可以指定为orc、textfile等支持的类型。

另外，在有定义分区字段的表中，数据写入时会按照分区字段的值依次创建子目录，最终的数据文件则存放在这些子目录中。

注：对于api的操作，可以自定义数据的存储路径。

【元数据文件】

该目录主要存放记录表的元数据信息的文件，可以分为如下几类：

1. $VersionID-$UUID$Extension

该文件记录表的元数据信息。在创建表的时候，会同步创建该文件，此后的每次操作都会产生新的元数据文件。

文件名中的 $VersionID为版本号，共5位长度；$UUID是通过UUID库生成的随机32位的ID，$Extension为文件的后缀，默认情况下为".metadata.json"，如果对元数据指定了压缩方式，那么会在".metadata.json"的前面加上压缩类型的名称，例如"gzip.metadata.json"。

如文件名中的后缀描述一样，该文件采用json格式进行存储，下面罗列了各字段的含义：

format-version

元数据文件格式的版本，默认为1，代表为v1版本。

table-uuid

表的uuid。

location

元数据文件存储位置URI，通常是在hdfs中的全路径。

last-updated-ms

元数据最后更新时间

last-column-id

最后一个列字段的ID

schema

表格式定义说明，属于v1版本中的必需字段，在v2版本中以下面两个字段替代。

current-schema-id

当前表格式定义（schemas中包含的schema数组）使用的schema id。

schemas

v2格式中表格式定义说明，字段的值为一个数组，记录了历史schema的变更情况，数组中的每一项均为表schema的对象，包括类型、ID、字段数据，配合上面的current-schema-id就能知道当前版本的表格式定义是怎样的了。

"schemas" : [ { "type" : "struct", "schema-id" : 0, "fields" : [ { "id" : 1, "name" : "id", "required" : false, "type" : "int" }, { "id" : 2, "name" : "name", "required" : false, "type" : "string" }, { "id" : 3, "name" : "birth", "required" : false, "type" : "string" } ] } ]

partition-spec

表的分区字段定义说明，同样属于v1版本中的必需字段

default-spec-id

默认使用的分区的ID

partition-specs

表的分区字段定义说明，v2格式中的必须字段。字段的值为一个数组，记录了历史的分区定义，数组中的每一项均为一个分区对象，其中包括ID和分区字段说明，对于分区字段说明则又包含如下几个字段。

name

分区字段的名称。

transform

分区字段的转换方式，一般来说是字段本身，即"identity"；但可以是year、month、day、bucket等转换函数，实现不同的分区的逻辑，这里的值就是对应转换函数名。

source-id

对应schema中的filed字段的ID

field-id

分区字段定义的ID，默认从1000开始递增。

与schemas类似，配合default-spec-id字段可以知道当前的分区定义。

last-partition-id

最后一个分区字段的ID，即对应partition-specs中分区字段的filed-id。

default-sort-order-id

默认排序的ID

sort-orders

字段排序定义，默认为空数组

properties

表的属性定义。

current-snapshot-id

当前使用的快照ID

snapshots

快照文件列表，具体值为一个数组，数组中的每一项均为一个快照信息，每个快照信息又是一个对象，包括ID（snapshot-id）、父snapshot的ID（parent-snapshot-id）、生成的时间戳（timestamp-ms）、概要信息（summary），文件清单（manifest-list或manifests）、表schema的ID（schema_id），其中概要信息包括的常见的子字段有：

operation

本次快照引发的操作，例如append、delete、replace、overwrite。

added-data-files

本次快照添加的文件数，operation操作为append才有该字段

added-records

本次快照添加的记录数，operation操作为append才有该字段

added-files-size

本次快照添加的文件大小，operation操作为append才有该字段

deleted-data-files

本次触发快照的操作所删除的文件数，operation操作为delete才有该字段

delete-records

本次触发快照的操作所删除的记录数，operation操作为delete才有该字段

removed-files-size

本次触发快照的操作所删除的文件大小，operation操作为delete才有该字段

changed-partition-count

本次涉及变更的分区数

total-records

本次快照完成后，表中总的记录数

total-files-size

本次快照完成后，总的文件大小

total-data-files

本次快照完成后，总的文件数

total-delete-files

本次快照完成后，总的删除文件数

一个实际实例如下所示 "snapshots" : [ { "snapshot-id" : 8319024382941793184, "timestamp-ms" : 1678669777251, "summary" : { "operation" : "append", "added-data-files" : "2", "added-records" : "4", "added-files-size" : "1978", "changed-partition-count" : "2", "total-records" : "4", "total-files-size" : "1978", "total-data-files" : "2", "total-delete-files" : "0", "total-position-deletes" : "0", "total-equality-deletes" : "0" }, "manifest-list" : "hdfs://hdfsHACluster/user/hive/warehouse/iceberg_db.db/developer/metadata/snap-8319024382941793184-1-051dc090-a770-441c-b76b-b97a591a97c7.avro", "schema-id" : 0} ]

snapshot-log

snapshot的历史集合，以数组形式表示。

metadata-log

元数据文件（metadata.json）的历史集合，以数组形式表示。

2. snap-xx.avro

清单列表文件，也称为快照文件，每次有数据（提交）写入时触发生成。

在该文件中主要记录了清单文件记录集，文件以avro的格式进行存储，每一条记录表示一个manifest，在每个记录中最主要的字段信息为"manifest_path"，标记清单文件的存储位置。

{ "manifest_path": "hdfs://hdfsHACluster/user/hive/warehouse/iceberg_db.db/developer/metadata/051dc090-a770-441c-b76b-b97a591a97c7-m0.avro", "manifest_length": 6181, "partition_spec_id": 0, "added_snapshot_id": { "long": 8319024382941793184 }, "added_data_files_count": { "int": 2 }, "existing_data_files_count": { "int": 0 }, "deleted_data_files_count": { "int": 0 }, "partitions": { "array": [{ "contains_null": false, "contains_nan": { "boolean": false }, "lower_bound": { "bytes": "2023-02-10" }, "upper_bound": { "bytes": "2023-03-10" } }] }, "added_rows_count": { "long": 4 }, "existing_rows_count": { "long": 0 }, "deleted_rows_count": { "long": 0 }}

3. $COMMITUUID-m$COUNT.avro

（数据文件）清单信息，一个快照中可能包含了多个这样的文件信息。而在该文件中包含了涉及的多个数据文件信息。其中$COMMITUUID为提交的事务UUID，与快照文件中的COMMITUUID保持一致，$COUNT为清单文件的计数，从0开始。

该文件同样采用avro的格式进行存储，每一条记录描述一个具体的数据文件，在该记录中由三个字段组成：

status

文件状态，0表示已存在、1表示新增、2表示删除

snapshot_id

文件对应的快照ID

data_file

文件详细信息，包括了文件路径，文件格式，以及文件中一些相关的metrics信息，例如记录数、列字段、最大最小值等。

完整示例如下所示：

{ "status": 1, "snapshot_id": { "long": 8319024382941793184 }, "data_file": { "file_path": "hdfs://hdfsHACluster/user/hive/warehouse/iceberg_db.db/developer/data/birth=2023-02-10/00000-0-hadoop_20230313090641_733a351d-0554-4129-a56b-861f715638b9-job_1677482770597_0127-00002.parquet", "file_format": "PARQUET", "partition": { "birth": { "string": "2023-02-10" } }, "record_count": 2, "file_size_in_bytes": 988, "block_size_in_bytes": 67108864, "column_sizes": { "array": [{ "key": 1, "value": 54 }, { "key": 2, "value": 60 }, { "key": 3, "value": 103 }] }, "value_counts": { "array": [{ "key": 1, "value": 2 }, { "key": 2, "value": 2 }, { "key": 3, "value": 2 }] }, "null_value_counts": { "array": [{ "key": 1, "value": 0 }, { "key": 2, "value": 0 }, { "key": 3, "value": 0 }] }, "nan_value_counts": { "array": [] }, "lower_bounds": { "array": [{ "key": 1, "value": "\u0002\u0000\u0000\u0000" }, { "key": 2, "value": "ma" }, { "key": 3, "value": "2023-02-10" }] }, "upper_bounds": { "array": [{ "key": 1, "value": "\u0004\u0000\u0000\u0000" }, { "key": 2, "value": "yuan" }, { "key": 3, "value": "2023-02-10" }] }, "key_metadata": null, "split_offsets": { "array": [4] }, "sort_order_id": { "int": 0 } }} { "status": 1, "snapshot_id": { "long": 8319024382941793184 }, "data_file": { "file_path": "hdfs://hdfsHACluster/user/hive/warehouse/iceberg_db.db/developer/data/birth=2023-03-10/00000-0-hadoop_20230313090641_733a351d-0554-4129-a56b-861f715638b9-job_1677482770597_0127-00001.parquet", "file_format": "PARQUET", "partition": { "birth": { "string": "2023-03-10" } }, "record_count": 2, "file_size_in_bytes": 990, "block_size_in_bytes": 67108864, "column_sizes": { "array": [{ "key": 1, "value": 53 }, { "key": 2, "value": 61 }, { "key": 3, "value": 103 }] }, "value_counts": { "array": [{ "key": 1, "value": 2 }, { "key": 2, "value": 2 }, { "key": 3, "value": 2 }] }, "null_value_counts": { "array": [{ "key": 1, "value": 0 }, { "key": 2, "value": 0 }, { "key": 3, "value": 0 }] }, "nan_value_counts": { "array": [] }, "lower_bounds": { "array": [{ "key": 1, "value": "\u0001\u0000\u0000\u0000" }, { "key": 2, "value": "chen" }, { "key": 3, "value": "2023-03-10" }] }, "upper_bounds": { "array": [{ "key": 1, "value": "\u0003\u0000\u0000\u0000" }, { "key": 2, "value": "jie" }, { "key": 3, "value": "2023-03-10" }] }, "key_metadata": null, "split_offsets": { "array": [4] }, "sort_order_id": { "int": 0 } }}

【场景分析】

按照以往文章的惯例，我们还是通过一个实际场景，包括建表、到插入数据、修改列、删除分区的数据、删除快照等操作，元数据文件的变更等操作，对上面文件中一些关键字段进行剖析。

1. 创建表

表创建后，将元数据信息写入metadata.json文件中，但此时由于还没有数据，因此不会写入快照信息、数据清单文件。