浅谈iceberg的存储文件 | 您所在的位置:网站首页 › 存储元数据 › 浅谈iceberg的存储文件 |
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。 2. 插入数据 该操作完成后写入了新的元数据文件(注意,ID自增),快照文件、数据清单文件、以及实际的数据文件。 注意:建表时有指定分区,因此不同的记录数据存放在对应分区目录下。 3. 对表schema进行变更,新增一个列字段 由于没有数据的变化,因此只会新增一个元数据文件。 4. 再次插入数据 同样,数据是按照分区存放在不同的目录下,同时有新的清单文件记录本次操作新增的文件,而新的快照文件则同时引用两个清单文件,记录表的全量数据。元数据文件中记录了所有的快照信息,同时也记录当前使用的快照ID。 5. 删除指定分区的数据 对于数据的更新,默认采用写入合并记录的方式,因此,新的快照中只记录了两个新的清单文件,在这两个清单文件中分别记录不同的数据文件以及文件的状态。 6. 再次写入数据 流程和第4步操作一致,在上一个快照的基础上新增相关信息。 7. 仅保留当前快照 删除快照的同时,对于(当前保留的快照中)没有引用到的清单文件、以及标记为删除的数据文件,都会一起进行删除。 【总结】 简单小结一下,本文主要介绍了iceberg持久化的几个文件,以及文件的存储内容与格式,以及相互之间的关联关系,最后通过一个实际例子,分析了元数据文件的组织与变更。了解了这些内容,将有助于理解iceberg的数据读写流程,以及其他相关逻辑。 当然,文章中也提到了元数据文件格式的版本(v1,v2),不同版本对使用上也会有所区别。后面再单独讲解。 好了,这就是本文的全部内容,如果觉得本文对您有帮助,请点赞+转发,如果觉得有不正确的地方,也可以拍砖指点,最后,欢迎加我微信交流~
|
今日新闻 |
推荐新闻 |
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 |