Prática do data lake iQiyi - Data warehouse do Hive suavizando o lago

Wuhan Yuan Chuanghui retorna, vamos falar sobre modelos grandes em 20 de abril”

A iQiyi construiu um data warehouse offline tradicional baseado no Hive para apoiar as decisões operacionais da empresa, crescimento de usuários, recomendações de vídeo, adesão, publicidade e outras necessidades de negócios. Nos últimos anos, as empresas têm requisitos mais elevados de dados em tempo real. Introduzimos a tecnologia de data lake baseada no Iceberg para melhorar significativamente o desempenho da consulta de dados e a eficiência geral da circulação. Do ponto de vista de desempenho e custo, é necessária a migração das tabelas Hive existentes para o data lake. No entanto, ao longo dos anos, centenas de petabytes de dados do Hive foram acumulados na plataforma de big data. Como migrar o Hive para o data lake tornou-se um grande desafio que enfrentamos. Este artigo apresenta a solução técnica da iQiyi para uma migração tranquila do data lake Hive para o Iceberg, ajudando as empresas a acelerar os processos de dados e melhorar a eficiência e a receita.

Colmeia VS Iceberg

Hive é uma plataforma de análise e armazenamento de dados baseada em Hadoop que fornece uma linguagem semelhante a SQL para suportar processamento e análise de dados complexos.

Iceberg é um formato de tabela de dados de código aberto projetado para fornecer armazenamento de tabelas escalonável, estável e eficiente para suportar cargas de trabalho analíticas. O Iceberg fornece garantias transacionais e consistência de dados semelhantes aos bancos de dados tradicionais e oferece suporte a operações complexas de dados, como atualizações, exclusões, etc.

A Tabela 1-1 lista a comparação entre o Hive e o Iceberg em termos de oportunidade, desempenho de consulta, etc.:

Tabela 1-1 Comparação entre Hive e Iceberg

Mudar para o Iceberg pode melhorar a eficiência e a confiabilidade do processamento de dados e fornecer melhor suporte para operações complexas de dados. Atualmente, ele está conectado a mais de uma dúzia de empresas, como publicidade, associação, registros Venus e auditoria. Para mais detalhes sobre a prática Iceberg da iQiyi, você pode ler a série anterior de artigos (ver citação no final do artigo).

Dados de estoque do Hive trocando suavemente o Iceberg

O Iceberg tem muitas vantagens sobre o Hive, mas os dados de negócios já estão em execução no ambiente Hive e a empresa não quer investir muita mão de obra na modificação das tarefas de inventário. Investigamos métodos de comutação comuns na indústria [1] e fornecemos a capacidade de alternar facilmente entre o autoatendimento Hive e o Iceberg na plataforma de data lake. Esta seção descreverá o plano de implementação específico.

1. Verifique a compatibilidade

Antes da mudança real, verificamos a compatibilidade do Spark com Hive e Iceberg.

A sintaxe de consulta e gravação do Spark para tabelas Hive e Iceberg são basicamente as mesmas. As instruções SQL para consultar tabelas Hive podem consultar tabelas Iceberg sem modificação.

Porém, existem grandes diferenças entre o Iceberg e o Hive em termos de DDL, principalmente na forma de modificar a estrutura da tabela. Os detalhes estão descritos na Tabela 2-1. Deve haver uma correspondência individual entre o esquema real e o esquema do arquivo de dados, caso contrário, isso afetará a consulta de dados. Portanto, você deve ser mais cauteloso ao processar instruções DDL. tais instruções DDL com tarefas.

Tabela 2-1 Comparação de compatibilidade de sintaxe entre Hive e Iceberg

2. Solução de mudança de indústria

2.1 Comutação comercial de gravação dupla

A empresa replica o pipeline existente para implementar a escrita dupla de Hive e Iceberg. Depois que os pares de canais antigo e novo estiverem consistentes, mude para o canal Iceberg e faça logoff do canal original. Esta solução exige que a empresa invista mão de obra em desenvolvimento e cálculo, o que é demorado e trabalhoso.

2.2 Mude no lugar, o cliente para de escrever

Se a empresa puder parar de escrever por um período de tempo e mudar, os seguintes métodos poderão ser usados:

O procedimento de migração do Spark é uma função fornecida oficialmente pelo Iceberg, que pode mudar uma tabela Hive para o Iceberg no local.

CALL catalog_name.system.migrate('db.sample');

Este programa não modifica os dados originais, apenas verifica os dados da tabela original e depois constrói a metainformação do Iceberg, referenciando o arquivo original. Portanto, o programa de migração é executado muito rapidamente, mas os dados existentes não podem usar recursos como índices de arquivos para acelerar as consultas. Se quiser que os dados existentes também sejam acelerados, você pode usar o método rewrite_data_files do Spark para reescrever dados históricos.

O programa de migração não exclui a tabela Hive, mas a renomeia para sample__BACKUP__ O sufixo __BACKUP__ aqui é codificado permanentemente. Se precisar reverter, você pode descartar a tabela Iceberg recém-criada e renomear a tabela Hive.

Usando a instrução CTAS , o exemplo do Spark é o seguinte:

CREATE TABLE db.sample_iceberg
(id bigint, ..., string dt)

USANDO Iceberg

PARTICIONADO POR dt

LOCALIZAÇÃO 'qbfs://....'

TBLPROPERTIES('write.target-file-size-bytes' = '512m', ...)

AS SELECT * FROM db.sample;

Após a conclusão da escrita, o logaritmo é executado. Depois que os requisitos são atendidos, a troca é concluída com a renomeação.

ALTER TABLE db.sample RENAME TO db.sample_backup;

ALTER TABLE db.sample_iceberg RENAME TO db.sample;

A vantagem do CTAS em comparação com a migração é que os dados existentes são reescritos, para que possa otimizar o particionamento, classificação de colunas, formatos de arquivo, arquivos pequenos, etc. A desvantagem é que, se houver muitos dados existentes, a reescrita será demorada e consumirá muitos recursos.

As duas soluções acima têm as seguintes características:

vantagem:

A solução é simples, basta executar o SQL existente
Pode ser revertido, a tabela Hive original ainda está lá

deficiência:

Gravação/leitura não validada: exceções de gravação ou consulta podem ocorrer após a mudança para a tabela Iceberg
Exigir que o processo de mudança pare de escrever é inaceitável para algumas empresas

3. Plano de migração suave iQiyi

Considerando as deficiências da solução acima, projetamos uma solução de gravação dupla no local + comutação transparente para obter uma migração suave, conforme mostrado na Figura 2-1:

Criação de tabela : crie uma tabela Iceberg com o mesmo esquema do Hive e sincronize metainformações como TTL e permissões da tabela Hive para a tabela Iceberg.
Migrando dados históricos para o Iceberg : os dados históricos do Hive são adicionados ao Iceberg por meio do procedimento add_file . Esta operação construirá os metadados do Iceberg com base nos dados do Hive.
Gravação dupla de dados incrementais : o gateway Pilot SQL desenvolvido pela iQIYI detecta tarefas de gravação na tabela Hive, copia e grava SQL automaticamente e substitui a saída pela tabela Iceberg para obter gravação dupla.
数据一致性 校验： 当历史数据同步完成且增量双写到一定次数之后，后台会自动发起对数，校验 Hive 和 Iceberg 中的数据是否一致。对于历史数据与增量数据会选取一部分数据进行 count 以及字段 CRC 数值校验。
切换：数据一致性校验完成后，进行 Hive 和 Iceberg 的切换，用户不需要修改任务，直接使用原来的表名进行访问即可。正常切换过程耗时在几分钟之内。

图 2-1 Hive 切换到 Iceberg 大致流程

图 2-2 展示了 Hive to Iceberg 相关操作界面，点击创建转化任务即可开始进行切换流程，当任务创建成功会在下方展示任务的状态以及运行阶段等信息。

图 2-2 Hive to Iceberg 相关操作界面

核心收益 - 加速查询

1. Iceberg 查询加速技术

Iceberg 自身提供了三层数据过滤策略，分别是 [2]：

分区剪裁：和 Hive 表类似，对于分区表，引擎端可以自动从 where 条件中根据分区键直接提取出需要访问的分区，从而避免扫描所有的分区。分区剪裁可以细分为静态分区剪裁和动态分区剪裁，其中静态分区剪裁发生在 SQL 语句编译阶段，而动态分区剪裁则发生在 SQL 语句执行阶段。

文件过滤：Iceberg 提供了文件级别的统计信息，例如 Min/Max 等，可以快速过滤无关数据和文件，可以用 where 语句中的过滤条件去判断目标数据是否存在于文件中。例如 SELECT * FROM table WHERE dt='2023-01-01' AND channel_id = '20'，dt 是分区，channel_id 是字段，对于 channel_id = '20' 这样的过滤条件，元信息中存储了每个文件 channel_id 的 upper_bounds 和 lower_bounds，可以通过判断列值是否在范围内决定是否需要扫描当前文件。

但实际使用中，这种过滤发挥的作用比较小。因为数据写入是随机且无序的，导致 upper_bounds 和 lower_bounds 范围重合度非常高，这种情况下目标数据可能会分布在大部分文件甚至所有文件，扫描数据文件的范围也大大增加。因此在切换为 Iceberg 后，我们可以基于过滤条件中的高频列进行排序，降低文件级别的 upper_bounds 和 lower_bounds 的范围重合度。

除了 MinMax 外，Iceberg 还可以支持更多类型的索引进行文件级过滤，例如字典、布隆过滤器等。

文件内 RowGroup 过滤：对于 Parquet、ORC 这类列式存储文件格式，在文件内部也存在相应的统计信息，例如Min、Max、BloomFiter 等等，利用这些信息可以快速跳过无关的 RowGroup 或者 Stripe，减少文件内数据扫描的量。

2. Iceberg 加速技巧

基于 Iceberg 查询更快的基本原理，我们可以总结出如下技巧：

配置分区：使用分区剪裁的方式使查询只针对特定分区的数据执行，而不需要扫描整个数据集。
指定排序列：通过对数据分布进行合理的组织，最大限度的发挥文件级别的过滤效果，使得查询只集中在特定的文件。例如通过下面的方式使得写入 sample 表的数据按照 category, id 降序写入，注意由于多了一个排序的环节，这种方式会比非排序的写入耗时长。

ALTER TABLE db.sample WRITE ORDERED BY category, id DESC

高基数列应用布隆过滤器：在查询数据时，会自动应用布隆过滤器来快速验证查询数据是否存在于某个数据块，避免不必要的磁盘访问。

write.parquet.bloom-filter-enabled.column.test = true -- parquet 文件给 test 列增加 bloom-filter

write.orc.bloom.filter.columns = test -- orc 文件给 test 列增加 bloom-filter

使用 Trino 代替 Spark：由于 Trino 自身 MPP 的架构，在查询上相较于 Spark 更有优势，并且 Trino 自身对 Iceberg 也有相应的优化，因此如果有秒级查询的需求，可将引擎由 Spark 切换到 Trino。
Alluxio 缓存：使用 Alluxio 作为数据缓存层，将数据缓存在内存中。在查询时可以直接从内存中获取数据，避免从磁盘读取数据的开销，可大大提高查询速度，也可防止 HDFS 抖动对任务的影响。
ORC 代替 Parquet：由于 Trino 对 ORC 格式有特定的优化，使得 ORC 的读取性能要优于 Parquet，可以将文件格式设置为 ORC 加速查询。
配置合并：写 Iceberg 的任务往往会出现写入文件较小但数量较多的情况，通过将小文件合并成一个或少量更大的文件，有利于减少读取的文件数，降低磁盘 I/O。

3. 性能评测

3.1 文件内过滤性能提升

背景：数据集市是从 Hive 表切换为 Iceberg 表的场景之一，在切换到 Iceberg 后查询速度明显地变快。经过实验对比，确认性能是由文件内 RowGroup 过滤带来的。

图 3-1 Hive 和 Iceberg 查询对比

3.2 列排序对文件内过滤性能提升

我们在另一个场景进一步探索排序对性能的影响。由于分区下仅一个文件，因而文件级过滤不起作用。我们分别比较了 Parquet 和 ORC 这两种文件格式，在排序和未排序下的查询性能，最终结论如下：

同样的文件格式，排序后文件内过滤效果更好，大致能快 40%；
ORC 查询性能优于 Parquet；
使用 Trino 查询，我们推荐 Iceberg 表 + ORC 文件格式 + 列排序；

图 3-2 Iceberg 分别在 Parquet、ORC 格式上文件内过滤性能对比

3.3 列排序对文件级过滤性能提升

业务表特定的列可能会频繁用做过滤条件，默认情况下数据是乱序组织，此时列 MinMax 值过滤也难以发挥作用，因特定值在每个文件都被包含。如果在数据写入时，按照该列进行排序组织，则 MinMax 值就能过滤掉大部分无关文件，大幅减少读取的数据量，加速查询。

下面以 CDN 的一个表为例，它的查询频繁用到 isp 和 prov 两个列，一个典型查询如下：

SELECT

"date" / 300 * 300 as "date",

isp,

ip_type,

sum("traffic") as "traffic"

FROM

table

WHERE "date" >= 1698986100 AND "date" < 1698986400

AND isp IN ('TV', 'Mobile', 'Phone')

AND prov IN ('BeiJing')

GROUP BY

"date" / 300 * 300, isp, ip_type;

我们分别测试对应表，默认不排序，按照 isp 排序，按照 prov 排序 3 种情况，最终性能如下：

按照 prov 排序查询读取数据量是不排序的 25%，耗时是 66%；
按照 isp 排序提升不明显，这是因为 isp 数据量有明显的倾斜，条件中 isp 值占比高达 90%；

图 3-3 Iceberg 文件级过滤性能提升对比

3.4 布隆过滤器的性能提升

在会员订单场景，业务既有基于订单 ID 检索的需求，又有查询某个用户 UserId 历史订单的需求。这两个列基数都非常大，无论用哪个列排序，另一个列的查询都会退化为全表检索。此类场景可以通过布隆过滤器满足。下图演示了开启布隆过滤器后，订单表的性能和 Impala + Kudu 接近，而未开启的情况下查询要接近 1000 秒。

图 3-4 Iceberg 使用布隆过滤器和 Impala + Kudu 的性能对比

3.5 Spark 和 Trino 性能比较

Trino 社区早期版本仅支持 Iceberg 表 V1 的查询，而对 V2 表格式的支持有问题（查询结果不正确）。爱奇艺的方案是在 Pilot SQL 网关中基于 Iceberg 表格式进行路由，V1 表路由到 Trino 引擎，V2 表路由到 Spark 引擎。

我们在 Trino 434 版本，重新验证了 Trino 对 Iceberg V2 表的查询。实验过程如下，对于 TPC-DS 测试集，我们每次变更表 0.1% 的数据，累计变更 20 轮，表使用 Merge On Read 模式，通过 Spark 执行变更生成 Position Delete 文件。changeN 代表 N 次变更后，rewrite_position 代表执行了 Spark rewrite_position_delete_files 后，rewrite_data 代表rewrite_data_files 后。

图 3-5 Spark 和 Trino 对于 Iceberg 的查询性能对比

可以看到：

Trino 对于 V2 表查询结果与 Spark 一致，且在相同核数性能优于 Spark，耗时是 Spark 的 1/3 左右；
随着变更轮次的增加（Data File 和 Postition Delete File 数量增加），Trino 查询性能也会逐渐变慢，需要定期进行合并。

核心收益 - 支持变更

1. 变更在业务使用场景

传统上大数据表对变更的支持较差，然而业务上有很多的变更需求：

ETL 计算：如广告计费，通过接入 Iceberg 实现变更，简化业务逻辑，实现了更长时间范围的转化回收；
数据修正：批量修正，如对某个数据的状态进行修改、批量删除等；
隐私相关：如播放记录、搜索记录，用户需要删除历史条目等；
CDC 同步：如订单业务，需要将 MySQL 中的数据进行大数据分析，通过 Flink CDC 技术很方便地将 MySQL 数据入湖，实时性可达到分钟级。

2. Hive 如何实现变更

在 Hive 中实现变更，主要有如下两种方式：

分区覆写 例如修改某个 id 的相关内容，先筛选出要修改的目标行，更新后与历史数据进行合并，最后覆盖原表。这种方式对不需要修改的数据进行了重写，浪费计算资源；且覆写的粒度最小是分区级别，数据无法进一步细分，任务耗时相对较长。
标记删除 通常的做法是添加标志位，数据初始写入时标志位置 0，需要删除时，插入相同的数据，且标志位置 1，查询时过滤掉标志位为 1 的数据即可。这种方式在语义上未实现真正的删除，历史数据仍然保存在 Hive 中，浪费空间，而且查询语句较为复杂。

3. Iceberg 支持的变更类型

Iceberg 目前支持的变更类型如下：

Delete：删除符合指定条件的数据，例如

DELETE FROM table_name WHERE channel_id= '2'

Update：更新指定范围的数据，例如

UPDATE table_name SET category='c2' WHERE id='2'

MERGE：若数据已存在 UPDATE，不存在执行 INSERT，例如

MERGE INTO db.target t -- a target table

USING (SELECT ...) s -- the source updates

ON t.id = s.id -- condition to find updates for target rows

WHEN MATCHED AND t.count IS NULL AND s.op = 'increment' THEN UPDATE SET t.count = 0

WHEN NOT MATCHED THEN INSERT *

4. Iceberg 变更策略

Iceberg 支持多种变更策略，每个策略有各自的优劣和适用场景，下面简单介绍一下每种策略的原理 [3]。

Copy on Write（写时合并）：当进行删除或更新特定行时，包含这些行的数据文件将被重写。写入耗时取决于重写的数据文件数量，频繁变更会面临写放大问题。如果更新数据分布在大量不同的文件，那么更新的执行速度比较慢。这种方式由于结果文件数较少，读取的速度会比较快，适合频繁读取、低频批次更新的场景。
Merge on Read（读时合并）：文件不会被重写，而是将更改写入新文件，当读取数据时，将新文件合并到原始数据文件得到最终结果。这使得写入速度更快，但读取数据时必须完成更多工作。写入新文件有两种方式，分别是记录删除某个文件对应的行（position delete）、记录删除的数据（equality detete）。

Position Delete：当前 Spark 的实现方式，记录变更对应的文件及行位置。这种方式不需要重写整个数据文件，只需找到对应数据的文件位置并记录，减少了写入的延迟，读取时合并的代价较小。
Equality Delete：当前 Flink 的实现方式，记录了删除数据行的主键。这种方式要求表必须有唯一的主键，写入过程无需查询数据文件，延迟最低；然而它的读取代价最大，这是由于读取时需要将 equality delete 记录和所有的原始文件进行 JOIN。

表 4-1 总结了不同变更策略的特点及适用场景：

表 4-1 Iceberg 不同变更策略对比

Iceberg 配置变更策略：Iceberg 中可以通过 write.delete.mode、write.merge.mode、write.update.mode 属性分别设置删除、合并、更新等写入模式，默认值均是 copy-on-write。当前只有 V2 表支持 Merge-on-read 模式。

表 4-2 Iceberg 变更属性配置方式

5. 业务接入

本节通过一些例子，说明 Iceberg 支持变更给业务带来的价值。

5.1 广告计费转换

如图 4-1 所示，在效果广告场景中，客户有查询计费转化数和深度转化数据的需求（基于计费时间）。比如某垂直领域客户，希望把用户行为统一起来，1 号发生的 100 万曝光，产生了 40 万点击（仅为示例，非真实数据），进而在后续的第 N 天内发生了 5000 的用户付费行为，需将第 N 天的付费归因到 1 号的曝光。广告报表都是基于用户行为时间，即日志时间聚合而成，为支持将深度转换归因到广告计费的当日，由于 Hive 不支持变更做了如下复杂的设计：

每天触发一次计算，从行为表聚合出过去 7 天的“计费时间”数据。此处用 rt 字段代表计费时间
提供统一视图合并行为数据和计费时间数据，计费归因表 rt as dt 作为分区过滤查询条件，满足同时检索曝光和计费转化的需求

图 4-1 广告计费转换场景

而在 Iceberg 场景下，其支持变更因而无需使用多个不同的表，直接在原表通过如下 SQL 即可完成：

MERGE INTO iceberg_taget_table t

USING (

SELECT * FROM changes_table

WHERE dt='2023-12-12'

) s

ON t.id = s.id

...

AND t.dt = s.dt

WHEN MATCHED THEN

UPDATE SET

count = count + s.cnt,

deep_count = deep_count + s.deep_cnt,

...

通过 Iceberg 表 merge 可简化整个处理流程：

时效性提升：从天级缩短到小时级，客户更实时观察成本，有利于预算引入；
计算更长周期数据：原先为计算效率仅提供 7 日内转换，而真实场景转换周期可能超过 1 个月；
表语义清晰：多表联合变为单表查询。

5.2 数据修正

举个例子，业务发现线上 ETL 任务逻辑有 BUG，导致某个列的值不准确。虽然线上 ETL 任务已经修复，但是错误的数据已经写入到下游的 Iceberg 表里。如果是 Hive 场景，需要重跑 ETL 任务，全量覆盖天分区进行修正。而在 Iceberg 表我们可以通过如下 SQL 进行修正：

UPDATE your_iceberg_table

SET strategy_code = 'correct_value'

WHERE dt = '2023-12-01' and strategy_code = 'wrong_value'

总结

Iceberg 不仅提供了数据删除、更新等功能，有效满足数据保留政策和合规性要求，而且查询加速措施更为多样，可以利用列式存储、索引和元数据统计信息来优化查询计划，提高查询性能，可以帮助我们简化业务逻辑，提升时效性，加快数据产出。

通过以上平滑切换方案，从 Hive 到 Iceberg 不需要重新构建数据湖，在尽量保持语义兼容性的情况下，可以进行无缝迁移，减少了迁移的复杂性和风险。

后续我们将继续推进 Hive 到 Iceberg 的迁移，提升数据流通效率，促进业务提效增收。

引用

也许你还想看

数据湖在爱奇艺数据中台的应用

爱奇艺数据湖实战 - 基于数据湖的日志平台架构演进

爱奇艺数据湖实战

本文分享自微信公众号 - 爱奇艺技术产品团队（iQIYI-TP）。
如有侵权，请联系 [email protected] 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。