汽车之家湖仓一体架构实践
分享嘉宾：邸星星@汽车之家
编辑整理：DataFun、Flink中文社区
导读： 本文将介绍如何基于Apache Iceberg构建湖仓一体架构，将数据可见性提升至分钟级；从多维分析的角度来探讨引入Apache Iceberg带来的收益，以及未来还有哪些收益可以期待。
01 数据仓库架构升级的背景
1. 基于 Hive 的数据仓库的痛点
原有的数据仓库完全基于 Hive 建造而成，主要存在上述三大痛点。
2. Iceberg 关键特性
Iceberg 主要有四大关键特性：支持 ACID 语义、增量快照机制、开放的表格式和流批接口支持。
02 基于 Iceberg 的湖仓一体架构实践
湖仓一体的意义就是说我不需要看见湖和仓，数据有着打通的元数据的格式，它可以自由的流动，也可以对接上层多样化的计算生态。
——贾扬清
1. Append 流入湖的链路
上图为日志类数据入湖的链路，日志类数据包含客户端日志、用户端日志以及服务端日志。这些日志数据会实时录入到 Kafka，然后通过 Flink 任务写到 Iceberg 里面，最终存储到 HDFS。
2. Flink SQL 入湖链路打通
我们的 Flink SQL 入湖链路打通是基于 “Flink 1.11 + Iceberg 0.11” 完成的，对接 Iceberg Catalog 我们主要做了以下内容：
- Meta Server 增加对 Iceberg Catalog 的支持；
- SQL SDK 增加 Iceberg Catalog 支持。
然后在这基础上，平台开放 Iceberg 表的管理功能，使得用户可以自己在平台上建 SQL 的表。
3. 入湖 - 支持代理用户
第二步是内部的实践，对接现有预算体系、权限体系。
因为之前平台做实时作业的时候，平台都是默认为 Flink 用户去运行的，之前存储不涉及 HDFS 存储，因此可能没有什么问题，也就没有思考预算划分方面的问题。
但是现在写 Iceberg 的话，可能就会涉及一些问题。比如数仓团队有自己的集市，数据就应该写到他们的目录下面，预算也是划到他们的预算下，同时权限和离线团队账号的体系打通。
如上所示，这块主要是在平台上做了代理用户的功能，用户可以去指定用哪个账号去把这个数据写到 Iceberg 里面，实现过程主要有以下三个。
① 增加 Table 级别配置：'iceberg.user.proxy' = 'targetUser’
- 启用 Superuser
- 团队账号鉴权
② 访问 HDFS 时启用代理用户：
③ 访问 Hive Metastore 时指定代理用户
- 参考 Spark 的相关实现：
org.apache.spark.deploy.security.HiveDelegationTokenProvider
- 动态代理 HiveMetaStoreClient，使用代理用户访问 Hive metastore
4. Flink SQL 入湖示例
DDL + DML
5. CDC 数据入湖链路
如上所示，我们有一个 AutoDTS 平台，负责业务库数据的实时接入。我们会把这些业务库的数据接入到 Kafka 里面，同时它还支持在平台上配置分发任务，相当于把进 Kafka 的数据分发到不同的存储引擎里，在这个场景下是分发到 Iceberg 里。
6. Flink SQL CDC 入湖链路打通
下面是我们基于 “Flink1.11 + Iceberg 0.11” 支持 CDC 入湖所做的改动：
改进 Iceberg Sink：
Flink 1.11 版本为 AppendStreamTableSink，无法处理 CDC 流，修改并适配。
表管理
- 支持 Primary key（PR1978）
- 开启 V2 版本：'iceberg.format.version' = '2'
7. CDC 数据入湖
① 支持 Bucket
Upsert 场景下，需要确保同一条数据写入到同一 Bucket 下，这又如何实现？
目前 Flink SQL 语法不支持声明 bucket 分区，通过配置的方式声明 Bucket：
'partition.bucket.source'='id', // 指定 bucket 字段
'partition.bucket.num'='10', // 指定 bucket 数量
② Copy-on-write sink
做 Copy-on-Write 的原因是原本社区的 Merge-on-Read 不支持合并小文件，所以我们临时去做了 Copy-on-write sink 的实现。目前业务一直在测试使用，效果良好。
上方为 Copy-on-Write 的实现，其实跟原来的 Merge-on-Read 比较类似，也是有 StreamWriter 多并行度写入和 FileCommitter 单并行度顺序提交。
在 Copy-on-Write 里面，需要根据表的数据量合理设置 Bucket 数，无需额外做小文件合并。
StreamWriter 在 snapshotState 阶段多并行度写入
- 增加 Buffer；
- 写入前需要判断上次 checkpoint 已经 commit 成功；
- 按 bucket 分组、合并，逐个 Bucket 写入。
FileCommitter 单并行度顺序提交
- table.newOverwrite()
- Flink.last.committed.checkpoint.id
8. 示例 - CDC 数据配置入湖
如上图所示，在实际使用中，业务方可以在 DTS 平台上创建或配置分发任务即可。
实例类型选择 Iceberg 表，然后选择目标库，表明要把哪个表的数据同步到 Iceberg 里，然后可以选原表和目标表的字段的映射关系是什么样的，配置之后就可以启动分发任务。启动之后，会在实时计算平台 Flink 里面提交一个实时任务，接着用 Copy-on-write sink 去实时地把数据写到 Iceberg 表里面。
9. 入湖其他实践
10. 小文件合并及数据清理
11. 计算引擎 – Flink
Flink 是实时平台的核心计算引擎，目前主要支持数据入湖场景，主要有以下几个方面的特点。
数据准实时入湖：
Flink 和 Iceberg 在数据入湖方面集成度最高，Flink 社区主动拥抱数据湖技术。
平台集成：
AutoStream 引入 IcebergCatalog，支持通过 SQL 建表、入湖 AutoDTS 支持将 MySQL、SQLServer、TiDB 表配置入湖。
流批一体：
在流批一体的理念下，Flink 的优势会逐渐体现出来。
12. 计算引擎 – Hive
Hive 在 SQL 批处理层面 Iceberg 和 Spark 3 集成度更高，主要提供以下三个方面的功能。
定期小文件合并及 meta 信息查询：
SELECT * FROM prod.db.table.history 还可查看 snapshots, files, manifests。
离线数据写入：
- Insert into
- Insert overwrite
- Merge into
分析查询：
主要支持日常的准实时分析查询场景。
13. 计算引擎 – Trino/Presto
AutoBI 已经和 Presto 集成，用于报表、分析型查询场景。
Trino
- 直接将 Iceberg 作为报表数据源
- 需要增加元数据缓存机制：https://github.com/trinodb/trino/issues/7551
Presto
社区集成中：https://github.com/prestodb/presto/pull/15836
14. 踩过的坑
03 收益与总结
1. 总结
通过对湖仓一体、流批融合的探索，我们分别做了总结。
湖仓一体
- Iceberg 支持 Hive Metastore；
- 总体使用上与 Hive 表类似：相同数据格式、相同的计算引擎。
流批融合
准实时场景下实现流批统一：同源、同计算、同存储。
2. 业务收益
3. 架构收益 - 准实时数仓
上方也提到了，我们支持准实时的入仓和分析，相当于是为后续的准实时数仓建设提供了基础的架构验证。准实时数仓的优势是一次开发、口径统一、统一存储，是真正的批流一体。劣势是实时性较差，原来可能是秒级、毫秒级的延迟，现在是分钟级的数据可见性。
但是在架构层面上，这个意义还是很大的，后续我们能看到一些希望，可以把整个原来 “T + 1” 的数仓，做成准实时的数仓，提升数仓整体的数据时效性，然后更好地支持上下游的业务。
04 后续规划
今天的分享就到这里，谢谢大家。
