背景

随着大数据处理结果的实时性要求越来越高，越来越多的大数据处理从离线转到了实时，其中以flink为主的实时计算在大数据处理中占有重要地位。

Flink消费kafka等实时数据流。然后实时写入hive，在大数据处理方面有着广泛的应用。此外由于列式存储格式如parquet或者orc在查询性能方面有着显著的提高，所以大家都会优先选择列式存储作为我们的存储格式。

传统的这种架构看似不错，但是还是有很多没有解决的问题:

实时写入造成大量小文件，需要单独的程序来进行合并
实时的写入，读取，还有合并小文件在同时进行，那么如何保证事务，读取数据的时候不会出现脏读。
Hdfs的数据一般是一次写入。多次读写，但是如果因为程序出错导致数据错了，确实要修改某一条数据改怎么办
消费kafka的数据落地到hive，有一天kafka的数据多了几个字段，如何同步到hive？必须删了重建吗？
订单等业务数据一般存储在传统数据库，如mysql等。如何实时同步这些cdc数据到hive仓库呢，包括ddl和dml

如果你有上面的需求，那么你可以考虑一下数据湖了，目前开源的数据湖技术主要有以下几个：delta、hudi、iceberg，但是侧重点有所不同，我上面说的问题也不完全都能实现，但是这些都是数据湖要做的东西，随着社区的不断发展，这些功能都会有的。

但是目前世面上这些数据湖技术都与spark紧密绑定。而我们目前实时计算主要以flink为主，而且我个人觉得未来实时计算也将以flink为主，所以我选择了iceberg为我们的数据湖，虽然他有一些功能不是很完善，但是有着良好的抽象，并且不强制绑定spark，所以对于iceberg没有的功能，我们可以自己给补全，再回馈给社区，一起成长。

iceberg简介

其实对于iceberg，官方的定义是一种表格式。

Apache Iceberg is an open table format for huge analytic datasets. Iceberg adds tables to Presto and Spark that use a high-performance format that works just like a SQL table.

我们可以简单理解为他是基于计算层（flink ， spark）和存储层（orc，parqurt）的一个中间层，我们在hive建立一个iceberg格式的表。用flink或者spark写入iceberg，然后再通过其他方式来读取这个表，比如spark，flink，presto等。

当然数据湖的概念远不止这点，我们今天就先简单的这么理解，后续写一篇文章专门介绍一下iceberg。

flink实时写入

准备sql client环境

目前官方的测试版本是基于scala 2.12版本的flink。所以我们也用和官方同步的版本来测试下，下载下面的两个jar放到flink的lib下面，然后启动一下flink集群，standalone模式。

下载flink ：flink-1.11.2-bin-scala_2.12.tgz
下载 iceberg-flink-runtime-xxx.jar
下载flink 集成hive的connector，flink-sql-connector-hive-2.3.6_2.12-1.11.2.jar
目前官方的hive测试版本是 2.3.7，其他的版本可能有不兼容

注意要配置flink的checkpoint，因为目前flink提交iceberg的信息是在每次checkpoint的时候提交的。在sql client配置checkpoint的方法如下：

在flink-conf.yaml添加如下配置

execution.checkpointing.interval: 10s   # checkpoint间隔时间
execution.checkpointing.tolerable-failed-checkpoints: 10  # checkpoint 失败容忍次数

创建catalog

目前系统提供的catalog有hivecatalog和hadoopcatalog以及自定义catlog

CREATE CATALOG iceberg WITH (
  'type'='iceberg',
  'catalog-type'='hive',
  'uri'='thrift://localhost:9083',
  'clients'='5',
  'property-version'='1',
  'warehouse'='hdfs://nn:8020/warehouse/path'
);

执行完之后，显示如下:

Flink SQL> show catalogs;
default_catalog
iceberg

如果不想每次启动sql client都重新执行ddl，可以在sql-client-defaults.yaml 里面皮遏制一下：

catalogs: # empty list
# A typical catalog definition looks like:
  - name: hive
    type: hive
    hive-conf-dir: /Users/user/work/hive/conf
    default-database: default
  - name: iceberg
    type: iceberg
    warehouse: hdfs://localhost/user/hive2/warehouse
    uri: thrift://localhost:9083
    catalog-type: hive

创建db

use catalog iceberg;
CREATE DATABASE iceberg_db;
USE iceberg_db;

创建table

CREATE TABLE iceberg.iceberg_db.iceberg_001 (
    id BIGINT COMMENT 'unique id',
    data STRING
) WITH ('connector'='iceberg','write.format.default'='ORC');

插入数据

我们依然创建一个datagen的connector。

CREATE TABLE sourceTable (
 userid int,
 f_random_str STRING
) WITH (
 'connector' = 'datagen',
 'rows-per-second'='100',
 'fields.userid.kind'='random',
 'fields.userid.min'='1',
 'fields.userid.max'='100',
'fields.f_random_str.length'='10'
)

这时候我们看到有两个表了

Flink SQL> show tables;
iceberg_001
sourcetable

然后执行insert into插入数据：

insert into iceberg.iceberg_db.iceberg_001 select * from iceberg.iceberg_db.sourceTable

查询

我们这里使用presto来查询

presto的配置iceberg.properties 如下：

connector.name=iceberg
hive.metastore.uri=thrift://localhost:9083

代码版本

public class Flink2Iceberg{

	public static void main(String[] args) throws Exception{
		StreamExecutionEnvironment env =
				StreamExecutionEnvironment.getExecutionEnvironment();
		env.setParallelism(1);
		env.enableCheckpointing(10000);
		StreamTableEnvironment tenv = StreamTableEnvironment.create(env);
		tenv.executeSql("CREATE CATALOG iceberg WITH (n" +
		                "  'type'='iceberg',n" +
		                "  'catalog-type'='hive'," +
		                "  'hive-conf-dir'='/Users/user/work/hive/conf/'" +
		                ")");

		tenv.useCatalog("iceberg");
		tenv.executeSql("CREATE DATABASE iceberg_db");
		tenv.useDatabase("iceberg_db");

		tenv.executeSql("CREATE TABLE sourceTable (n" +
		                " userid int,n" +
		                " f_random_str STRINGn" +
		                ") WITH (n" +
		                " 'connector' = 'datagen',n" +
		                " 'rows-per-second'='100',n" +
		                " 'fields.userid.kind'='random',n" +
		                " 'fields.userid.min'='1',n" +
		                " 'fields.userid.max'='100',n" +
		                "'fields.f_random_str.length'='10'n" +
		                ")");

		tenv.executeSql(
				"insert into iceberg.iceberg_db.iceberg_001 select * from iceberg.iceberg_db.sourceTable");
	}
}

具体见：

https://github.com/zhangjun0x01/bigdata-examples/blob/master/iceberg/src/main/java/com/Flink2Iceberg.java

总结

总结一下，iceberg的资料比较少，很多设计或者讨论等需要关注issues，然后再去撸源码，可能对于刚入门的小伙伴来说有点困难。后续我也会多分享一些关于iceberg的文章，欢迎大家关注我公众号【大数据技术与应用实战】。

Flink集成数据湖之实时数据写入iceberg

背景