• 产品

    产品

    SelectDB Cloud

    全托管、云原生、实时数据仓库服务

    SelectDB Enterprise

    自管理、私有部署、实时数据仓库软件

    阿里云 SelectDB

    官方合作、生态融合的实时数据仓库服务

    工具

    Doris Operator

    在 K8s 上运行 Doris 或者 SelectDB

    X2Doris

    让数据迁移到 Doris 变得简单

    Connectors

    方便与 Flink、Spark 等进行集成

  • 方案
    按场景
    实时报表与分析用户画像与行为分析湖仓一体可观测性与日志分析
    按行业
    汽车行业解决方案新能源行业解决方案
    按技术
    对比 ClickHouse对比 Elasticsearch对比 Trino
  • 用户

    智慧金融

    平安人寿银联商务众安保险奇富科技招商信诺杭银消金

    互联网文娱

    网易游戏抖音集团腾讯音乐TT 语音360 商业化斗鱼

    企业服务

    观测云奇安信天眼查有赞约苗平台360 企业安全浏览器

    电信制造

    极越汽车长安汽车联通

    零售新经济

    钱大妈快成物流美联物业纵腾集团货拉拉蜀海供应链
    查看所有客户案例
  • 文档
  • 资源

    学习

    博客电子书与幻灯片视频

    支持

    工单系统专家服务培训与认证

    社区

    社群论坛活动
  • 联系我们
定价登录 / 注册
免费试用
SelectDB Cloud

专有仓库(SaaS)14天免费使用, 私有仓库(BYOC)30天免计算服务费用

SelectDB Enterprise

同意试用协议免费下载评估试用

  • 产品

    产品

    SelectDB Cloud

    全托管、云原生、实时数据仓库服务

    SelectDB Enterprise

    自管理、私有部署、实时数据仓库软件

    阿里云 SelectDB

    官方合作、生态融合的实时数据仓库服务

    工具

    Doris Operator

    在 K8s 上运行 Doris 或者 SelectDB

    X2Doris

    让数据迁移到 Doris 变得简单

    Connectors

    方便与 Flink、Spark 等进行集成

  • 方案
    按场景
    实时报表与分析用户画像与行为分析湖仓一体可观测性与日志分析
    按行业
    汽车行业解决方案新能源行业解决方案
    按技术
    对比 ClickHouse对比 Elasticsearch对比 Trino
  • 用户

    智慧金融

    平安人寿银联商务众安保险奇富科技招商信诺杭银消金

    互联网文娱

    网易游戏抖音集团腾讯音乐TT 语音360 商业化斗鱼

    企业服务

    观测云奇安信天眼查有赞约苗平台360 企业安全浏览器

    电信制造

    极越汽车长安汽车联通

    零售新经济

    钱大妈快成物流美联物业纵腾集团货拉拉蜀海供应链
    查看所有客户案例
  • 文档
  • 资源

    学习

    博客电子书与幻灯片视频

    支持

    工单系统专家服务培训与认证

    社区

    社群论坛活动
  • 定价
  • 联系我们
免费试用
电话咨询
预约演示
在线咨询
订阅博客双周精选
订阅

关注我们

关注微信公众号

产品

SelectDB CloudSelectDB Enterprise

工具

Doris OperatorX2DorisConnectors

资源

文档中心博客活动

公司

飞轮科技合作伙伴联系我们加入我们新闻报道

Apache Doris

GitHub官网Doris SummitDoris 问答论坛

友情链接

GitHub官网Doris SummitDoris 问答论坛
© 2023 北京飞轮数据科技有限公司京 ICP 备 2022004029 号|Apache、Apache Doris 以及相关开源项目名称均为 Apache 基金会商标|用户协议|隐私政策
返回
技术分享

Apache Doris + Iceberg 快速搭建指南|Lakehouse 使用手册(三)

SelectDB 技术团队· 2024/08/02

    湖仓一体(Data Lakehouse)融合了数据仓库的高性能、实时性以及数据湖的低成本、灵活性等优势,能够更加便捷地满足各种数据处理分析的需求。Apache Doris 持续加深与数据湖的融合,已演进出一套成熟的湖仓一体解决方案。我们将通过一系列文章介绍 Apache Doris 与各类主流数据湖格式及存储系统的湖仓一体架构搭建指南,包括 Hudi、Paimon、Iceberg、OSS、Delta Lake、Kudu、BigQuery 等。

    • Apache Doris + Apache Hudi 快速搭建指南|Lakehouse 使用手册(一)
    • Apache Doris + Apache Paimon 快速搭建指南|Lakehouse 使用手册(二)

    本文将继续为大家介绍 Lakehouse 使用手册(三)之 Apache Doris + Apache Iceberg 快速搭建指南。

    Apache Doris + Apache Iceberg

    Apache Iceberg 是一种开源、高性能、高可靠的数据湖表格式,可实现超大规模数据的分析与管理。它支持 Apache Doris 在内的多种主流查询引擎,兼容 HDFS 以及各种对象云存储,具备 ACID、Schema 演进、高级过滤、隐藏分区和分区布局演进等特性,可确保高性能查询以及数据的可靠性及一致性,其时间旅行和版本回滚功能也为数据管理带来较高的灵活性。

    Apache Doris 对 Iceberg 多项核心特性提供了原生支持:

    • 支持 Hive Metastore、Hadoop、REST、Glue、Google Dataproc Metastore、DLF 等多种 Iceberg Catalog 类型。

    • 原生支持 Iceberg V1/V2 表格式,以及 Position Delete、Equality Delete 文件的读取。

    • 支持通过表函数查询 Iceberg 表快照历史。

    • 支持时间旅行(Time Travel)功能。

    • 原生支持 Iceberg 表引擎。可以通过 Apache Doris 直接创建、管理以及将数据写入到 Iceberg 表。支持完善的分区 Transform 函数,从而提供隐藏分区和分区布局演进等能力。

    用户可以基于 Apache Doris + Apache Iceberg快速构建高效的湖仓一体解决方案,以灵活应对实时数据分析与处理的各种需求:

    • 通过 Doris 高性能查询引擎对 Iceberg 表数据和其他数据源进行关联数据分析,构建统一的联邦数据分析平台。

    • 通过 Doris 直接管理和构建 Iceberg 表,在 Doris 中完成对数据的清洗、加工并写入到 Iceberg 表,构建统一的湖仓数据处理平台。

    • 通过 Iceberg 表引擎,将 Doris 数据共享给其他上下游系统做进一步处理,构建统一的开放数据存储平台。

    未来 ,Apache Iceberg 将作为 Apache Doris 的原生表引擎之一,提供更加完善的湖格式数据的分析、管理功能。 Apache Doris 也将逐步支持包括 Update/Delete/Merge、写回时排序、增量数据读取、元数据管理等 Apache Iceberg 更多高级特性,共同构建统一、高性能、实时的湖仓平台。

    接下来,为读者讲解如何在 Docker 环境下快速搭建 Apache Doris + Apache Iceberg 测试 & 演示环境,并展示各功能的使用操作。

    使用指南

    本文涉及脚本&代码从该地址获取:https://github.com/apache/doris/tree/master/samples/datalake/iceberg_and_paimon

    01 环境准备

    本文示例采用 Docker Compose 部署,组件及版本号如下:

    qrcode

    02 环境部署

    1. 启动所有组件

    bash ./start_all.sh
    

    2. 启动后,可以使用如下脚本,登陆 Doris 命令行:

    bash ./start_doris_client.sh
    

    03 创建 Iceberg 表

    1. 首先登陆 Doris 命令行后,Doris 集群中已经创建了名为 Iceberg 的 Catalog(可通过 SHOW CATALOGS/ SHOW CREATE CATALOG iceberg查看)。以下为该 Catalog 的创建语句:

    -- 已创建,无需执行
    CREATE CATALOG `iceberg` PROPERTIES (
        "type" = "iceberg",
        "iceberg.catalog.type" = "rest",
        "warehouse" = "s3://warehouse/",
        "uri" = "http://rest:8181",
        "s3.access_key" = "admin",
        "s3.secret_key" = "password",
        "s3.endpoint" = "http://minio:9000"
    );
    

    2. 在 Iceberg Catalog 创建数据库和 Iceberg 表:

      mysql> SWITCH iceberg;
      Query OK, 0 rows affected (0.00 sec)
    
      mysql> CREATE DATABASE nyc;
      Query OK, 0 rows affected (0.12 sec)
    
      mysql> CREATE TABLE iceberg.nyc.taxis
             (
                 vendor_id BIGINT,
                 trip_id BIGINT,
                 trip_distance FLOAT,
                 fare_amount DOUBLE,
                 store_and_fwd_flag STRING,
                 ts DATETIME
             )
             PARTITION BY LIST (vendor_id, DAY(ts)) ()
             PROPERTIES (
                 "compression-codec" = "zstd",
                 "write-format" = "parquet"
             );
      Query OK, 0 rows affected (0.15 sec)
    

    04 数据写入

    1. 向 Iceberg 表中插入数据。

    mysql> INSERT INTO iceberg.nyc.taxis
           VALUES (1, 1000371, 1.8, 15.32, 'N', '2024-01-01 9:15:23'), (2, 1000372, 2.5, 22.15, 'N', '2024-01-02 12:10:11'), (2, 1000373, 0.9, 9.01, 'N', '2024-01-01 3:25:15'), (1, 1000374, 8.4, 42.13, 'Y', '2024-01-03 7:12:33');
    Query OK, 4 rows affected (1.61 sec)
    {'status':'COMMITTED', 'txnId':'10085'}
    

    2. 通过 CREATE TABLE AS SELECT 来创建一张 Iceberg 表。

    mysql> CREATE TABLE iceberg.nyc.taxis2 AS SELECT * FROM iceberg.nyc.taxis;
    Query OK, 6 rows affected (0.25 sec)
    {'status':'COMMITTED', 'txnId':'10088'}
    

    05 数据查询

    • 简单查询
      mysql> SELECT * FROM iceberg.nyc.taxis;
      +-----------+---------+---------------+-------------+--------------------+----------------------------+
      | vendor_id | trip_id | trip_distance | fare_amount | store_and_fwd_flag | ts                         |
      +-----------+---------+---------------+-------------+--------------------+----------------------------+
      |         1 | 1000374 |           8.4 |       42.13 | Y                  | 2024-01-03 07:12:33.000000 |
      |         1 | 1000371 |           1.8 |       15.32 | N                  | 2024-01-01 09:15:23.000000 |
      |         2 | 1000373 |           0.9 |        9.01 | N                  | 2024-01-01 03:25:15.000000 |
      |         2 | 1000372 |           2.5 |       22.15 | N                  | 2024-01-02 12:10:11.000000 |
      +-----------+---------+---------------+-------------+--------------------+----------------------------+
      4 rows in set (0.37 sec)
    
      mysql> SELECT * FROM iceberg.nyc.taxis2;
      +-----------+---------+---------------+-------------+--------------------+----------------------------+
      | vendor_id | trip_id | trip_distance | fare_amount | store_and_fwd_flag | ts                         |
      +-----------+---------+---------------+-------------+--------------------+----------------------------+
      |         1 | 1000374 |           8.4 |       42.13 | Y                  | 2024-01-03 07:12:33.000000 |
      |         1 | 1000371 |           1.8 |       15.32 | N                  | 2024-01-01 09:15:23.000000 |
      |         2 | 1000373 |           0.9 |        9.01 | N                  | 2024-01-01 03:25:15.000000 |
      |         2 | 1000372 |           2.5 |       22.15 | N                  | 2024-01-02 12:10:11.000000 |
      +-----------+---------+---------------+-------------+--------------------+----------------------------+
      4 rows in set (0.35 sec)
    
    
    • 分区剪裁

      mysql> SELECT * FROM iceberg.nyc.taxis where vendor_id = 2 and ts >= '2024-01-01' and ts < '2024-01-02';
      +-----------+---------+---------------+-------------+--------------------+----------------------------+
      | vendor_id | trip_id | trip_distance | fare_amount | store_and_fwd_flag | ts                         |
      +-----------+---------+---------------+-------------+--------------------+----------------------------+
      |         2 | 1000373 |           0.9 |        9.01 | N                  | 2024-01-01 03:25:15.000000 |
      +-----------+---------+---------------+-------------+--------------------+----------------------------+
      1 row in set (0.06 sec)
      
      mysql> EXPLAIN VERBOSE SELECT * FROM iceberg.nyc.taxis where vendor_id = 2 and ts >= '2024-01-01' and ts < '2024-01-02';
      
      ....                                                                                                                                                                                  
      |   0:VICEBERG_SCAN_NODE(71)                                                                                                                                                          
      |      table: taxis                                                                                                                                                                   
      |      predicates: (ts[#5] < '2024-01-02 00:00:00'), (vendor_id[#0] = 2), (ts[#5] >= '2024-01-01 00:00:00')                                                                           
      |      inputSplitNum=1, totalFileSize=3539, scanRanges=1                                                                                                                              
      |      partition=1/0                                                                                                                                                                  
      |      backends:                                                                                                                                                                      
      |        10002                                                                                                                                                                        
      |          s3://warehouse/wh/nyc/taxis/data/vendor_id=2/ts_day=2024-01-01/40e6ca404efa4a44-b888f23546d3a69c_5708e229-2f3d-4b68-a66b-44298a9d9815-0.zstd.parquet start: 0 length: 3539 
      |      cardinality=6, numNodes=1                                                                                                                                                      
      |      pushdown agg=NONE                                                                                                                                                              
      |      icebergPredicatePushdown=                                                                                                                                                      
      |           ref(name="ts") < 1704153600000000                                                                                                                                         
      |           ref(name="vendor_id") == 2                                                                                                                                                
      |           ref(name="ts") >= 1704067200000000                                                                                                                                        
      ....
      

    通过EXPLAIN VERBOSE语句的结果可知,vendor_id = 2 and ts >= '2024-01-01' and ts < '2024-01-02'谓词条件,最终只命中一个分区(partition=1/0)。

    同时也可知,因为在建表时指定了分区 Transform 函数 DAY(ts),原始数据中的的值 2024-01-01 03:25:15.000000会被转换成文件目录中的分区信息ts_day=2024-01-01。

    06 Time Travel

    1. 再次插入几行数据。

    INSERT INTO iceberg.nyc.taxis VALUES (1, 1000375, 8.8, 55.55, 'Y', '2024-01-01 8:10:22'), (3, 1000376, 7.4, 32.35, 'N', '2024-01-02  1:14:45');
    Query OK, 2 rows affected (0.17 sec)
    {'status':'COMMITTED', 'txnId':'10086'}
    
    mysql> SELECT * FROM iceberg.nyc.taxis;
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    | vendor_id | trip_id | trip_distance | fare_amount | store_and_fwd_flag | ts                         |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    |         3 | 1000376 |           7.4 |       32.35 | N                  | 2024-01-02 01:14:45.000000 |
    |         2 | 1000372 |           2.5 |       22.15 | N                  | 2024-01-02 12:10:11.000000 |
    |         1 | 1000374 |           8.4 |       42.13 | Y                  | 2024-01-03 07:12:33.000000 |
    |         1 | 1000371 |           1.8 |       15.32 | N                  | 2024-01-01 09:15:23.000000 |
    |         1 | 1000375 |           8.8 |       55.55 | Y                  | 2024-01-01 08:10:22.000000 |
    |         2 | 1000373 |           0.9 |        9.01 | N                  | 2024-01-01 03:25:15.000000 |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    6 rows in set (0.11 sec)
    

    2. 使用 iceberg_meta表函数查询表的快照信息

    mysql> select * from iceberg_meta("table" = "iceberg.nyc.taxis", "query_type" = "snapshots");
    +---------------------+---------------------+---------------------+-----------+-----------------------------------------------------------------------------------------------------------+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
    | committed_at        | snapshot_id         | parent_id           | operation | manifest_list                                                                                             | summary                                                                                                                                                                                                                                                        |
    +---------------------+---------------------+---------------------+-----------+-----------------------------------------------------------------------------------------------------------+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
    | 2024-07-29 03:38:22 | 8483933166442433486 |                  -1 | append    | s3://warehouse/wh/nyc/taxis/metadata/snap-8483933166442433486-1-5f7b7736-8022-4ba1-9db2-51ae7553be4d.avro | {"added-data-files":"4","added-records":"4","added-files-size":"14156","changed-partition-count":"4","total-records":"4","total-files-size":"14156","total-data-files":"4","total-delete-files":"0","total-position-deletes":"0","total-equality-deletes":"0"} |
    | 2024-07-29 03:40:23 | 4726331391239920914 | 8483933166442433486 | append    | s3://warehouse/wh/nyc/taxis/metadata/snap-4726331391239920914-1-6aa3d142-6c9c-4553-9c04-08ad4d49a4ea.avro | {"added-data-files":"2","added-records":"2","added-files-size":"7078","changed-partition-count":"2","total-records":"6","total-files-size":"21234","total-data-files":"6","total-delete-files":"0","total-position-deletes":"0","total-equality-deletes":"0"}  |
    +---------------------+---------------------+---------------------+-----------+-----------------------------------------------------------------------------------------------------------+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
    2 rows in set (0.07 sec)
    

    3. 使用 FOR VERSION AS OF语句查询指定快照

    mysql> SELECT * FROM iceberg.nyc.taxis FOR VERSION AS OF 8483933166442433486;
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    | vendor_id | trip_id | trip_distance | fare_amount | store_and_fwd_flag | ts                         |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    |         1 | 1000371 |           1.8 |       15.32 | N                  | 2024-01-01 09:15:23.000000 |
    |         1 | 1000374 |           8.4 |       42.13 | Y                  | 2024-01-03 07:12:33.000000 |
    |         2 | 1000372 |           2.5 |       22.15 | N                  | 2024-01-02 12:10:11.000000 |
    |         2 | 1000373 |           0.9 |        9.01 | N                  | 2024-01-01 03:25:15.000000 |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    4 rows in set (0.05 sec)
    
    mysql> SELECT * FROM iceberg.nyc.taxis FOR VERSION AS OF 4726331391239920914;
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    | vendor_id | trip_id | trip_distance | fare_amount | store_and_fwd_flag | ts                         |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    |         1 | 1000374 |           8.4 |       42.13 | Y                  | 2024-01-03 07:12:33.000000 |
    |         1 | 1000375 |           8.8 |       55.55 | Y                  | 2024-01-01 08:10:22.000000 |
    |         3 | 1000376 |           7.4 |       32.35 | N                  | 2024-01-02 01:14:45.000000 |
    |         2 | 1000372 |           2.5 |       22.15 | N                  | 2024-01-02 12:10:11.000000 |
    |         2 | 1000373 |           0.9 |        9.01 | N                  | 2024-01-01 03:25:15.000000 |
    |         1 | 1000371 |           1.8 |       15.32 | N                  | 2024-01-01 09:15:23.000000 |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    6 rows in set (0.04 sec)
    

    4. 使用 FOR TIME AS OF语句查询指定快照

    mysql> SELECT * FROM iceberg.nyc.taxis FOR TIME AS OF "2024-07-29 03:38:23";
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    | vendor_id | trip_id | trip_distance | fare_amount | store_and_fwd_flag | ts                         |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    |         1 | 1000374 |           8.4 |       42.13 | Y                  | 2024-01-03 07:12:33.000000 |
    |         1 | 1000371 |           1.8 |       15.32 | N                  | 2024-01-01 09:15:23.000000 |
    |         2 | 1000372 |           2.5 |       22.15 | N                  | 2024-01-02 12:10:11.000000 |
    |         2 | 1000373 |           0.9 |        9.01 | N                  | 2024-01-01 03:25:15.000000 |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    4 rows in set (0.04 sec)
    
    mysql> SELECT * FROM iceberg.nyc.taxis FOR TIME AS OF "2024-07-29 03:40:22";
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    | vendor_id | trip_id | trip_distance | fare_amount | store_and_fwd_flag | ts                         |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    |         2 | 1000373 |           0.9 |        9.01 | N                  | 2024-01-01 03:25:15.000000 |
    |         1 | 1000374 |           8.4 |       42.13 | Y                  | 2024-01-03 07:12:33.000000 |
    |         2 | 1000372 |           2.5 |       22.15 | N                  | 2024-01-02 12:10:11.000000 |
    |         1 | 1000371 |           1.8 |       15.32 | N                  | 2024-01-01 09:15:23.000000 |
    +-----------+---------+---------------+-------------+--------------------+----------------------------+
    4 rows in set (0.05 sec)
    

    结束语

    以上是基于 Apache Doris 与 Apache Iceberg 快速搭建测试 / 演示环境的详细指南,后续我们还将陆续推出 Apache Doris 与各类主流数据湖格式及存储系统构建湖仓一体架构的系列指南,欢迎持续关注。

    另外我们也创建了数据湖/湖仓一体专项支持群,有需求的伙伴可扫描下方二维码申请加入(备注:湖仓一体),即可获得专职工程师的技术指导与支持。

    qrcode