在上篇中分享了开源分布式存储系统Alluxio与Iceberg的基本概念、集成方案与未来的结合方向。本篇中我们将继续为大家讲述Iceberg connector在Presto社区的一些进展和功能。
作者简介
王北南
Alluxio软件工程师，也是PrestoDB的committer。加入Alluxio之前，北南博士是Twitter Presto团队的技术负责人，并为Twitter的数据平台构建了大规模分布式SQL系统。他在性能优化、分布式缓存和大数据方面有12年的工作经验。王北南博士毕业于雪城大学计算机工程专业，专业方向是对分布式系统进行信号模型检测和运行验证。
陈寿纬
Alluxio软件工程师，在Alluxio主要负责数据湖方案结合、结构化数据与高可用性优化等相关工作。陈寿纬博士毕业于罗格斯大学电子与计算机工程系，专业方向是大规模分布式系统的性能与稳定性优化。
查询Iceberg表
Create Table
可能很多人用Presto只用 Hive Connector，其实Iceberg connector跟Hive差不多，不管从实现，还是从功能上都有互相的参照，尤其是在实现方面使用了非常多的Hive connector底层的代码。它创建table也是一样，我们可以从一个 TPC-DS数据的 customer表里抽几列再创建一个table，你可以指定这个数据的格式，可以是Parquet也可以是ORC格式。也可以同时指定分区（partition），这里用出生的月份这样会容易些，因为月份只有12个，也就是12个分区。我们创建了这个表之后，跟Hive表一样，你可以select这个表，select* from Iceberg.test，test1是表名，你可以用一个美元符号$加上partitions，这样你可以把这个表的所有分区给列出来。每个分区都会有一个统计，比如说下面第一行8月，能看到它有多少行有多少个文件，大小总共有多大，同时对于customer_sk这一列，能看到最小值多少最大值多少。后面的birth date就是日期，对于8月最小值是1，最大值是31，空值有若干。因为8月是大月，后面的9月是小月最大值是30，每一个partition都会有自己的统计，后面我们会再讲， predicate pushdown会用到这个，可以让我们跳过很多的分区，其实Hive也有这个功能，只不过可能有些数据在Hive metastore上，元数据这里没有的话，用不上这个功能，但在Iceberg上它内嵌在table里了，就会比较好用一些。
Insert
前面提到Iceberg会有一些事务（transaction）支持。我们试着往这个表里加入一行， SK是1000，日期是40，我特意插入了一个不可能存在的日期月份是13，这样等于说我新创建了一个partition。其实不管是不是新建partition都会产生一个新的快照（snapshot），在Presto里，通过select * from 表, 表的名字上面加一个美元$符号，然后再加一个snapshots，就可以列出这个 table所有的snapshots。大家可以看到有两个snapshots，因为新建table时出一个，插入一行之后又出一个，manifest list就有两个avro文件，第二个snapshot基于第一个，第二个snapshot 的parent ID就是第一个snapshot的parent ID，待会我们会用snapshot ID来做time travel。
对于这样一个文件，我们加了一个partition进去之后会怎么样，看一下这个目录，其实Iceberg的目录非常简单，我们指定一个目录，它在这下面就创建一个test1，里边有两个文件夹，一个是data (数据)，一个是metadata（元数据）。数据里边是按照月份来分区的，这里面是 14个分区，因为12个月份，还有个空值，再加上我们新加的月份13，等于现在一共14个分区，这个文件就是这么组织的，而每个目录下面就是parquet文件。
Query
那么我们在query的时候会发生什么呢？
这个其实大家都会——写个SQL，从这个select*from Test1的时候，指定一个条件，我这个月份是13，那就把我刚才新插入的那一条记录给调出来了。我后面会介绍一下怎么做时间穿梭(Time travel)，我们可以看到在这个表名test1这有个@符，后面我可以加一个 snapshot ID，如果我用第二个（快照）snapshot，就能查到这个记录，如果我用第一个snapshot就没有这个记录，为什么？因为第一个query发生在插入这条记录之前。这还挺有用的，因为有的时候就想查一下我这个表昨天是什么样的。但这也有问题，如果你频繁插入数据的话，就会产生大量的snapshot，avro里面就会有大量的数据。那我们是不是要丢掉一些过期的快照？这也是个优化点，现在presto还没有，但以后我觉得我们会把它做进去。
另外有些朋友会问，既然Iceberg connector有这个功能了，能不能用它来取代MySQL，做OLTP来处理一些在线的transaction数据? ——可以，但是不能像MySQL那么用，频繁的插入数据还会带来一些问题，需要做更深入的优化，直接这么用的话会产生大量的小文件和快照，但这些都有办法解决，我们后面会把它慢慢迭代进去。
Schema Evolution
这个是我的前同事Chunxu做 Schema Evolution的时候截的一张图。可以看到这也是Iceberg的一个亮点，就是说这个表原来有几列，我可以加一列或者改一列，当然这也不难，因为原来 Hive table也可以这样做，但是做完之后，你的table还能不能查？Iceberg给我们的答案是 table改完了还能查，当然这里边也有tricky的地方，里面的数据也不是这么完整，但是不管怎么样它没出错，你先改好table，用老的query还能够查到。这个功能我觉得还是挺实用的，因为各个公司 table总在改，改完之后 table在presto这边还是可以查的。
Iceberg连接器更新
接下来会讲一下我们社区最近这一两个月的一些贡献，希望能够对大家有帮助，我主要讲是Presto DB，Trino那边是另外一套故事，尽量兼顾来讲。
New Features
最近这两三个月，有几个功能进来之后给我们的一些东西解锁了。
1.第一份credit要重点给亚马逊公司AWS 的Jack Ye，他做了一个 native folder的支持，这个在Iceberg叫做Hadoop catalog，盘活了我们的很多功能，解决了我们非常多的痛点。
2.另外就是腾讯的Baolong，他把local cache这个功能给加上去了，现在Iceberg connector可以和 RaptorX那一套，就是Hive connector里的cache，同样享受local cache，得到提速。当然这个不是那么简单，那么开箱即用，可能会需要一些配置，后面我会再详细地讲。
3.接下来就是Uber的Xinli Shang，我们俩给parquet做了升级。Xinli Shang是Parquet社区的chair，他给parquet做了升级后，我们拿过来放在presto里，我们的升级工作历时大概半年，升级到新的parquet之后，我们也解锁了Iceberg 1.12，有更多新的功能，包括对v2 的Iceberg table的支持。
4.还有一个predicate pushdown，在后面Beinan（Alluxio）也会详细地讲一下，这是可以优化查询的一个功能。
Iceberg Native Catalog
这就是我刚才提到的 Jack做的 native catalog——原来在Iceberg叫Hadoop catalog，其实Iceberg数据也是存在 S3、HDFS、GCS里的。它的每一个table下面既有元数据，又有数据，那为什么还需要Hive metastore，还要去Hive metastore里取元数据呢？这是因为最开始的Hive catalog还是要依赖Hive的元数据的，我们需要找到 table的路径，到这个table里把Iceberg自己的元数据加载出来，然后用 presto进行查询。有了 Jack这个很好的修改，我们可以支持Hadoop catalog，你直接给它一个路径，table都放在这个路径下面，它到这个路径上去扫一下，就可以录入所有的table，像table1，table2，table3， 每个table多少元数据，我们就不再需要Hive metastore了。有了这个native catalog之后， presto和Iceberg的结合就完整了。本来我们还依赖于一个额外的元数据存储，现在我们可以直接使用native catalog，这解决了非常多的痛点。
Iceberg Loca Cache
这个是之前有朋友问的 local cache，这个功能可能两个礼拜以前才merge的，腾讯的Baolong特别厉害几天就把这功能给做好了。那么为什么这个东西这么快就做好了，这个得从Iceberg connector的实现说起，是因为Iceberg connector和 Hive connector用的是一套东西，都是同一个Parquet reader或者是ORC reader。所以说我们当时在 RaptorX这个项目里，就是在 Hive下面做local cache，这个项目里用的很好的 local cache，在 Facebook、头条、还有Uber都取得很好效果，我们就把这个local cache直接搬到Iceberg里来用，直接能取得一个很好的效果。
这个里边有关键点得跟大家说一下，这个 local cache像是每个worker自己的私有缓存，它不像Alluxio cache那样，是一个分布式的、弹性的，可以部署比如说100个节点或200个节点，可以水平扩展的。但是这里不一样，这里边给你一个就近的小容量的local缓存，给每个worker可能500g或者1TB的一个本地磁盘，用来当作缓存使用。
这里就有一个问题， Presto在做plan的时候是随机分的，比如说每一个大的table下面有1万个partition，上面可能有100万个文件，随便拿一个文件，它不一定去哪个worker，每个worker cache不了那么多数据。于是我们就有一个soft affinity scheduling，有点像做负载均衡的时候会有一个affinity的功能一样，也就是粘连，比如说这个文件去work1，以后就一直去work1，这样的话work1只要把它cache了，你再访问这个文件它的cache命中率就提高了，所以这个affinity的功能是一定要打开的。
如果你发现local cache命中率很低，你就要看是不是affinity做的不对，是不是你的节点频繁增加或者减少，即使你什么都不调，你只要把 soft affinity打开，用一个比如说500g或者1TB的 local cache，它的命中率应该是不会低的，应该是有百分之六七十的命中率，这个是数据量很大的情况，数据量小的话可能有100%的命中率。
事实上就是Presto交给Iceberg来做一个plan。在收到SQL请求后，Presto解析，把 SQL拆一拆，告诉Iceberg要查什么，Iceberg就会生成一个plan，说要扫哪些文件，然后presto通过 soft affinity把这些文件分发给特定的worker，这些worker就会去扫这些文件，如果命中了本地cache扫本地文件，如果没命中本地cache就扫远程文件。其实Alluxio就是一个二级的存储，本地没命中去Alluxio，Alluxio还没命中去三级存储。
当然我们后续会有semantic cache，这个主要是给Hive做的，但是就像我前面提的，因为Iceberg和Hive底层的实现是同源的，因此结果我们都可以用。这里跟大家通报一个最新的进展，是AWS的Iceberg 团队Jack刚跟我们讲的，我们可能会不再使用presto的Hive 实现，当然这是可选的，你可以继续使用presto的 Hive实现，也可以使用Iceberg的native实现。这样以后Iceberg有什么新的功能，我们就不依赖Hive，这也是好事，而且我们可以引入更多向量化的东西，这是个长期的 plan，可能明年大家才会见到。
Iceberg Native Catalog
对于一个presto的查询来说，我们就说select* from table，比如说 city=‘Beijing’，profile age>18岁，这样一个查询，它其实就生成了左边这三个块的plan，先scan，scan完了给filter，filter完了给输出，其实就是扫完表之后，看哪些符合条件就输出但这个没有必要。比如说我们这个表是按照城市做的分区，没有必要扫整个表，而且每一个文件都有统计的，可能这个文件里年龄都是小于18岁的，就不用扫可以直接跳过了。
在 presto里有个connector optimizer，这个是prestoDB特有的一个东西，可以针对不同的connector来做优化，为什么要针对不同的connector做优化？因为很多人可能是一个Iceberg table去照映一个Hive table，这两个table底下 scan数据源是不一样的，所以你要决定到底把什么条件下推下去。其实有一个最简单的规则，就是Iceberg目前不支持profile.age这种有嵌套的字段的下推，那我就把 city下推，就把city的 filter下推到table scan，和table scan合并成一个plan节点，就是这个地方既做filter又做scan，然后下推给Iceberg，这里我把age>18岁留着，scan好了之后再filter，这个不是最优的方案，但这是最基本的规则。
Predicate Pushdown Resource Usage
我们来看看效果，这不是一个正规的Benchmark，就是刚才我建的 table，新加了一条记录，月份等于13的那个，如果我不开下推的话，是左边这种情况，它扫了200万条记录，input数据是200多KB；开了下推之后，它只扫描一条记录，时间和数据都有非常大的提升，它只扫特定的分区。这种查询在现实中遇不到，因为现实中肯定是有更多的组合，每个partition下面可能还有更多的文件，这里比较极端一些，只有这一个文件。其实这样效果不明显，文件越多效果越好，推荐大家试一试。
之前提到了 Native Iceberg IO，我们会使用Iceberg reader和writer来取代Hive实现，让它彻底的分开，也可能两个都支持，这个就是我们将要进行的工作，敬请期待。
Ongoing Work
另外一个是物化视图（materialized view），是我的前同事Chunxu在做的，这也是重要的一个功能，让临时表能够把数据存到一起，这个也没有那么简单， Facebook也有同事在做这个。我们这里不再多说了，Facebook很快会有一个关于物化视图的新的博客出来。
我会继续把v2 table实现一下删原来只能是按照分区来删，不能删除某一行或某几行，因为删除操作和insert是一样的，会再产生一些新的文件，标注说你这几行要被删掉了，然后真正出结果的时候，会把它合并到一起。现在是不支持这个功能的，那么我们要想支持这个功能，有两个做法，一个是使用 native Iceberg IO，另外一个就是在 Parquet的 reader上把要删的这些行标注出来，表示这些行不再显示。以上就是今年年底或明年年初的一些工作和设想，谢谢大家。
