优化-iceberg调参优化

一、建表优化

1、iceberg表支持更新操作。

文档：https://iceberg.apache.org/docs/latest/configuration/

功能描述：因v1只支持insert，如果有更新场景，则需要建表时指定format为V2版本

参数：'format-version'='2'

CREATE TABLE data_lake_ods.test3 (
`id` int ,
`empcode` STRING
) USING iceberg
TBLPROPERTIES(
'format-version'='2'
);

2、建表时设置metadata.json保留版本个数

功能描述：每次插入数据都会生成一个metadata文件，插入次数太多会影响查询，所以设置保留版本个数

详细介绍和测试文档：Iceberg元数据合并-metadata.json文件

CREATE TABLE data_lake_ods.test3 (
`id` int ,
`empcode` STRING
) USING iceberg
TBLPROPERTIES(
'format-version'='2'
,'write.metadata.delete-after-commit.enabled'='true'
,'write.metadata.previous-versions-max'='3'
);
--插入和更新数据
insert into table iceberg_test.test3 values (1,"code1");
update iceberg_test.test3 set empcode='code2' where id=1;

3、删表时指定清理方式-定制

功能描述：默认drop table 不会清理hdfs数据，使用官方 DROP TABLE spark_catalog.db.sample PURGE时会清理数据，但是还留存【表/data】、【表/metadata】文件。

因社区主干分支不支持，需要使用特定的包结合社区1.3.1代码合并，其他版本也可以。

使用方式：

！！！使用优化后的icebrg包

在建表时需要开启'table.drop.base-path.enabled'='true'

删表时：DROP TABLE spark_catalog.iceberg_test.test3 PURGE

修改包：iceberg-spark-runtime-3.2_2.12-1.3.1.jar

社区提交代码：https://github.com/apache/iceberg/pull/1839/files

官方ddl文档：https://iceberg.apache.org/docs/1.3.1/spark-ddl/

备注：iceberg0.13.1 需要使用SparkCatalog才可以删除数据，iceberg1.3.1使用SparkCatalog、SparkSessionCatalog都可以操作。

CREATE TABLE iceberg_test.test3 (
`id` int ,
`empcode` STRING
) USING iceberg
TBLPROPERTIES(
'format-version'='2'
,'write.metadata.delete-after-commit.enabled'='true'
,'write.metadata.previous-versions-max'='3'
,'table.drop.base-path.enabled'='true'
);

二、元数据治理-存储过程

官网文档：https://iceberg.apache.org/docs/latest/spark-procedures/

1、合并小文件（spark-sql）

详细测试使用文档：Iceberg小文件合并测试

如果是大表，则先执行max-file-group-size-bytes=1的把删除文件合并，max-concurrent-file-group-rewrites设置为maxExecutors个数

CALL spark_catalog.system.rewrite_data_files(
table => 'iceberg_test.order_info1',
options => map(
  'max-concurrent-file-group-rewrites','15',
  'max-file-group-size-bytes','1',
  'rewrite-all','true'
  )
);

 

然后再执行，开始真正合并小文件(分组大小1GB)

CALL spark_catalog.system.rewrite_data_files(
table => 'iceberg_test.order_info1',
options => map(
  'max-concurrent-file-group-rewrites','1',
  'max-file-group-size-bytes','1073741824',
  'target-file-size-bytes','67108864',
  'rewrite-all','true'
  )
);

其它优化参数

（1）rewrite-job-order=bytes-asc
说明：根据该值强制指定重写作业顺序
    bytes-asc：则首先重写最小的作业组。
    bytes-desc：则首先重写最大的作业组。
    files-asc：则首先重写文件最少的作业组。
    files-desc：则首先重写文件最多的作业组。
    none（默认）：则按照计划的顺序重写作业组（无特定顺序）。
（2）target-file-size-bytes
说明：目标输出文件大小
默认值：536870912（512 MB)
可以修改成：67108864（64MB)

2、删除过期快照（合并小文件后文件还不会清理，需要执行删除过期快照命令，这样才真正删除数据文件）

CALL spark_catalog.system.expire_snapshots(table => 'iceberg_test.order_info1', older_than => TIMESTAMP '2023-12-07 10:40:00.000');

参考文章：

1、Spark 合并 Iceberg 小文件内存溢出问题定位和解决方案

https://xie.infoq.cn/article/50259945d7663d7194a5e2763

2、通过flink、spark优化iceberg表小文件项目

https://github.com/zhuxiaoshang/flink-be-god/blob/master/flink-iceberg/src/main/java/flink/iceberg/compaction/SparkCompaction.java