Iceberg 与 Hive 用法区别

本文档介绍 Iceberg 和 Hive 在使用上的区别和注意事项，便于对 Hive 用户熟悉的用户快速上手 iceberg。以下
主要介绍 spark 使用 iceberg v1 表和 hive 表的区别。

一、建表的区别

hive 和 iceberg 使用 ddl 建表语法基本类似，iceberg 需要指定 using iceberg。

Iceberg 建表

create table iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test
(
    id int,
    data string,
    date int
)
using iceberg
partitioned by (date);

Hive 建表：

create table hive_zjyprc_hadoop.tmp.iceberg_table_test
(
    id int,
    data string,
    date int
)
partitioned by (date);

二、分区的区别

Iceberg 的分区比 hive 的分区更加强大，但使用方式类似。区别主要在以下方面：

1. 分区字段的存储

Hive 表的分区字段是个虚拟字段，如设置 partitioned by (date) ， date 字段不会实际在底层文件中存储，并且分区字段总是在字段顺序的最后面。
Iceberg 表的分区字段是实际字段，底层文件中也包含该字段，分区字段的位置不固定。

2. 分区与文件的关系

Hive 的分区和目录（一批文件）是一一映射的。hive 读取时必须 list 目录以获取分区下的所有文件。如果分区下的文件被手动删除，读取时不会出现任何异常。

Iceberg 的分区和文件是一一映射的，映射关系被记录在元数据文件中。在读取时通过扫描元数据文件获取分区对应的文件，由于元数据还记录了文件中字段的 min/max ，因此在读取时可以过滤一部分文件，达到文件裁剪的效果。由于文件记录在元数据中，如果该文件丢失或损坏在读取时会报异常。
元数据示例如下：

3. 分区的类型

Hive 只有一种分区类型。如通常使用 date 或 day、hour 等字段做时间分区。

Iceberg 支持多种分区类型。其中第一章节示例语法中的为 identity 分区，和 hive 的分区完全相同。此外还支持 bucket、truncate、day、hour 等分区类型。例如使用 bucket 分区可以将数据进行分桶存储以加快速度。

4. 分区模式的变更

Hive 表的分区模式在建表时确定，后续无法再增加、变更分区。当有新需求需要增加一个分区字段来加快查询时在 hive 上需要重写历史数据。

Iceberg 表的分区模式是可以变更的，修改分区模式不需要重写历史数据，该特性称为 Partition Evolution。
你可以使用如下语法增加和删除某个字段是否作为分区字段。注意该操作不是增加或删除一个分区的数据。

ALTER TABLE iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test
ADD PARTITION FIELD hour;

ALTER TABLE iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test
DROP PARTITION FIELD date;

分区模式变更的原理是在元数据文件中维护了分区的不同模式，当分区模式发生变更后，新数据会以新的目录结构写入并被记录在元数据文件中，历史数据对应关系保持不变。

5. 分区管理的区别

• 查看分区列表
  Hive 中可以使用 show partitions xxx 来查看分区，iceberg 中可以使用 如下语法来实现同样的功能。

select * from iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test.partitions
limit 10

• 删除分区数据
  Hive 中可以使用 alter table xxx drop partition(date=20230201) 来删除一个分区的数据。
  iceberg 中可以使用 delete from 指定删除某个符合条件的数据。当 where 条件匹配到某些分区时，只会修改元数据信息将匹配的文件删除，因此速度非常快。

delete from xxx where date = 20230201

三、Schema 变更的区别

Hive 和 Iceberg 都可以增加和删除字段，并调整字段顺序。主要区别有以下两个：

1. Hive 不支持 rename 字段名， iceberg 支持 rename 字段名，并且重命名后不影响读取历史数据。

ALTER TABLE iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test
RENAME COLUMN date TO dt;

ALTER TABLE iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test
ADD COLUMN hour int;

2. Iceberg 字段类型变更受限制。
目前只允许以下变更：

• int to bigint
• float to double
• decimal(P,S) to decimal(P2,S) when P2 > P (scale cannot change)

四、Spark3 写入的区别

1. 事务性

当前的 Hive 版本写入不支持事务性，因此如果使用 overwrite 覆盖一个分区，则可能导致下游消费该分区的任务失败（报错 FileNotFound） 。
当使用 Spark 写入 Iceberg 时，每次写入都会生成一个新的快照，通过多快照的方式进行读写分离。

可以在引擎的 driver 日志中查找如下日志了解本次查询基于哪个快照执行的。

Scanning table iceberg_zjyprc_hadoop.db_name.table_name 
snapshot 8893192237667870777 created at 2023-03-09 02:10:04.718 
with filter true

也可以在日志（spark driver 日志，flink commit 节点日志）中查询本次写入的事务对应的快照是哪个。

2023-03-09 11:11:27.917 INFO  org.apache.iceberg.BaseMetastoreTableOperations
Successfully committed to table iceberg_zjyprc_hadoop.db.table_name in 2541 ms
2023-03-09 11:11:27.917 INFO  org.apache.iceberg.SnapshotProducer                          - 
Committed snapshot 1523286428440820440 (MergeAppend)

由于 iceberg 多快照机制，一个分区目录下可能存在多个快照的文件，因此当使用 iceberg 时不要直接读取目录，而应该通过表的方式（dataframe、sql 等通过 catalog.db.table 三级结构）进行访问。

2. Insert into

• 写 Hive 默认为静态分区，必须指定分区写入：

insert into hive_zjyprc_hadoop.tmp.iceberg_table_test partition(date=20221210) 
values (1, 'a'), (2, 'b')

如果想实现动态分区写入，则需要配置参数

set hive.exec.dynamic.partition.mode=nonstrict;

insert into hive_zjyprc_hadoop.tmp.iceberg_table_test 
values (1, 'a', 20221210), (2, 'b', 20221211)

• 写 Iceberg 默认为动态分区，数据会写到对应的分区中：

insert into iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test 
values (1, 'a', 20230101, 1), (2, 'b', 20230102, 2)

同时也支持静态分区的写入方式：

insert into iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test 
partition(date=20230103,hour=1)
values (1, 'a'), (2, 'b')

3. Insert overwrite

• Spark 覆盖写入Hive 默认为 static overwrite，必须指定分区：

insert overwrite hive_zjyprc_hadoop.tmp.iceberg_table_test 
partition(date=20220101)
select 1 as id, 'a' as data

• Spark 覆盖写入Iceberg 默认为 dynamic overwrite，覆盖的分区将会在运行阶段计算得到：
  – 覆盖 date=20230101/hour=1 和 date=20230101/hour=2 分区，
  – 但不会覆盖 date=20230101/hour=3 的分区

insert overwrite iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test
values (1, 'a', 20230101, 1), (2, 'b', 20230101, 2)

下面两个写法和上述写法结果相同：
– All DP columns

insert overwrite iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test 
partition(date,hour)
values (1, 'c', 20230101, 1), (2, 'd', 20230101, 2)

-- Mixed SP (static partition) & DP (dynamic partition) columns

insert overwrite iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test 
partition(date=20230101,hour)
values (1, 'b', 1), (2, 'c', 2)

-- All SP columns

insert overwrite iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test 
partition(date=20230101)
values (1, 'c', 1), (2, 'd', 2)

• 上面 dynamic overwrite 的行为，如果有两级分区，当指定一级分区覆盖时，被覆盖的二级分区取决于运行阶段查询出的数据，因此有可能有部分二级分区不会被删除。
• Dynamic overwrite 是按照当前的分区模式进行判断的。比如历史分区模式是一级分区，当前分区模式是二级分区，那么 overwrite 时是按照二级分区的模式进行覆盖写，一级分区的历史数据不会被删除。

使用 static overwrite 和 写入 hive 默认行为表现一致。
可以通过配置 --conf set spark.sql.sources.partitionOverwriteMode=static 来设置为 static overwrite。

– 覆盖 date=20230101 下所有的分区的数据
– 如果没有指定 partition，那么所有的分区都会被覆盖删除

insert overwrite iceberg_zjyprc_hadoop.iceberg_dev.iceberg_table_test 
partition(date=20230101)
values (1, 'c', 1), (2, 'd', 2)

4. 行级更新

当前的 hive 版本不支持行级更新，即不支持修改表中的某一行，只能使用 overwrite 覆盖整个分区。
Iceberg 支持使用 delete from、update、merge into 进行更新操作。参考：行级更新

5. 写入优化

Iceberg 会更多的优化，以进行降低存储和计算成本。

• 建表策略
  Iceberg 针对不同场景的表提供了三种建表策略，以应对存储节约优先和查询性能优先，参考：建表策略
• 排序写入
  由于 iceberg 存在 min\max 的索引信息，将常用的查询字段在写入时进行排序，可以获得更好的压缩效果和查询提速。参考：z-order 和 cluster by。
• 小文件自动合并
  写入 iceberg 后台会自动完成小文件合并，减少存储并提高查询性能。参考：Binpack Compaction（文件合并）

五、Spark3 读取的区别

• 在使用 Spark 查询时用法上基本相同。
  由于 Iceberg 是文件级别的过滤，当使用某个字段进行过滤时，即使该字段没有设置为分区，在查询时也会根据该字段的 min/max 进行过滤，配合 z-order 或 cluster by 等可以获得更好的过滤效果。
• 读取 iceberg 要以表的方式访问，不要直接读取目录文件。
  由于 iceberg 读写都是基于元数据文件，因此需要通过表的方式来读，而不应该绕过元数据层直接读取数据文件，否则会出现数据重复的问题。