iceberg小文件合并策略

背景

iceberg上生产之后，flink流作业实时写iceberg，由于checkpoint的间隔时间是1min。导致生产的小文件很多，该表对于下游的查询性能很差。需要小文件合并策略。

小文件合并策略

借助spark-sql来触发小文件合并。以下合并涉及的sql都是在spark-sql执行

步骤

1。将小文件重写合并为大文件

CALL spark.system.rewrite_data_files(
  table => 'test_table1',
  options => map(
    'max-concurrent-file-group-rewrites', 100,
    'target-file-size-bytes','536870912',
    'max-file-group-size-bytes','10737418240',
    'rewrite-all', 'true')
);

call语句中spark表示是spark引擎中iceberg的catalog。具体的配置在spark-default.conf文件中配置

spark.sql.catalog.hive_prod.type    hive
spark.sql.catalog.local    org.apache.iceberg.spark.SparkCatalog
spark.sql.catalog.local.type    hadoop
spark.sql.catalog.local.warehouse    $PWD/warehouse
spark.sql.catalog.spark_catalog    org.apache.iceberg.spark.SparkSessionCatalog
spark.sql.catalog.spark_catalog.type    hive
spark.sql.extensions    org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions,org.apache.kyuubi.plugin.spark.authz.ranger.RangerSparkExtension
spark.sql.files.maxPartitionBytes    128m
spark.sql.orc.columnarReaderBatchSize    8192
spark.sql.parquet.columnarReaderBatchSize    8192
spark.sql.shuffle.partitions    200

2.删除过期快照

=CALL spark_catalog.system.expire_snapshots('test_table1', TIMESTAMP '2024-11-19 12:00:00.000');

-- 注意其中的timestamp可以设置大一些，这样可以尽可能删除更多的过期快照

3.删除孤儿文件

CALL spark_catalog.system.remove_orphan_files(
   table =>'test_table1',  
   location => 'hdfs://hdfsservice/apps/hive/warehouse/ods_test.db/test_table1/data/');

4.删除位置文件

CALL spark.system.rewrite_position_delete_files(
  table => 'ods_test.test_table1',
  options => map(
    'max-concurrent-file-group-rewrites', 100,
    'target-file-size-bytes','67108864',
    'max-file-group-size-bytes','10737418240',
    'rewrite-all', 'true')
);