详细介绍：Iceberg 与 Hive 用法区别

Iceberg 与 Hive 用法区别

一、建表的区别
二、分区的区别
三、Schema 变更的区别
四、Spark3 写入的区别
五、Spark3 读取的区别

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：
在这里插入图片描述

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。
在这里插入图片描述

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：

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;

在这里插入图片描述
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。

posted @ 2026-01-16 13:04 yangykaifa 阅读(2) 评论(0) 收藏举报

刷新页面返回顶部