关于 Lakehouse 运行时目录

Lakehouse for Apache Iceberg 是Google Cloud上的一种托管式数据湖仓平台。在此平台中，Lakehouse 运行时目录充当全代管式无服务器元数据存储区服务。它为数据湖仓一体提供单一可信来源，让多个引擎（包括 Apache Spark、Apache Flink、Apache Hive 和 BigQuery）共享表和元数据，而无需复制文件。

如需将查询引擎连接到 metastore，您可以使用特定目录类型（例如 Apache Iceberg REST 目录端点）来配置客户端。此端点用于管理表元数据，并使用由 Cloud Storage 存储桶支持的存储位置数据仓库来存储底层元数据和数据文件。如需详细了解如何选择目录类型，请参阅目录类型和端点配置。

Lakehouse 运行时目录支持存储访问权限委托（也称为凭据贩售），通过无需直接访问 Cloud Storage 存储桶来提高安全性。它还与 Knowledge Catalog 集成，以实现统一的治理、沿袭和数据质量。当表在 Lakehouse 运行时目录中注册时，系统会自动在业务元数据目录（Knowledge Catalog）中注册相应的条目，从而确保数据发现和治理的一致性，而无需移动或复制文件。

主要功能

作为 Lakehouse for Apache Iceberg 的关键组件，Lakehouse 运行时目录在数据管理和分析方面具有多项优势，包括无服务器架构、通过开放 API 实现的引擎互操作性、统一的用户体验，以及与 BigQuery 搭配使用时实现的高性能分析、流式传输和 AI。如需详细了解这些优势，请参阅什么是 Lakehouse？

湖仓一体架构如何与 Google Cloud 服务集成

如需了解 Lakehouse 如何管理数据，请参阅 Lakehouse for Apache Iceberg 架构如何与 Google Cloud 服务集成。Apache Iceberg 不会将数据存储在单体表中，而是使用分层元数据文件架构将数据文件整理成具有 ACID 事务支持的统一表结构。

下图展示了托管式 Apache Spark 等计算引擎如何使用 Lakehouse 运行时目录来管理表元数据，以便直接在 Cloud Storage 中读取和写入底层 Parquet 数据文件。

使用 Lakehouse for Apache Iceberg 时，技术架构包含三个不同的层：

1. 目录层：

   • 核心 Iceberg 概念：目录通过维护指向最新元数据文件的指针来存储表的当前状态。此层有助于实现 ACID 合规性和事务隔离，以确保并发写入不会相互干扰。
   • 湖仓一体实现：Lakehouse 运行时目录充当顶级区域 metastore 服务。在此服务中，您可以创建各个目录来管理数据层次结构。客户端查询引擎使用特定的端点目录类型（例如 Apache Iceberg REST 目录端点）连接到这些目录。metastore 可管理事务提交、存储访问委托的凭据贩售以及目录间的指针管理。

2. 元数据层：

   • 核心 Iceberg 概念：此层使用三种文件类型的层次结构来跟踪表结构、快照和文件位置： * 元数据文件：存储表的架构、分区规范和快照指针日志。
     • 清单列表：通过对一组清单文件进行分组来表示表的单个快照。
     • 清单文件：在单个文件级别跟踪数据，存储文件路径、分区信息和列级统计信息（例如行数以及最小值和最大值），这些信息用于查询优化和分区剪除。
   • 数据湖仓实现：在目录容器中，您可以将数据整理成逻辑命名空间（类似于数据集）和表。对于每个表，Lakehouse 运行时目录都会生成并管理底层 Iceberg 元数据层次结构，从指向清单列表和清单文件的根 metadata.json 文件开始。Lakehouse 运行时目录会将这些文件直接持久化到您指定的仓库存储位置。

3. 数据层：

   • 核心 Iceberg 概念：此组件是实际原始数据记录所在的底层存储，通常采用优化的列式或基于行的开放文件格式，例如 Parquet、ORC 或 Avro。
   • 湖仓一体实现：将 Cloud Storage 存储桶 (gs://) 配置为数据仓库存储位置后，表引用的物理数据文件会安全地存储在存储桶中。湖仓一体运行时目录通过存储访问权限委托（凭据贩售）来管理访问权限，直接向客户端引擎贩售短期访问令牌。这样，引擎就可以安全地读取和写入数据文件，而无需对底层存储桶拥有广泛的直接 IAM 权限。

查询引擎兼容性和配置

如需在 Lakehouse 运行时目录中分析和管理数据，您可以连接不同的开源和企业查询引擎。您可以根据现有架构和工作负载要求，从多个受支持的引擎中进行选择，并配置相应的目录端点。

支持的引擎

Lakehouse 运行时目录与多种查询引擎兼容，包括（但不限于）Apache Spark、Apache Flink、Apache Hive 和 Trino。下表提供了指向每种引擎的文档的链接：

目录类型和端点配置

在配置客户端引擎以连接到 Lakehouse 运行时目录 metastore 时，您需要选择特定的目录端点，例如 Apache Iceberg REST 目录端点或 Apache Hive 端点。最佳选项取决于您的使用情形，如下表所示：

Lakehouse 运行时目录限制

Lakehouse 运行时目录中的表存在以下限制：

表格管理

• 支持 Apache Iceberg V2 表（正式版）和 V3 表（预览版），但不支持 Iceberg V1 表。在将现有 V1 表与 Lakehouse 运行时目录搭配使用之前，您必须将其升级到受支持的版本。如需了解详情，请参阅将 Iceberg V1 表升级到 V2。
• 您无法使用 BigQuery 数据定义语言 (DDL) 或数据操纵语言 (DML) 语句通过 Apache Iceberg REST 目录端点创建或修改表。您可以使用 BigQuery API（通过 bq 命令行工具或客户端库）修改这些表，但这样做可能会导致更改与外部引擎不兼容。
• 湖仓一体运行时目录中的表不支持重命名操作或 ALTER TABLE ... RENAME TO Spark SQL 语句。
• Lakehouse 运行时目录中的表不支持聚类。
• Lakehouse 运行时目录中的表不支持使用灵活的列名称。
• Lakehouse 运行时目录不支持 Apache Iceberg 视图。

查询

• 与在标准 BigQuery 表中查询数据相比，BigQuery 引擎中 Lakehouse 运行时目录内表的查询性能可能较慢。一般来说，查询速度应等同于从 Cloud Storage 读取数据的速度。
• 使用 Lakehouse 运行时目录中的表的查询的 BigQuery 试运行可能会报告 0 字节数据的下限，即使在返回了数据行的情况下也是如此。出现这种结果的原因是，在运行完整查询之前，无法确定从表中处理的数据量。运行查询会产生处理此数据的费用。
• 您无法在通配符表查询中引用 Lakehouse 运行时目录中的表。

API 和元数据

• 您无法使用 tabledata.list 方法从 Lakehouse 运行时目录中的表检索数据。不过，您可以将查询结果保存到 BigQuery 表中，然后对该表使用 tabledata.list 方法。
• 不支持显示 Lakehouse 运行时目录中表的表存储空间统计信息。

配额和限制

• BigQuery 中 Lakehouse 运行时目录中的表与标准表具有相同的配额和限制。

与 BigLake metastore（经典版）的差异

Lakehouse 运行时目录与 BigLake metastore（经典版）之间的核心区别包括以下几点：

• Lakehouse 运行时目录支持与 Spark 等开源引擎直接集成，这有助于减少存储元数据和运行作业时的冗余。您可以直接从多个开源引擎和 BigQuery 访问 Lakehouse 运行时目录中的表。
• Lakehouse 运行时目录支持 Apache Iceberg REST 目录端点，而 BigLake metastore（经典版）不支持。

后续步骤

• 了解 Apache Iceberg REST Catalog 端点。