研究
Delta 迁移可能创建标签并改变时间戳历史
Iceberg 1.12.0 将一个空的合成 Delta 表的两个版本迁移为两个快照,并根据源版本号和存储的提交信息时间创建了四个标签。目标表发布了一条时间戳历史记录,对应最终快照。在第二次迁移中,两个相同的存储提交时间导致重复标签错误。目标表在本地目录中仍然不存在,其仓库路径下留下了两个暂存的 Avro 文件。测试样例和观察结果使用了空的本地表、Delta Standalone 3.3.3 和 HadoopCatalog。迁移操作
两个快照,一条已发布的历史记录
测试将 Delta 日志文件时间设为相隔两秒。Delta 的旧版时间戳选择器使用这些文件时间。在成功的案例中,源表独立存储的提交信息时间相隔一毫秒。Iceberg 使用这些存储值命名 delta-ts 标签,并为每个源版本创建一个 delta-version 标签。Delta 历史时钟 · Iceberg 标签分配
| 查询 | 观察结果 |
|---|---|
| 按第二个源日志文件的时间查询 Delta 时间戳 | 源版本 1 |
Iceberg delta-version-0 标签 | 较早迁移的快照 |
| 按第二个 Delta 日志文件的时间查询 Iceberg 时间戳 | 没有匹配的已发布历史记录 |
| 按第一个目标快照的创建时间查询 Iceberg 时间戳 | 没有匹配的已发布历史记录 |
| 按目标表已发布历史的时间查询 Iceberg 时间戳 | 最终迁移的快照 |
迁移在一个创建事务中暂存两次重放。Iceberg 的元数据构建器从已发布历史中过滤掉中间的主快照记录。较早的快照及其标签仍然可用。时间戳解析器搜索已发布的历史。我们的第一个测试样例预期有两条记录,并在该断言处停止。修正后的测试样例分别检查了两个带标签的快照,以及只包含最终快照的历史。中间日志记录过滤器 · 历史解析器 · 较早的历史变更
重复的存储时间
在配对案例中,源表仍有两个按顺序排列的日志文件时间,因此原有的两个版本时间截点都仍可读取。它存储的两个提交信息时间戳相同。第二次重放尝试创建相同的 delta-ts-1577836800000 标签,在创建事务提交之前触发了 Iceberg 的重复引用检查。目录报告该表不存在。另一次文件检查发现两个暂存的 Avro 文件,总计 8,641 字节。该测试样例验证了此操作使用的旧版存储时间戳。较新版本 Delta 的 inCommitTimestamp 是一个独立的协议字段。一个提议中的 Delta Kernel 迁移实现已经包含跳过重复时间标签的逻辑。重复引用检查 · Delta 标签名称的计算 · Delta 协议 · 提议中的 Kernel 处理方式
如果迁移需要支持历史数据使用方,请将源版本、源选择器使用的时钟和目标快照引用一起保存。分别演练命名引用读取和时间戳读取。创建失败后,还需分别检查目录和目标文件。我们的运行在空的合成表和本地 HadoopCatalog 上测量了这些路径。Spark SQL、记录相等性、重试行为及其他目录尚未测量。
复现
将 ClockReplay.java、pom.xml 和观察结果下载到同一个文件夹。在该文件夹中使用 JDK 17 和 Maven。经过验证的运行使用了 Liberica JDK Lite 17.0.21.0.3+5 和 Maven 3.9.16。Maven 将固定版本的依赖解析到临时目录。Java 源代码启动器针对新写入的两组日志文件运行迁移。Maven classpath 目标 · Java 源代码启动器
set -eu
sapien_delta_run=$(mktemp -d)
trap 'rm -rf -- "$sapien_delta_run"' EXIT
mkdir "$sapien_delta_run/fixture"
mvn -C -B -q -f pom.xml -Dmaven.repo.local="$sapien_delta_run/repository" \
org.apache.maven.plugins:maven-dependency-plugin:3.8.1:build-classpath \
-DincludeScope=runtime -Dmdep.outputFile="$sapien_delta_run/classpath.txt"
java --class-path "$(cat "$sapien_delta_run/classpath.txt")" --source 17 ClockReplay.java \
"$sapien_delta_run/fixture"
sapien_delta_warehouse="$sapien_delta_run/fixture/warehouse/fixture"
cat "$sapien_delta_warehouse/distinct_times/metadata/v1.metadata.json"
find "$sapien_delta_warehouse/repeated_time" -type f -exec wc -c {} +检查程序会输出以下两行结果。
DISTINCT sourceCutoffVersion=1 migratedSnapshots=2 migrationTags=4 publishedHistoryEntries=1 targetCutoffSnapshot=null
REPEATED duplicateTimestampTagRejected=true catalogTableExists=false元数据读回结果包含 snapshots、refs 和 snapshot-log。最后一条命令在清理临时文件之前列出创建失败的目标表文件。快照 ID、创建时间和暂存文件名可能因运行而异。请比较保留的标签映射,以及目录和时间戳查询结果。