跳至主要內容

選單

研究

Delta 移轉可能建立標籤並改變時間戳記歷史紀錄

語言: 繁體中文(台灣)

Iceberg 1.12.0 將空的合成 Delta 資料表的兩個版本移轉為兩個快照,並依來源版本編號與儲存的 commit-info 時間建立四個標籤。目標資料表發布了一筆時間戳記歷史紀錄,對應最後一個快照。第二次移轉中,兩個相同的已儲存提交時間導致標籤重複錯誤。目標資料表仍未出現在本機目錄中,且其倉儲路徑下留下兩個暫存的 Avro 檔案。測試資料與觀察結果使用空的本機資料表、Delta Standalone 3.3.3 和 HadoopCatalog。移轉動作

兩個快照,一筆已發布的歷史紀錄

測試將 Delta 日誌檔案時間設為相隔兩秒。Delta 的舊版時間戳記選取器使用這些檔案時間。成功案例中,來源另外儲存的 commit-info 時間相隔一毫秒。Iceberg 使用這些儲存值命名 delta-ts 標籤,並為每個來源版本建立 delta-version 標籤。Delta 歷史紀錄時鐘 · Iceberg 標籤指派

查詢觀察結果
以第二個來源日誌檔案時間查詢 Delta 時間戳記來源版本 1
Iceberg delta-version-0 標籤較早移轉的快照
以第二個 Delta 日誌檔案時間查詢 Iceberg 時間戳記沒有相符的已發布歷史紀錄
以第一個目標快照的建立時間查詢 Iceberg 時間戳記沒有相符的已發布歷史紀錄
以目標資料表已發布的歷史紀錄時間查詢 Iceberg 時間戳記最後移轉的快照

移轉作業在同一個建立交易中暫存兩次重播。Iceberg 的中繼資料建構器會從已發布的歷史紀錄中篩除中間的 main 快照項目。較早的快照及其標籤仍可使用。時間戳記解析器會搜尋已發布的歷史紀錄。我們的第一個測試案例預期有兩筆紀錄,並在該斷言處停止。修正後的測試案例分別檢查兩個附有標籤的快照,以及僅含最後一筆的歷史紀錄。中間日誌項目篩選 · 歷史紀錄解析器 · 先前的歷史紀錄變更

重複的已儲存時間

在配對案例中,來源仍有兩個依序排列的日誌檔案時間,因此原本兩個版本的時間截點都仍可讀取。其儲存的兩個 commit-info 時間戳記相同。第二次重播嘗試建立相同的 delta-ts-1577836800000 標籤,並在建立交易提交前觸發 Iceberg 的重複參照檢查。目錄回報資料表不存在。另行檢查檔案後,發現兩個暫存的 Avro 檔案,合計 8,641 位元組。此測試案例涵蓋該動作使用的舊版已儲存時間戳記。較新版 Delta 的 inCommitTimestamp 是獨立的協定欄位。一項提議中的 Delta Kernel 移轉實作已包含略過重複時間標籤的邏輯。重複參照檢查 · Delta 標籤名稱計算 · Delta 協定 · 提議的 Kernel 處理方式

若移轉後仍須供歷史資料使用者查詢,請一併保存來源版本、來源選取器使用的時鐘,以及目標快照參照。分別測試具名參照與時間戳記讀取。建立失敗時,也應分別檢查目錄與目標檔案。我們以空的合成資料表和本機 HadoopCatalog 測量這些路徑。Spark SQL、記錄是否相等、重試行為及其他目錄均尚未測量。

重現步驟

將 ClockReplay.java、pom.xml 和觀察結果下載至同一個資料夾。在該資料夾中使用 JDK 17 和 Maven。經驗證的執行環境使用 Liberica JDK Lite 17.0.21.0.3+5 和 Maven 3.9.16。Maven 會將固定版本的相依套件解析至暫存目錄。Java 原始碼啟動器會針對新寫入的兩組日誌檔案執行移轉。Maven classpath 目標 · Java 原始碼啟動器

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 {} +

檢查程式會輸出以下兩行結果。

DISTINCT sourceCutoffVersion=1 migratedSnapshots=2 migrationTags=4 publishedHistoryEntries=1 targetCutoffSnapshot=null
REPEATED duplicateTimestampTagRejected=true catalogTableExists=false

讀回的中繼資料包含 snapshots、refs 和 snapshot-log。最後一個命令會在清除暫存資料前,列出建立失敗的目標資料表中的檔案。快照 ID、建立時間與暫存檔名可能因執行次數而異。請比較保留的標籤對應關係,以及目錄和時間戳記查詢結果。