Iceberg 写入和更新模式，COW，MOR（Copy-on-Write,Merge-on-Read)

1. 追加写入

特点

• 只新增数据，不更新表中已有的数据。

适用场景

• Spark : 使用 insert into 写入 v1 和 v2 表。
• Flink Batch : 使用 insert into 写入 v1 和 v2 表。
• Flink Streaming : 使用 insert into 写入 v1 表。

2. 覆盖写入

特点

• 覆盖表的指定分区，更新粒度为分区级别。
• 不进行数据去重，不保证主键唯一性，即使是 v2 表也不例外。

适用场景

• Spark : 使用 insert overwrite 写入 v1 和 v2 表。
• Flink Batch : 使用 insert overwrite 写入 v1 和 v2 表。

3. 行级更新

语法

• Spark 支持 : 使用 merge into、delete from、update。

更新模式

• Two modes: Copy-On-Write (CoW) and Merge-On-Read (MOR) with copy-on-write as the default.
• 可通过以下表参数修改：

表参数	值
write.delete.mode	copy-on-write, merge-on-read
write.merge.mode	copy-on-write, merge-on-read
write.update.mode	仅支持 copy-on-write

Copy-On-Write 模式 (CoW)

https://en.wikipedia.org/wiki/Copy-on-write

Copy-On-Write 模式在 v1 表或者 v2 表都可以使用。

工作原理

1. 读取原始数据: 读取与更新匹配的文件或片段。
2. 应用更新: 在内存中处理数据，将修改应用于数据。
3. 写入新文件: 将更新后的数据写入新文件。
4. 元数据更新: 更新元数据以指向新的数据文件。

特点

• OLAP 读取友好:

  • 数据一致性：旧文件不受写操作影响。
  • 优化查询性能：新建文件针对大规模查询优化。
  • 避免碎片化：每次修改生成新文件。

• OLAP写不友好:

  • 高 I/O 开销：需重写整个文件。
  • 长延迟：因需要重写文件和更新元数据。

• 对 Flink 流式处理不友好:

  • 实时性差：新文件生成和元数据更新延迟。
  • 高延迟读取：处理新文件增加复杂性。

Merge-On-Read 模式 (MOR)

特点

• 仅适用于设置主键的 v2 表。

工作机制

• 读取和写入操作:

  • 读取现有记录并写入新文件。
  • 删除文件记录待删除行，数据文件存储新或更新行。

• 追加机制:

  • 仅追加新文件，不重写整个数据文件。

性能特点

• 写友好:

  • 优化写操作：追加新文件降低写操作成本。
  • 适合频繁数据更新的用例。

• OLAP 查询性能:

  • 可能较慢：因合并读取增加计算开销。

• Flink 流处理友好:

  • 追加特性适应流处理框架，确保高效数据摄取和流读取。