📚 课程目录第2章表格式规范

2. 表格式规范

聊到 Iceberg，很多人第一反应是「它比 Hive 强」。但强在哪？说白了，核心就藏在这三层架构里。

我记得刚接触 Iceberg 时，翻源码看到 metadata、manifest 这些目录，第一感觉是「怎么这么绕」。后来在线上环境踩过一次坑——一个查询跑了半小时没出结果，排查下来发现是元数据文件膨胀得厉害。从那以后，我老老实实把这三层啃透了。

今天我们就把它拆开来看。

2.1 整体架构：三层各司其职

Iceberg 的表格式规范，把数据管理拆成三层：

数据层（Data Layer）：存真实数据文件，Parquet、ORC、Avro 都行。
清单层（Manifest Layer）：记录每个数据文件的元信息，比如行数、列统计、文件路径。
元数据层（Metadata Layer）：管理表的快照、Schema 变更、分区演化等全局信息。

你想想看，这三层像什么？像一本书的目录、章节和正文。查询时先翻目录（元数据层），找到对应章节（清单层），再翻到具体页码（数据层）。

核心思想：把元数据操作和数据操作解耦。读数据时只扫描清单，不用碰数据文件本身。这也是 Iceberg 能实现「快照隔离」和「时间旅行」的根基。

2.2 数据层：最底层的文件存储

数据层没什么花哨的。它就是一堆数据文件，放在 data/ 目录下。Iceberg 不关心你用哪种文件格式，Parquet、ORC、Avro 都支持。

但有个细节很多人忽略：Iceberg 的数据文件是不可变的。写入时生成新文件，删除时标记文件为「已删除」，但不会真的去改旧文件。这跟 Hive 那种直接覆盖文件的玩法完全不同。

我的经验：曾经有个同事问「Iceberg 更新数据是不是很慢？」其实恰恰相反。因为文件不可变，写入时只需要追加新文件，不用加锁。读的时候通过清单层过滤掉旧文件就行。这在高并发场景下优势很明显。

数据文件在磁盘上的路径大概长这样：

/iceberg-warehouse/db/table/data/
  ├── partition_col=2024/
  │   ├── 00000-0.parquet
  │   └── 00001-0.parquet
  └── partition_col=2025/
      ├── 00000-0.parquet
      └── 00002-0.parquet

每个文件内部是标准的列式存储，Iceberg 不干预文件内部的编码方式。你该用 ZSTD 压缩还是 Snappy，自己说了算。

2.3 清单层：数据文件的「索引卡片」

清单层是 Iceberg 的精髓。它不存数据，只存数据文件的元信息。

每个清单文件（manifest file）是一个 Avro 文件，里面一条记录对应一个数据文件。记录里包含：

文件路径（location）
文件格式（Parquet/ORC/Avro）
分区数据（partition data）
行数（record count）
列统计信息（下界、上界、空值数等）
文件大小（file size in bytes）

为什么说它重要？因为查询时，Iceberg 会先扫清单文件，利用列统计信息做谓词下推。比如你查 WHERE age > 30，如果清单里记录了某个文件 age 列的最大值是 25，那这个文件直接跳过，连打开都不用。

避坑指南：我曾经遇到一个场景——清单文件越来越大，一个表有几万个数据文件，清单文件膨胀到几百 MB。查询时扫清单本身就成了瓶颈。后来通过 REWRITE_DATA_FILES 把小文件合并，清单文件数量降下来，查询快了三倍。

清单文件还分两种：

类型	说明	典型场景
Data Manifest	记录数据文件	常规读写
Delete Manifest	记录删除文件（position delete / equality delete）	行级删除、Merge-on-Read

嗯，这里要注意：Delete Manifest 是 Iceberg 实现行级更新的关键。它不直接改数据文件，而是记录「哪些行被删了」。读的时候把数据文件和删除文件合并，得到最终结果。

2.4 元数据层：表的「大脑」

元数据层是三层架构的顶层，管理着表的全局状态。

每个 Iceberg 表都有一个 metadata/ 目录，里面放着：

version-hint.text：指向当前最新的元数据文件版本号。
v<N>.metadata.json：元数据文件，包含表快照列表、Schema、分区规范等。
snap-<id>.avro：快照文件，记录该快照下引用的所有清单文件。

元数据文件的结构大致如下：

{
  "format-version": 2,
  "table-uuid": "abc-123-def",
  "location": "s3://bucket/table",
  "last-sequence-number": 100,
  "schemas": [ ... ],
  "partition-specs": [ ... ],
  "current-snapshot-id": 98765,
  "snapshots": [
    {
      "snapshot-id": 98765,
      "timestamp-ms": 1700000000000,
      "manifest-list": "s3://bucket/table/metadata/snap-98765.avro"
    }
  ]
}

每次提交（commit）都会生成一个新的元数据文件。Iceberg 通过原子性重命名 version-hint.text 来实现乐观锁，保证并发写入的安全性。

注意：元数据文件不会自动清理。如果表频繁提交，元数据文件会越积越多。我见过一个表跑了半年，metadata 目录下堆了上千个文件。建议定期执行 EXPIRED_SNAPSHOT 清理，保留最近 7 天或最近 100 个快照就够了。

2.5 三层如何协作？一个查询的生命周期

光讲概念太干。我们走一遍查询流程，你就明白了。

读 version-hint.text：找到最新的元数据文件编号。
加载元数据文件：拿到当前快照 ID 和对应的 manifest-list 路径。
读 manifest-list：获取该快照下所有清单文件的路径。
扫清单文件：利用列统计信息，过滤掉不匹配的数据文件。
读数据文件：只读取过滤后剩下的文件，返回结果。

你看，每一步都在做「裁剪」。元数据层裁剪掉不相关的快照，清单层裁剪掉不相关的文件，最后数据层只读必要的文件。这也是 Iceberg 在 PB 级数据上依然能秒级响应的原因。

个人习惯：排查查询慢的问题时，我第一步不是看数据文件，而是看清单文件的数量和大小。如果清单文件太多，先合并小文件；如果清单文件太大，检查是不是列统计信息没更新。这两个点搞定，80% 的性能问题都能解决。

2.6 版本演进：从 V1 到 V2

Iceberg 的表格式有两个版本，目前主流是 V2。

特性	V1	V2
行级删除	不支持	支持（通过 Delete Manifest）
列级统计	可选	更完善
分区演化	支持	支持（更稳定）
Sequence Number	无	有（用于冲突检测）

V2 最大的变化就是引入了 Sequence Number 和 Delete Manifest。Sequence Number 解决了并发写入时的冲突问题，Delete Manifest 让 Iceberg 真正支持了行级更新和删除。

我个人建议：新表直接用 V2。V1 虽然兼容性好，但缺少行级删除能力，在实时场景下会很受限。

2.7 小结

三层架构是 Iceberg 的基石。数据层管存储，清单层管索引，元数据层管状态。每一层各干各的活，互不干扰。

理解了这个架构，你就能明白为什么 Iceberg 能做到快照隔离、时间旅行、分区演化这些能力。说白了，就是通过分层把「元数据操作」和「数据操作」彻底解耦了。