使用 Iceberg、Tabular 和 MinIO 构建现代数据架构

现代数据环境需要一种新型的基础架构，即无缝集成结构化和非结构化数据、轻松扩展并支持高效的 AI/ML 工作负载的基础架构。这就是现代数据湖的用武之地，它为您的所有数据需求提供了一个中心枢纽。然而，构建和管理有效的数据湖可能很复杂。

这篇博文深入探讨了三个强大的工具，它们可以优化您当前的方法：Apache Iceberg、Tabular 和 MinIO。以下步骤将引导您了解这些服务如何无缝组合，以创建专为 AI/ML 工作负载优化的强大云原生数据湖架构。

什么是表格？

Tabular 是由 Apache Iceberg 的原始创建者创建的数据平台。它旨在提供一个独立的通用存储平台，可连接到任何计算层，从而消除数据供应商锁定。此功能对现代数据堆栈至关重要，它允许用户选择一流的计算和存储工具，而不会被迫使用特定供应商的老化和/或不匹配的工具集。

在 MinIO 和 Iceberg 的架构中，可以通过 Tabular 进行增强。表格可用于管理和查询存储在 MinIO 中的 Iceberg 数据，从而允许以可扩展、高性能和云原生的方式存储和管理结构化数据。这些 Kubernetes 原生组件可以顺利地协同工作，几乎没有摩擦，并建立在彼此的能力之上，可以大规模执行。

为什么选择 S3FileIO 而不是 Hadoop 的 file-io？

此实现利用了 Iceberg 的 S3FileIO。S3FileIO 被认为比 Hadoop 的 file-io 更好，原因有几个。其中一些我们已经在其他地方讨论过：

1.针对云存储进行了优化：Iceberg 的 S3FileIO 旨在与云原生存储配合使用。

2.改进的吞吐量和最小化的限制：Iceberg 使用 ObjectStoreLocationProvider 在 MinIO 存储桶中的多个前缀之间分发文件，这有助于最大限度地减少限制并最大限度地提高与 S3 相关的 IO 操作的吞吐量。

3.严格一致性：Iceberg 已更新，通过消除可能影响性能的冗余一致性检查，充分利用严格的一致性

4.渐进式分片上传：Iceberg 的 S3FileIO 实现了渐进式分片上传算法，一旦每个分片准备就绪，就会并行上传数据文件分段，从而减少本地磁盘使用量并提高上传速度。

5.校验和验证：Iceberg 允许对 S3 API 写入进行校验和验证，以确保上传对象的完整性，这可以通过设置相应的目录属性来启用。

6.自定义标签：Iceberg 支持在使用 S3 API 执行写入和删除操作期间向对象添加自定义标签，这对于成本跟踪和管理非常有用。

7.避免负缓存：Iceberg 中的 FileIO 接口不需要像 Hadoop 兼容文件系统那样严格的保证，这使得它能够避免负缓存，否则可能会降低性能。

相比之下，在S3FileIO之前使用的Hadoop的S3A文件系统没有为云存储提供相同级别的优化。综上所述：不要用过去的东西来阻碍面向未来的数据湖基础设施。

Prerequisites 先决条件

在开始之前，请确保您的系统满足以下要求：

Docker
Docker Compose

如果从头开始，则可以使用适用于特定平台的 Docker Desktop 安装程序进行安装。这通常比单独下载 Docker 和 Docker Compose 更容易。通过运行以下命令验证是否安装了 Docker：

docker-compose --version

Getting started 开始

首先，克隆或复制 Tabular 的 git 存储库中的 YAML 文件。在本教程中，您只需要 YAML。稍后可以随意浏览存储库的其余部分。

Breaking it Down 分解

提供的 YAML 文件是 Docker Compose 配置文件。它为多容器 Docker 应用程序定义了一组服务及其配置。在本例中，有两个服务：Spark-Iceberg 和 MinIO。让我们分解每个部分：

1. 火花冰山服务：

spark-iceberg:image: tabulario/spark-icebergcontainer_name: spark-icebergbuild: spark/networks:iceberg_net:depends_on:- rest- miniovolumes:- ./warehouse:/home/iceberg/warehouse- ./notebooks:/home/iceberg/notebooks/notebooksenvironment:- AWS_ACCESS_KEY_ID=admin- AWS_SECRET_ACCESS_KEY=password- AWS_REGION=us-east-1ports:- 8888:8888- 8080:8080- 10000:10000- 10001:10001rest:image: tabulario/iceberg-restcontainer_name: iceberg-restnetworks:iceberg_net:ports:- 8181:8181environment:- AWS_ACCESS_KEY_ID=admin- AWS_SECRET_ACCESS_KEY=password- AWS_REGION=us-east-1- CATALOG_WAREHOUSE=s3://warehouse/- CATALOG_IO__IMPL=org.apache.iceberg.aws.s3.S3FileIO- CATALOG_S3_ENDPOINT=http://minio:9000

image：指定要用于 spark-iceberg 服务的 Docker 镜像。在本例中，它使用 tabulario/spark-iceberg：latest 图像。

depends_on：指定 spark-iceberg 服务依赖于 rest 和 minio 服务。

container_name：为容器分配特定名称（火花冰山）。

environment：设置容器的环境变量，包括 Spark 和 AWS 凭证。

volumes：将本地目录（./warehouse 和 ./notebooks）作为卷装载到容器内。

ports：将容器端口映射到主机端口，用于访问Spark UI等服务。

2. Minio Service: 2. Minio服务：

minio:image: minio/miniocontainer_name: minioenvironment:- MINIO_ROOT_USER=admin- MINIO_ROOT_PASSWORD=password- MINIO_DOMAIN=minionetworks:iceberg_net:aliases:- warehouse.minioports:- 9001:9001- 9000:9000command: ["server", "/data", "--console-address", ":9001"]

image：指定 MinIO 服务的 Docker 镜像。

container_name：为容器分配特定名称 （MinIO）。

environment：设置用于配置 MinIO 的环境变量，包括 root 用户凭据。

ports：将容器端口映射到主机端口，用于访问 MinIO UI。

command：指定使用特定参数启动 MinIO 服务器的命令。

MinIO 服务的另一个方面是 mc，即 MinIO 的命令行工具。

 mc:depends_on:- minioimage: minio/mccontainer_name: mcnetworks:iceberg_net:environment:- AWS_ACCESS_KEY_ID=admin- AWS_SECRET_ACCESS_KEY=password- AWS_REGION=us-east-1entrypoint: >/bin/sh -c "until (/usr/bin/mc config host add minio http://minio:9000 admin password) do echo '...waiting...' && sleep 1; done;/usr/bin/mc rm -r --force minio/warehouse;/usr/bin/mc mb minio/warehouse;/usr/bin/mc policy set public minio/warehouse;tail -f /dev/null"

depends_on：指定 mc 服务依赖于 MinIO 服务。

image：指定 mc 服务的 Docker 镜像。

container_name：为容器分配特定名称 （mc）。

environment：设置用于配置 MinIO 客户端的环境变量。

entrypoint：定义容器的入口点命令，包括 MinIO 客户端的设置步骤。

 /usr/bin/mc rm -r --force minio/warehouse;/usr/bin/mc mb minio/warehouse;/usr/bin/mc policy set public minio/warehouse;tail -f /dev/null"

此命令序列实质上执行以下任务：

从 MinIO 服务器中删除现有仓库目录及其内容。

创建名为 warehouse 的新存储桶。

将仓库存储桶的访问策略设置为 public。

此 Docker Compose 文件编排了一个多容器环境，其中包含 Spark、PostgreSQL、MinIO 服务。它设置了一起运行服务所需的依赖项、环境变量和命令。这些服务协同工作，使用 Spark 和 Iceberg 创建一个开发环境，用于使用 MinIO 作为对象存储后端进行数据处理。

Starting Up 启动

在终端窗口中，cd 进入存储库中的 tabular-spark-setup 目录并运行以下命令：

docker-compose up

使用凭据登录 MinIO at http://127.0.0.1:9001 admin:password 以查看已创建仓库存储桶。

所有容器都启动并运行后，可以通过导航到 http://localhost:8888

运行其中一个示例笔记本并返回 MinIO， http://127.0.0.1:9001 查看仓库中的数据填充情况。

构建现代数据湖

本教程介绍了如何使用 Iceberg、Tabular 和 MinIO 构建现代数据湖，这仅仅是个开始。这个强大的三人组打开了通往无限世界的大门。借助这些工具，您可以无缝集成和分析所有结构化和非结构化数据，以发现隐藏的模式并推动数据驱动的决策，从而推动创新。在生产中利用此架构的效率和灵活性来加快 AI/ML 计划，并释放机器学习模型的真正潜力，从而加速实现突破性发现。