Zenn
Snowflake Data HeroesPublicationへの投稿
🧊

Apache Iceberg: The Definitive Guide 11章 Streaming with Apache Iceberg

けびん
2024/11/11に公開
Snowflake
DataEngineering
otf
iceberg
tech

はじめに

こんにちは！ナウキャストでデータエンジニアをしているけびんです。

SnowVillage で行っている Apache Iceberg: The Definitive Guid 輪読会の11章の資料です。11章は "Streaming with Apache Iceberg" というタイトルで Iceberg でストリーミング処理する話が書かれていますが、その内容をまとめたり、調べて見つけた関連した内容も適宜記載したりしています。

11章の introduction

ストリーミングデータとはさまざまなソースから継続的に生成され処理されるデータのことを指します。ログファイルやセンサーデータ、ソーシャルメディアのフィードなど、様々なデータソースから日々データは生成されています。これらのデータが小さいサイズに分割され送信され、リアルタイムで処理されるわけです。

ストリーミングデータは現在さまざまな場所で利用されていますが、これらを Apache Iceberg table として取り込むメリットは以下の通りです。

  • Scalability and performance
    • Iceberg は巨大なデータセットの保存・情報抽出を効率的に行えるように設計されている
    • ファイル管理のプロシージャも定義されており、パフォーマンスを維持するための仕組みも作りやすい
  • Schema evolution
    • 時事刻々とデータが送られてくるストリーミングデータではスキーマが変化する可能性も高い
    • Iceberg であれば Schema Evolution をサポートしており、変化に追従しながらデータを扱いやすい
  • Reliability
    • Iceberg の Snapshot や Transaction の仕組みが一貫して信頼性の高いデータ提供に適している
  • Time travel
    • 時事刻々と溜まるデータに対してタイムトラベルでクエリできると便利

ここから先では具体的に各種ツールでストリーミングデータを取り扱う方法を見ていきます。

Streaming into Iceberg with Spark

Spark の特徴の一つはストリーミングデータを処理することが可能であることです。
Spark Streaming を利用するkとおでスケーラブルで、スループットも信頼性も高いストリーム処理を行うことが可能です。

マイクロバッチのアプローチを取る Spark Streaming の具体的な特徴は以下の通りです

  • Fault tolerance
    • ビルトインのリカバリー処理のおかげで耐障害性が高い
    • 各マイクロバッチの処理を監視し、失敗したらそのマイクロバッチをリトライすれば良いので、耐障害性が高くなります
  • Integration
    • Spark Streaming は Spark MLlib や Spark SQL など Spark の他のコンポーネントとシームレスに連携することができる
    • 他のバッチ処理の技術をリアルタイム処理に活かしやすい
  • Real-time processing
    • Spark streaming はストリーミングデータをマイクロバッチに分割し、これを Spark engine で処理するという構成をとっており、これによりストリーミングデータを次々と処理することが可能
  • Window operations
    • ウィンドウに対する様々な計算がサポートされていて、ストリーミングデータの分析に便利
  • High throughput
    • ハイボリュームなストリーミングデータを処理する小tが可能
  • Multiple data sources
    • Kafka / Flume / Kinesis など様々なデータソースからストリーミングデータを取り込むことが可能

このように全体としてマイクロバッチ処理のアプローチは応答性、処理可能なデータ量、リソース効率のバランスが取れており、ビッグデータやストリーミング処理の領域で好まれる選択肢となっています。

この後の内容は以下にも書かれています。
https://iceberg.apache.org/docs/1.6.1/spark-structured-streaming/

Streaming into Iceberg with Spark

Spark の DataStreamWriter を利用することで Iceberg テーブルにストリーミング方式で書き込むことができます。
その際には方法は以下の二つがあります。

  • append : 各マイクロバッチの行をテーブルに追加する
  • complete : 各マイクロバッチでテーブルの内容を置き換える

パーティション化されているテーブルに関しては少し注意が必要です。パーティション化されたテーブルはパーティションごとにデータをソートしておく必要がありますが、バッチごとにソートしているとレイテンシーが増えてしまいます。これをバイパスするために fanout writer オプションというのがあります。これを有効化すると、書き込みの際にソートの必要がなくなりパフォーマンスを上げることができます。

またストリーミングデータはすぐに新しいテーブルのバージョンを作成してしまい、細かいメタデータファイルやデータファイルが生まれてしまいます。効率的なメタデータ管理、そしてクエリパフォーマンスのためには以下のような対応が重要です

  • コミットのレートを調整する
  • 古いスナップショットは廃棄する
  • データファイルの compaction を行う
  • マニフェストの rewrite を行う

この辺りは4章で詳細を取り扱っているのでぜひご覧ください。

https://speakerdeck.com/kevinrobot34/apache-iceberg-the-definitive-guide-ch4

https://speakerdeck.com/rshimajiri/apache-iceberg-the-definitive-guide-lun-du-hui-4zhang-optimizing-the-performance-of-iceberg-tables-hou-ban

kafka から読み込み、 iceberg に書き込むサンプルコードは以下の通りです。

val df = spark.readStream
    .format("kafka")
    .option("kafka.bootstrap.servers", "localhost:9092")
    .option("subscribe", "financialData")
    .load()

val financialData = df.selectExpr("CAST(value AS STRING)").as[String]
    .map(Stock.from_json(_))

case class Stock(timestamp: Long, symbol: String, price: Double, volume: Long)
object Stock {
  def from_json(jsonString: String): Stock = {
    val parser = new ObjectMapper()
    parser.registerModule(DefaultScalaModule)
    parser.readValue(jsonString, classOf[Stock])
  }
}

val tableIdentifier = "s3://someBucket/financial_data/stock"
financialData.writeStream
    .format("iceberg")
    .outputMode("append")
    .trigger(Trigger.ProcessingTime(1, TimeUnit.MINUTES))
    .option("path", tableIdentifier)
    .option("checkpointLocation", "/tmp/checkpoints")
    .start()

Streaming from Iceberg with Spark

DataSource V2 API を利用することで以下のように Iceberg テーブルからストリーミングでデータを読み込むことができます。

val df = spark.readStream
    .format("iceberg")
    .option("stream-from-timestamp", Long.toString(streamStartTimestamp))
    .load(tableName)

この際に注意点としては以下の通りです。

  • append snapshot の Iceberg テーブルからの読み込みのみがサポートされている
  • 下流のアプリケーションを Iceberg からのリアルタイムストリーミングデータを取り扱えるように設計しておくこと

Apache Flink はオープンソースの統合ストリームバッチ処理エンジンです。大量のデータを高速で処理するように設計されており、リアルタイムデータ処理・分析に役立ちます。

Apache Flink の特徴は以下の通りです

  • event time semantics のサポート

  • exactly-once semantics のサポート

  • backpressure control

  • Event time processing

  • Fault tolerance

    • チェックポイント・セーブポイント機構により、耐障害性が高い
    • データを処理中にロストしたりしない

  • Backpressure handling

    • 消費可能な量より大量のデータが生成されてしまった際にも対応が可能
    • これにより大量なデータが流れてきてもシステムは安定したままです

  • High throughput and low latency

    • 大量のデータを低いレイテンシーで捌けるように設計されており、リアルタイムデータ分析に向いている

  • Windowing and complex event processing

    • さまざまなウィンドウ関数でデータの処理が可能

  • Integration

    • Kafka や HDFS そして Cassandra などさまざまなデータソースやsinkと連携が可能

  • Exactly-once semantics

    • どのレコードも厳密に一度だけ取り込まれることが保証されており、正確なデータ処理が可能に

このように Apache Flink は高速で正確でスケーラブルなストリーミングデータ処理が可能で、上記のような各種特徴からリアルタイムデータ処理の強力な選択肢となっています。

Streaming with Kafka Connect

Apache Kafka Connect は Kafka platform のオープンソースのコンポーネントであり、Kafkaとの間でデータを移動するためのスケーラブルで信頼性の高い方法を提供します。

以下のような特性があります。

  • High throughput
  • Fault tolerance
  • Real-time integration
  • Durability
  • Wide integration
  • Exactly-once semantics
  • Connector framework

Apache Kafka Connect はKafka エコシステム内のロバストな統合ツールで、シームレスにリアルタイムデータ連携機能を提供します。

GitHubで編集を提案
Snowflake Data Heroes
Snowflake Data HeroesPublication

Snowlfake データクラウドのユーザ会 SnowVillage のメンバーで運営しています。 Publication参加方法はこちらをご参照ください。 zenn.dev/dataheroes/articles/db5da0959b4bdd

Discussion