一文读懂 Databend 的开放表格式引擎

本文介绍了 Databend 开放表格式引擎的支持情况，包括优势与不足、使用方法、与 Catalog 方案的对比。此外，还包含一个简单的 Workshop ，介绍如何利用 Databend Cloud 分析位于对象存储中的 Delta Table 。

Databend 近期发布 Apache Iceberg 和 Delta Table 两类表引擎，以提供对两种目前最受欢迎的开放表格式的支持，满足基于不同技术栈的现代数据湖方案面临的高级分析需求。

采用基于 Databend / Databend Cloud 的一站式解决方案，可以在不启用额外的 Spark / Databricks 服务的前提下，完成对开放表格式数据的洞见，简化部署架构与分析流程。此外，利用 Databend / Databend Cloud 在 Apache OpenDAL™ 之上构建的数据访问方案，可以便捷访问数十种存储服务，包括对象存储、HDFS 甚至 IPFS ，可以与现有技术栈轻松集成。

优势

在使用开放表格式引擎时，只需要指定表引擎的类型（Delta 或 Iceberg）和数据文件存储的位置，即可直接访问对应的表并利用 Databend 进行查询。
利用 Databend 的开放表格式引擎，可以轻松应对混合不同数据源、不同表格式数据的场景：
- 在同一个数据库对象下，查询和分析以不同格式汇总的数据表。
- 凭借 Databend 的丰富存储后端集成，应对不同存储后端中的数据访问需求。

不足

目前 Apache Iceberg 和 Delta Lake 引擎仅支持只读操作，也就是只能查询数据，无法向表中写入数据。
表的 Schema 是在表创建时确定的，如果对原始表的 Schema 进行了修改，为了保证数据的一致与同步，需要在 Databend 中重新创建表。

使用方法

-- Set up connection
CREATE [ OR REPLACE ] CONNECTION [ IF NOT EXISTS ] <connection_name> 
    STORAGE_TYPE = '<type>' 
    [ <storage_params> ]

-- Create table with Open Table Format engine
CREATE TABLE <table_name> 
    ENGINE = [Delta | Iceberg] 
    LOCATION = '<location_to_table>' 
    CONNECTION_NAME = '<connection_name>'

小贴士： Databend 中使用 CONNECTION 管理与外部存储服务进行交互所需的详细信息，比如访问凭证、端点URL和存储类型。通过指定 CONNECTION_NAME ，可以在创建资源时复用 CONNECTION，简化存储配置的管理和使用。

与 Catalog 方案的对比

此前 Databend 已经通过 Catalog 提供 Iceberg 和 Hive 的支持，相比表引擎，Catalog 更加适合完整对接相关生态，一次性挂载多个数据库和表的情况。

而新增的开放表格式引擎在体验上更加灵活，支持在同一个数据库下汇总并混合来自不同数据源、不同表格式的数据，并进行有效地分析与洞见。

Workshop：使用 Databend Cloud 分析 Delta Table 中的数据

在这个示例将会展示如何利用 Databend Cloud 加载并分析位于对象存储中的 Delta Table 。

我们将会使用经典的企鹅体态特征数据集（penguins），将其转化为 Delta Table 并放置在 S3 兼容的对象存储中。该数据集一共包含 8 个变量，其中 7 个特征变量，1 个分类变量，共计 344 个样本。

分类变量为企鹅类别（species），属于硬尾企鹅属的三个亚属，分别是 Adélie ，Chinstrap 和 Gentoo 。
包含的三种企鹅的六个特征，分别是所在岛屿（island），嘴巴长度（bill_length_mm），嘴巴深度（bill_depth_mm），脚蹼长度（flipper_length_mm），身体体重（body_mass_g），性别（sex）。

如果你还没有 Databend Cloud 帐号，欢迎访问 https://app.databend.cn/register 注册并获取免费额度。或者也可以参考 https://docs.databend.com/guides/deploy/ 在本地部署 Databend 。

本文中还涉及对象存储的使用，也可以尝试使用具有免费额度的 Cloudflare R2 创建 Bucket 。

向对象存储中写入数据

我们需要安装对应的 Python 包，seaborn 负责提供原始数据，deltalake 负责将数据转换为 Delta Table 并写入 S3 ：

pip install deltalake seaborn

然后，编辑下面的代码，配置对应的访问凭据，并另存为 writedata.py ：

import seaborn as sns
from deltalake.writer import write_deltalake

ACCESS_KEY_ID = '<your-key-id>'
SECRET_ACCESS_KEY = '<your-access-key>'
ENDPOINT_URL = '<your-endpoint-url>'

storage_options = {
    "AWS_ACCESS_KEY_ID": ACCESS_KEY_ID,
    "AWS_SECRET_ACCESS_KEY": SECRET_ACCESS_KEY,
    "AWS_ENDPOINT_URL": ENDPOINT_URL,
    "AWS_S3_ALLOW_UNSAFE_RENAME": 'true',
}

penguins = sns.load_dataset('penguins')

write_deltalake("s3://penguins/", penguins, storage_options=storage_options)

执行上面的 Python 脚本，以向对象存储中写入数据：

python writedata.py

使用 Delta 表引擎访问数据

在 Databend 中创建对应的访问凭据：

--Set up connection
CREATE CONNECTION my_r2_conn 
    STORAGE_TYPE = 's3' 
    SECRET_ACCESS_KEY = '<your-access-key>' 
    ACCESS_KEY_ID = '<your-key-id>'
    ENDPOINT_URL = '<your-endpoint-url>';

创建由 Delta 表引擎支持的数据表：

-- Create table with Open Table Format engine
CREATE TABLE penguins
    ENGINE = Delta
    LOCATION = 's3://penguins/' 
    CONNECTION_NAME = 'my_r2_conn';

利用 SQL 查询和分析表中的数据

验证数据的可访问性

首先，让我们输出 5 个企鹅的种类和所在的岛屿，以检查是否能够正确访问到 Delta Table 中的数据。

SELECT species, island FROM penguins LIMIT 5;

数据过滤

接下来，可以进行一些基本的数据过滤操作，比如找出脚蹼长度超过 210mm 的雄性企鹅可能属于哪一个亚属。

SELECT DISTINCT species
                 FROM penguins 
                WHERE sex = 'Male' 
                  AND flipper_length_mm > 210;

数据分析

类似地，我们可以尝试计算每只企鹅嘴巴长度和深度的比例，并输出最大的五个数据。

SELECT bill_length_mm / bill_depth_mm AS length_to_depth
                 FROM penguins
                ORDER BY length_to_depth DESC
                LIMIT 5;

混合数据源案例：企鹅观察日志

现在将会进入一个有趣的部分：假设我们发现了科考站的一份观察记录，让我们尝试在同一个数据库下录入这份数据，并且尝试进行一项简单的数据分析：某只特定性别的企鹅被某位科学家标记的概率是多少。

创建观察日志表

使用默认的 FUSE 引擎创建 penguin_observations 表，包含 ID、日期、姓名、企鹅种类与性别、备注等几类信息。

CREATE TABLE penguin_observations (
    observation_id INT,
    observation_date DATE,
    observer_name VARCHAR,
    penguin_species VARCHAR,
    penguin_sex VARCHAR,
    notes TEXT,
);

录入观察日志

让我们尝试手工录入全部 10 条日志。已知日志记录中出现的企鹅互不相同。

INSERT INTO penguin_observations (observation_id, observation_date, observer_name, penguin_species, penguin_sex, notes)
VALUES
(1, '2023-01-01', 'Dr. Kowalski', 'Adelie', 'Male', 'Noticed aggressive behavior towards peers.'),
(2, '2023-01-02', 'Dr. Smith', 'Chinstrap', 'Female', 'Sighted building a nest.'),
(3, '2023-01-03', 'Dr. Kowalski', 'Gentoo', 'Female', 'Observed feeding offspring.'),
(4, '2023-01-04', 'Dr. Smith', 'Adelie', 'Male', 'Found resting by the shoreline.'),
(5, '2023-01-05', 'Dr. Kowalski', 'Adelie', 'Female', 'Engaged in mating rituals.'),
(6, '2023-01-06', 'Dr. Kowalski', 'Gentoo', 'Male', 'Spotted swimming in the open water.'),
(7, '2023-01-07', 'Dr. Smith', 'Chinstrap', 'Male', 'Appeared to be molting.'),
(8, '2023-01-08', 'Dr. Smith', 'Gentoo', 'Female', 'Seen with a potential mate.'),
(9, '2023-01-09', 'Dr. Kowalski', 'Adelie', 'Female', 'Observed preening feathers.'),
(10, '2023-01-10', 'Dr. Kowalski', 'Adelie', 'Male', 'Identified with a tagged flipper.');

计算标记概率

现在让我们计算在所有企鹅中，某只雄性 Adelie 企鹅被 Dr. Kowalski 观察的概率。首先我们需要统计 Dr. Kowalski 观察到的雄性 Adelie 企鹅的个数，然后统计所有记录在案的雄性 Adelie 企鹅个数，最后相除得到结果。

SELECT
    (SELECT COUNT(*)
     FROM penguin_observations
     WHERE observer_name = 'Dr. Kowalski'
     AND species = 'Adelie'
     AND sex = 'Male')::FLOAT /
    (SELECT COUNT(*)
     FROM penguins
     WHERE species = 'Adelie'
     AND sex = 'Male')::FLOAT AS observation_probability;

总结

凭借组合不同表引擎进行查询，Databend / Databend Cloud 可以支撑在同一个数据库下混合不同格式的表，并进行分析与查询。本文只是提供一个基本的 Workshop 供大家体验功能和使用，欢迎大家基于这个案例进行拓展，探索更多组合 Iceberg 和 Delta Table 进行数据分析的场景，以及更多潜在的真实世界应用。