譯者 | 李睿

審校 | 重樓

像軟件行業(yè)的許多其他領(lǐng)域一樣，數(shù)據(jù)工程領(lǐng)域正在快速發(fā)展。在大型語言模型（LLM）和生成式人工智能的推動下，盡管人工智能/機(jī)器學(xué)習(xí)的進(jìn)步令人關(guān)注，但數(shù)據(jù)工程仍然是推動軟件開發(fā)創(chuàng)新的根本力量。

Polaris是一種用于數(shù)據(jù)湖屋（Lakehouse）的目錄實(shí)現(xiàn)工具，是該領(lǐng)域的最新進(jìn)展之一，它加速了互操作性的進(jìn)展，并實(shí)現(xiàn)了零數(shù)據(jù)復(fù)制架構(gòu)。在最近于2024年11月舉辦的Snowflake Build大會上，Polaris Catalog、Iceberg以及AI/ML共同成為備受關(guān)注與熱議的話題。

開放表格式和數(shù)據(jù)湖屋

數(shù)據(jù)湖屋的概念憑借其開放表格式，已經(jīng)成為大數(shù)據(jù)技術(shù)領(lǐng)域內(nèi)的熱門議題之一。開放表格式在塑造行業(yè)中的數(shù)據(jù)湖屋模式方面始終走在前列。盡管還有其他具有競爭力的開放表格式技術(shù)，但I(xiàn)ceberg無疑在這一領(lǐng)域內(nèi)占據(jù)領(lǐng)先地位。支持傳統(tǒng)數(shù)據(jù)倉庫模式的數(shù)據(jù)云巨頭Snowflake公司也在積極引領(lǐng)數(shù)據(jù)湖屋模式的發(fā)展，而Iceberg正是其解決方案的核心支柱，發(fā)揮著舉足輕重的作用。

Iceberg采用了三層架構(gòu)模型，其核心在于其根目錄，這一目錄扮演著Iceberg中表元數(shù)據(jù)管理者的關(guān)鍵角色。Snowflake公司通過推出了名為Polaris的目錄服務(wù)，在目錄領(lǐng)域帶來了革命性的變革。該目錄正迅速獲得認(rèn)可，并有望在未來幾個月內(nèi)得到進(jìn)一步增長。

在深入討論P(yáng)olaris之前，需要了解有關(guān)數(shù)據(jù)湖屋、Iceberg和Snowflake的更多細(xì)節(jié)，為探討Polaris奠定基礎(chǔ)。幾十年來，軟件行業(yè)一直沿襲著使用數(shù)據(jù)倉庫作為核心分析平臺的傳統(tǒng)。然而，隨著基于Hadoop的大數(shù)據(jù)技術(shù)的興起，支持半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)湖（data lake）于2010年應(yīng)運(yùn)而生。盡管數(shù)據(jù)湖在過去十年中迅速增長，但與此同時，它也暴露出了一系列亟待解決的問題，例如事務(wù)支持的缺失、模式強(qiáng)制執(zhí)行的不足等。

為了克服數(shù)據(jù)湖的局限性，大數(shù)據(jù)領(lǐng)域中出現(xiàn)了一種新的模式——數(shù)據(jù)湖屋。數(shù)據(jù)湖屋通過提供事務(wù)支持、模式實(shí)施（如數(shù)據(jù)倉庫）以及異構(gòu)數(shù)據(jù)格式（如數(shù)據(jù)湖）的支持，結(jié)合了數(shù)據(jù)倉庫和數(shù)據(jù)湖的優(yōu)點(diǎn)。開放文件格式是數(shù)據(jù)湖屋架構(gòu)成功的基礎(chǔ)，特別是開放表格式。盡管在這一領(lǐng)域內(nèi)，Delta Lake和Hudi等其他主要參與者同樣發(fā)揮著重要作用，但I(xiàn)ceberg憑借行業(yè)領(lǐng)導(dǎo)者Snowflake公司的支持而脫穎而出。

開放表格式是為了支持?jǐn)?shù)據(jù)的零復(fù)制以及從多個查詢引擎在單一權(quán)威的數(shù)據(jù)源中查詢/修改數(shù)據(jù)而創(chuàng)建的。盡管Snowflake公司起初像傳統(tǒng)和現(xiàn)代數(shù)據(jù)倉庫一樣使用原生表，并在這一過程中增加了對非結(jié)構(gòu)化數(shù)據(jù)的支持，但Snowflake公司一直是推廣和采用與Iceberg相結(jié)合的開放表格式來實(shí)現(xiàn)數(shù)據(jù)湖倉解決方案的領(lǐng)導(dǎo)者。

開放表格式的基本架構(gòu)概念是關(guān)于存儲表元數(shù)據(jù)的。開放表格式不存儲實(shí)際數(shù)據(jù)，而是存儲“關(guān)于數(shù)據(jù)的數(shù)據(jù)”。不同的開放表格式有其各自的元數(shù)據(jù)架構(gòu)。然而，它們之間的共同模式是都存在一個目錄組件。在開放表格式中，目錄包含指向?qū)嶋H表的元數(shù)據(jù)指針，這些表以開放文件格式（如Parquet、ORC）存儲數(shù)據(jù)。

目錄的挑戰(zhàn)：Polaris背后的驅(qū)動力

對于目錄實(shí)現(xiàn)，業(yè)界一直在使用諸如Hive Metastore、AWS Glue、Nessie、Unity Catalog等技術(shù)。可用目錄技術(shù)的激增阻礙了互操作性和開放表格式的零數(shù)據(jù)復(fù)制原則充分發(fā)揮其潛力，因?yàn)椴煌哪夸浖夹g(shù)開始導(dǎo)致組織內(nèi)部出現(xiàn)供應(yīng)商鎖定和數(shù)據(jù)一致性問題。圖1展示了由于缺乏統(tǒng)一的目錄解決方案而導(dǎo)致組織一直在實(shí)現(xiàn)的典型架構(gòu)。

圖1：Iceberg生態(tài)系統(tǒng)的多目錄技術(shù)解決方案

不同的查詢引擎或數(shù)據(jù)平臺使用不同技術(shù)開發(fā)的目錄來訪問Iceberg的元數(shù)據(jù)（如圖1所示）和存儲層，因此無法在組織內(nèi)部提供存儲的統(tǒng)一視圖。此外，由于沒有共享的目錄標(biāo)準(zhǔn)，不僅目錄數(shù)據(jù)會被重復(fù)且存在不一致性，而且其他方面（如安全和訪問控制配置）也需要被重復(fù)，從而造成不必要的開銷。

為了應(yīng)對實(shí)現(xiàn)真正互操作性和零數(shù)據(jù)復(fù)制的挑戰(zhàn)，Snowflake公司推出了Polaris Catalog這一創(chuàng)新性的目錄服務(wù)。該目錄設(shè)計的初衷是使不同的查詢引擎能夠輕松訪問，并且展望未來，它還將支持所有主流的開放表格式，而不僅僅是Iceberg。

關(guān)于Polaris：優(yōu)勢與現(xiàn)狀

作為開放表格式的目錄，Polaris主要提供以下三個好處：

• 讀和寫操作的跨引擎互操作性。
• 支持在任何地方托管目錄——在云中或組織的數(shù)據(jù)中心作為容器化應(yīng)用程序。
• 集中的安全和基于角色的訪問控制。

Snowflake公司將Polaris Catalog外包給Apache軟件基金會，以鼓勵社區(qū)驅(qū)動的技術(shù)進(jìn)步，并使其與供應(yīng)商保持中立，以實(shí)現(xiàn)Polaris的多個長期目標(biāo)，如下所示：

• 使其與所有開放表格式（如Delta Lake、Hudi）兼容
• 支持API表格維護(hù)
• 更廣泛的安全和訪問控制，例如支持Okta/Auth0等IDP、細(xì)粒度訪問控制等。

當(dāng)前，Polaris軟件正處于Apache軟件基金會的孵化階段。盡管Snowflake公司已將Polaris的開發(fā)工作交由Apache軟件基金會負(fù)責(zé)，但Snowflake依然在其自身的部署中持續(xù)為Polaris Catalog提供支持。Snowflake所托管的Polaris Catalog被稱為Snowflake Open Catalog。

Polaris架構(gòu)

Polaris Catalog在Iceberg生態(tài)系統(tǒng)中的架構(gòu)如圖2所示。查詢引擎將使用Polaris REST API訪問Polaris Catalog中的表元數(shù)據(jù)。Polaris API的核心業(yè)務(wù)邏輯將作為接口，通過Iceberg元數(shù)據(jù)提供對存儲在開放文件格式（如Parquet、ORC）中的實(shí)際數(shù)據(jù)的訪問。

圖2：Iceberg生態(tài)系統(tǒng)中的Polaris架構(gòu)

Polaris架構(gòu)圍繞兩個核心組件構(gòu)建：用于數(shù)據(jù)安全的基于角色的訪問控制（RBAC）和用于管理表元數(shù)據(jù)的Data Catalog。在RBAC中，主體（Principal）代表用戶或系統(tǒng)身份，而主體角色則定義分配給該主體的權(quán)限。一個主體可以擁有多個主體角色，并且每個主體角色可以包含多個主體。在目錄方面，目錄作為邏輯數(shù)據(jù)庫或模式，組織成命名空間（Namespaces），這些命名空間對Iceberg表或視圖進(jìn)行分組。權(quán)限通過目錄角色進(jìn)行管理，這些角色定義了目錄對象的直接權(quán)限，而主體角色則通過其與目錄角色的關(guān)聯(lián)來繼承這些權(quán)限。

該架構(gòu)確保在邏輯組織的框架內(nèi)對Iceberg表和視圖進(jìn)行安全、可擴(kuò)展和有效的管理。

從基礎(chǔ)設(shè)施部署的角度來看，盡管Polaris可以作為容器化的應(yīng)用程序在云平臺和組織的數(shù)據(jù)中心中運(yùn)行，但是需要為查詢引擎進(jìn)行適當(dāng)?shù)木W(wǎng)絡(luò)連接，以便能夠訪問Polaris基于REST API的目錄。目前，將Polaris Catalog部署在公共云平臺之外的情況并不常見，因?yàn)橥ǔ?/span>希望實(shí)際的開放文件格式存儲將位于云平臺中。

隨著技術(shù)的進(jìn)步，為了滿足各個行業(yè)（如金融、醫(yī)療保健）組織的數(shù)據(jù)隱私和地理限制要求，在組織的防火墻內(nèi)部署Polaris可能是一個有價值的用例。

Polaris的實(shí)際操作

Snowflake公司在2024年6月發(fā)布了Polaris，并于7月將其開源給Apache軟件基金會。該項(xiàng)目目前在Apache處于孵化狀態(tài)。Polaris Catalog的開源版本可以在GitHub存儲庫中獲得。開發(fā)人員只需幾個簡單的步驟就可以在本地工作站中開始使用Polaris。

1.安裝OpenJDK和Docker

JDK的最低版本要求是21，Docker的最低版本要求是27。除此之外，還需要安裝Gradle這一工具編譯項(xiàng)目源代碼。

2.克隆存儲庫

要在本地工作站中設(shè)置Polaris，第一步是克隆存儲庫。

3.在Docker容器中運(yùn)行Polaris

Plain Text 
 docker compose -f docker-compose.yml up --build

4.作為本地Java應(yīng)用程序運(yùn)行

Plain Text 
 gradle runApp

GitHub中的Polaris項(xiàng)目分為兩個主要模塊。

• polaris-core：包含實(shí)體定義和業(yè)務(wù)邏輯。這是通過Iceberg元數(shù)據(jù)與開放文件格式存儲進(jìn)行交互的層。
• API：包含Polaris的REST API定義。查詢引擎與API通信以訪問底層數(shù)據(jù)。

結(jié)論

在數(shù)據(jù)湖屋和開放表格式不斷發(fā)展的背景下，Polaris是下一個重大突破。這項(xiàng)技術(shù)有助于消除對查詢引擎特定數(shù)據(jù)目錄的需求，并帶來可互操作的協(xié)調(diào)解決方案。

Polaris最初是為Iceberg構(gòu)建的，它不僅旨在成為查詢引擎的通用平臺，而且未來的開發(fā)目標(biāo)是使其能夠跨其他開放表格式工作，例如Delta Lake。擁有可互操作的目錄技術(shù)可以降低組織架構(gòu)的復(fù)雜性，有助于實(shí)現(xiàn)零數(shù)據(jù)復(fù)制原則，減少IT的支持開銷，并最終為組織節(jié)省成本。Polaris正在不斷發(fā)展，預(yù)計在未來幾個月內(nèi)，在Apache軟件基金會和Snowflake公司的推動下，其采用率將會上升。

原文標(biāo)題：Revolutionizing Catalog Management for Data Lakehouse With Polaris Catalog，作者：Dipankar Saha