Hudi,Iceberg,Paimon三者在数据湖应用上的对比

现如今每个企业的数据是越来越多，所以相对来说数据仓库，数据湖，湖仓一体等大数据架构都是经常使用的解决方案。本文我们针对大家在数据湖（Hudi、Iceberg、Paimon）上进行技术选型做一些相关的对比参考项。供大家可以根据实际情况来选择数据湖解决方案。具体对比信息如下：

对比项	Hudi	Iceberg	Paimon
ACID事务支持	支持	支持	支持
Copy-On-Write（写时复制）	支持	支持	不支持（Paimon是LSM Tree结构）
Merge-On-Read（读时合并）	支持	不完全支持（无法平衡查询性能，需要手动ompaction）	不完全支持（读取数据时，会合并多层LSM数据，并行数会受到桶数的限制。尽管Paimon的合并性能搞笑，但是仍然无法赶上普通的AppendOnly表）
批量加载（Bulk load）	支持Bulk Insert	不支持	不支持
具有记录级索引的搞笑合并写入	支持	不支持
是否可以将数据就地升级到系统中而无需重写数据	支持	支持表迁移	不支持
增量查询湖区表指定时间窗口的数据	支持	仅支持append数据	支持
Time Travel	支持	支持	支持
数据摄入	支持DeltaStreamer	不支持	支持Flink cdc导入
并发控制	支持非阻塞表服务的OCC	仅支持OCC	支持多个并发写作业的乐观并发
primary key	支持	不支持	支持
列统计和Data SKip 查询是否可以从基于任何列的谓词的文件修剪中受益，而无需读取数据文件页脚	支持元数据中的 Col 统计列统计索引总计性能提升 50 倍	支持清单中的列统计信	支持基于索引(如minmax)，过滤无关文件并提供高性能查询，支持更多索引。
基于内置函数的Data Skip	不完全支持（通过 col stats 索引，Hudi 可以根据列谓词和列上的顺序保留函数有效地修剪文件。）	支持（Iceberg 可以将表数据转换为分区值并维护关系，同时还收集列上的统计信息）	不支持
是否可以不断改变表的分区结构	不支持	支持	支持
重复数据删除	支持	仅支持Merge Only	支持
文件大小调整	支持（全自动调整文件大小）	不完全支持（需要手动维护）	不支持
Compaction	支持	需要手动维护	支持
自动删除旧版本的文件	支持	不完全支持（通过快照过期方式手动清理）	不完全支持（通过快照过期方式，手动指定快照快起时间）
分区清理	支持	支持	支持
在表中新建索引	支持	不支持	支持
线性聚类	支持	不支持	不支持
各种聚类函数	支持（Z-OrderHilbert）	不支持	不支持
调整表结构	仅限spark的添加，重排序，删除，重命名，更新	支持添加，重排序，删除，重命名，更新	支持添加，重排序，删除，重命名，更新
元数据根据数据大小进行缩放	支持	不完全支持（Avro Manifest 文件速度明显变慢，并且在扩展时需要维护）	不完全支持，可参考file layouts
cli管理表	支持	不支持	不支持
定义要检查和执行的数据质量	支持（预提交验证器）	不支持	不支持
pre-commit transformers	支持	不支持	不支持
commit回调通知	支持	不支持	不支持
保护免受提交失败数据写入的影响	支持（自动标记机制）	不支持	不支持（但是有一致性保障机制）
监控	支持（用于自动监控的MetricsReporter）	不支持	支持
回复数据快照的数据	支持	不支持	仅支持flink的savepoint
Apache spark	Read+Write	Read+Write	Read+Write
Apache Flink	Read+Write	Read+Write	Read+Write
Presto	Read	Read+Write	Read
Trino	Read	Read+Write	Read
Hive	Read	Read+Write	Read
DBT	Read+Write	不支持	不支持
Kafka Connect	Write	不支持
Pulsar	Write	Write	不支持
DebeZium	Write	Write	不支持
Kyuubi	Read+Write	Read+Write	不支持
clickhouse	Read	不支持	不支持
Apache mpala	Read+Write	Read+Write	不支持