1. 原因
写入iceberg表时，会在hive_locks表中插入一条记录，表示该表正在被写入(hive中的独占锁) 当数据插入完成后，会自动删除该条记录。
2. 出现场景
(1)在同时往同一个iceberg表中写入数据时，会出现Retrying task after failure: Waiting for lock之类的警告信息
如果有一个表正在写入中，并且在hive_locks中插入了一条记录。并且有另一个任务也在写入该表，就会出现这个警告信息，等待前面的任务执行完成后，这个任务就会自动执行下去，此时不需要进行任何其他的操作。
但是如果前面一个任务写入表的时候，突然中断了，导致在hive_locks表中这条记录没有删除，那么就会一直出现这个错误，此时的解决方法是手工删除hive_locks表中该表对应的锁记录。
(2)在删除表后，重新创建表时，也会出错，提示错误信息是该表存在。 在重新创建新表时，会去hive_locks这个表中校验是否存在正在写入的锁记录，如果存在，就会提示该表已存在的错误信息，此时也是相同的解决方案，手工删除hive_locks表中该表对应的锁记录。
3. Hive中的锁
3.1 锁的介绍
hive中存在两种锁，共享锁shared(S)和互斥锁exclusive(X) 共享锁 S 和 排他锁 X 它们之间的兼容性关系如下： 1)查询操作使用共享锁，共享锁是可以多重、并发使用的 2)修改表操作使用独占锁，它会阻止其他的查询、修改操作 3)可以对分区使用锁。
触发共享锁的操作是可以并发执行的，但是触发互斥锁，那么该表和该分区就不能并发的执行作业了
3.2 锁的常用操作
show locks tableName --查看锁
unlock table 表名; -- 解锁表
unlock table 表名 partition(dt='2014-04-01'); -- 解锁某个分区
--如果这个命令无法执行，LockManager没有指定，这时候需要执行命令：
set hive.support.concurrency=true;
set hive.txn.manager = org.apache.hadoop.hive.ql.lockmgr.DummyTxnManager;
--如果还不行，那么就直接去mysql的元数据表hive_locks中去执行：
delete from HIVE_LOCKS where HL_DB = 'xxx.db' and HL_TABLE = 'xxx_table';
3.3 锁配置
全局配置，修改hive-site.xml，配置如下
-- 单独锁表
lock table t1 exclusive;
--解除锁
unlock table t1;
--关闭锁
set hive.support.concurrency=false;
配置条件
hive.lock.numretries #重试次数
hive.lock.sleep.between.retries #重试时sleep的时间
hive默认的sleep时间是60s，比较长，在高并发场景下，可以减少这个的数值来提供job的效率。
如何查看是否配置了锁？ 我们在hive的webui中可以查看配置，http://hadoop:10002/conf 直接搜索 hive.support.concurrency
3.4 Hive(CDH4.2.0)的锁处理流程
应该是修改了源码。。。
1.首先对query进行编译，生成QueryPlan
2.构建读写锁对象(主要两个成员变量：LockObject，Lockmode)
对于非分区表，直接根据需要构建S或者X锁对象
对于分区表：(此处是区分input/output)
If S mode:
直接对Table/related partition 构建S对象
Else：
If 添加新分区：
构建S对象
Else
构建X对象
End
3.对锁对象进行字符表排序(避免死锁)，对于同一个LockObject，先获取Execlusive
4.遍历锁对象列表，进行锁申请
While trynumber< hive.lock.numretries(default100):
创建parent(node)目录,mode= CreateMode.PERSISTENT
创建锁目录，mode=CreateMode.EPHEMERAL_SEQUENTIAL
For Child：Children
If Child已经有写锁：
获取child写锁seqno
If mode=X 并且 Child 已经有读锁
获取child读锁seqno
If childseqno>0并且小于当前seqno
释放锁
Trynumber++
Sleep(hive.lock.sleep.between.retries:default1min)
以上对hive中的锁有个大概的了解。
4. Iceberg中的锁原理
摘录自网络的中的一段话：
数据文件的写和数据文件的元数据提交，分别通过Flink的两个算子IcebergStreamWriter和IcebergFilesCommitter来实现： IcebergStreamWriter借助Flink DataStream的并发机制，将数据文件的写操作并行化，可互不影响地写数据；IcebergFilesCommitter 收集IcebergStreamWriter创建的数据文件，来创建manifest数据清单文件和快照的提交。 因为提交文件元数据涉及到资源竞争,因此在提交元数据端使用了并发控制： Iceberg根据Catalog存储类型的不同，而使用不同的控制方式，比如使用Hadoop Catalog时，Iceberg基于文件rename来保证元数据的提交不冲突使用Hive Catalog或者 JDBC Catalog则使用数据库的锁或者MVCC来保证元数据的提交不冲突 那如何保证数据文件的写和数据文件元数据提交这两个阶段的原子性呢？ 这就依赖Flink的Checkpoint两阶段提交机制了，一旦Flink Checkpoint成功完成，数据文件和元数据都外可见，否则快照失效。因为快照本身是不变的，所有基于快照的查询看到的结果都一样，因此保证了事务的ACID属性。 Iceberg快照保证了事务的ACID属性，解决了并发的读写问题。同时，因为快照本身记录了版本相关的元信息，比如快照的开始和结束时间、数据大小、行数、以及其他一些统计指标，因此Iceberg 快照具备了超过数据库快照更多的能力，尤其是在基于CBO的查询优化。
从这里可以了解到iceberg为了保证事务的ACID属性，解决并发的读写问题，使用到了数据库的锁，我们目前创建iceberg使用到的是hive_catalog,所以自然也就使用了hive中的数据库锁。 但是即使我们在hive中不配置锁，iceberg也是直接使用了hive的数据库中hive_locks表。
相关内容引用参考：https://maimai.cn/article/detail?fid=1726689402&efid=CwV6BWN0RlCKeCTF98V2mQhttps://developer.aliyun.com/article/903837https://blog.csdn.net/qq_40713537/article/details/118543513
好文推荐
您阅读本篇文章共花了：
发表评论