一、引言
随着实时数仓架构从 Lambda 向 Lakehouse 演进，数据湖表格式（Table Format）成为架构选型的核心决策点。Apache Hudi、Apache Iceberg 和 Apache Paimon 是当前最主流的三个开源方案，它们各自从不同的业务场景出发，在 ACID 事务、增量处理、流批一体等维度形成了差异化的技术路线。
本文将从架构设计、核心机制、适用场景三个层面进行深入对比，并结合实时工程实践给出选型建议。
二、Apache Hudi 架构
Hudi 的核心设计围绕Timeline（时间线）和Index（索引）两大机制展开。
┌──────────────────────────────────────────────────────────┐ │ Hudi 表架构 │ ├──────────────────────────────────────────────────────────┤ │ │ │ ┌─────────────────────────────────────────────────┐ │ │ │ Timeline (元数据时间线) │ │ │ │ [commit1] -> [commit2] -> [deltacommit3] -> ...│ │ │ └─────────────────────────────────────────────────┘ │ │ │ │ │ ┌─────────────┼─────────────┐ │ │ ▼ ▼ ▼ │ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │ │ File Group │ │ File Group │ │ File Group │ │ │ │ ┌──────────┐ │ │ ┌──────────┐ │ │ ┌──────────┐ │ │ │ │ │Base File │ │ │ │Base File │ │ │ │Base File │ │ │ │ │ │(Parquet) │ │ │ │(Parquet) │ │ │ │(Parquet) │ │ │ │ │ ├──────────┤ │ │ ├──────────┤ │ │ └──────────┘ │ │ │ │ │Log File 1│ │ │ │Log File 1│ │ │ (COW表) │ │ │ │ │Log File 2│ │ │ └──────────┘ │ │ │ │ │ │ └──────────┘ │ │ (MOR表) │ │ │ │ │ │ (MOR表) │ │ │ │ │ │ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │ │ │ ┌─────────────────────────────────────────────────┐ │ │ │ Index (记录到文件的映射) │ │ │ │ Record Key -> File Group ID │ │ │ │ 类型: Bloom / Simple / HBase / Bucket │ │ │ └─────────────────────────────────────────────────┘ │ │ │ └──────────────────────────────────────────────────────────┘Timeline 机制：每次写入操作（commit/deltacommit/compaction/clean 等）在 Timeline 上记录一个 instant，包含时间戳 + 动作类型 + 状态（requested/inflight/completed），这是 Hudi 实现 ACID 和增量查询的基础。
索引机制：Hudi 通过索引将 Record Key 映射到 File Group，实现高效 Upsert。
- Bloom Filter Index：默认索引，基于文件级别 Bloom Filter，适合大数据量场景。
- Bucket Index：基于 Hash 分桶，确定性路由，Flink 写入推荐使用。
- Record-level Index：基于 HFile 的全局索引，提升 Upsert 效率。
Copy-on-Write (COW) | Merge-on-Read (MOR) | |
写入方式 | 每次写入重写整个文件 | 追加写入 Log 文件 |
读取性能 | 高（直接读 Parquet） | 需合并 Base + Log |
写入延迟 | 较高 | 较低 |
适用场景 | 读多写少 | 写多读少、近实时场景 |
三、Apache Iceberg 架构
Iceberg 的核心设计围绕三层元数据树展开，实现了计算引擎与存储的完全解耦。
┌──────────────────────────────────────────────────────────┐ │ Iceberg 元数据架构 │ ├──────────────────────────────────────────────────────────┤ │ │ │ ┌────────────────────────┐ │ │ │ Catalog │ (记录当前 metadata 指针) │ │ │ table -> metadata ptr │ │ │ └───────────┬────────────┘ │ │ │ │ │ ▼ │ │ ┌────────────────────────┐ │ │ │ Metadata File (.json)│ (Schema/Partition/Snapshot) │ │ │ ┌──────────────────┐ │ │ │ │ │ Snapshot List │ │ │ │ │ │ snap-1 -> mlist-1 │ │ │ │ │ │ snap-2 -> mlist-2 │ │ │ │ │ └──────────────────┘ │ │ │ └───────────┬────────────┘ │ │ │ │ │ ▼ │ │ ┌────────────────────────┐ │ │ │ Manifest List (.avro) │ (本次快照包含哪些 manifest) │ │ │ manifest-1.avro │ │ │ │ manifest-2.avro │ │ │ └───────────┬────────────┘ │ │ │ │ │ ▼ │ │ ┌────────────────────────┐ │ │ │ Manifest File (.avro) │ (数据文件列表 + 统计信息) │ │ │ >四、Apache Paimon 架构Paimon 的核心设计基于LSM Tree存储结构，原生支持流式写入与 Changelog 生产。
┌──────────────────────────────────────────────────────────────┐ │ Paimon 表架构 │ ├──────────────────────────────────────────────────────────────┤ │ │ │ Table │ │ ├── Partition (可选) │ │ │ ├── Bucket 0 │ │ │ │ └── LSM Tree │ │ │ │ ├── Level 0: [sorted-run] [sorted-run] │ │ │ │ ├── Level 1: [sorted-run] │ │ │ │ ├── Level 2: [sorted-run] │ │ │ │ └── ... │ │ │ ├── Bucket 1 │ │ │ │ └── LSM Tree │ │ │ └── ... │ │ └── ... │ │ │ │ ┌───────────────────────────────────────────────────┐ │ │ │ Snapshot 管理 │ │ │ │ snapshot-1 -> manifest-list -> manifests -> files│ │ │ │ snapshot-2 -> ... │ │ │ └───────────────────────────────────────────────────┘ │ │ │ │ ┌───────────────────────────────────────────────────┐ │ │ │ Changelog 生产 │ │ │ │ +I / -U / +U / -D (完整 CDC 语义) │ │ │ └───────────────────────────────────────────────────┘ │ │ │ └──────────────────────────────────────────────────────────────┘
- LSM Tree 存储：数据先写入内存（MemTable），flush 到 Level 0 形成 sorted-run，后台 Compaction 逐层合并。这种结构天然适合高频写入。
- Merge Engine：Primary Key Table 支持多种合并策略：
Merge Engine
行为
适用场景
deduplicate
保留最新记录
去重入湖
partial-update
多流字段级合并
宽表拼接
aggregation
聚合计算（sum/max/min等）
预聚合
first-row
保留首条记录
去重保留最早
- Changelog 生产：Paimon 可在 Compaction 时生成完整的 changelog（+I/-U/+U/-D），下游 Flink 作业可直接消费，无需依赖 Kafka 作为中间层。
- 流式读取：支持 Streaming Read，Flink 作业可持续消费表的增量变更，实现湖上流处理。
五、核心特性对比
1.特性矩阵
特性维度
Hudi
Iceberg
Paimon
ACID 事务
✅ 基于 Timeline
✅ 基于 Snapshot
✅ 基于 Snapshot
Upsert 能力
✅ 索引驱动，高效
✅ Merge-on-Read / COW
✅ LSM Tree 原生支持
增量查询
✅ 增量 Pull 模型
✅ Incremental Scan
✅ Streaming Read
Time Travel
✅
✅
✅
Schema Evolution
✅
✅（最完善）
✅
Partition Evolution
❌
✅（独有优势）
❌
Hidden Partitioning
❌
✅
❌
Changelog 生产
⚠️ CDC 格式需额外配置
❌ 需外部工具
✅ 原生支持
流式 Sink
✅ Flink/Spark
✅ Flink/Spark
✅ Flink 原生最优
流式 Source
⚠️ 支持但非核心路径
⚠️ 支持但有限制
✅ 原生 Streaming Read
存储结构
File Group (Base+Log)
扁平数据文件
LSM Tree
小文件治理
Clustering + Compaction
Compaction + Rewrite
Compaction（自动）
引擎兼容性
Spark/Flink/Hive/Presto/Trino
Spark/Flink/Trino/Presto/Dremio/StarRocks 等
Flink（最佳）/Spark/Hive/Trino
2.写入流程对比
┌─────────────── 写入流程对比 ──────────────────────────────┐ │ │ │ 【Hudi COW】 │ │ Record → Index Lookup → 定位 File Group → 读取原文件 │ │ → 合并 → 写入新 Base File → 更新 Timeline │ │ │ │ 【Hudi MOR】 │ │ Record → Index Lookup → 定位 File Group → 追加 Log File │ │ → 更新 Timeline (后台异步 Compaction 合并到 Base File) │ │ │ │ 【Iceberg COW】 │ │ Record → 写入新 Data File → 生成新 Manifest │ │ → 生成新 Manifest List → 生成新 Snapshot → 原子提交 │ │ │ │ 【Iceberg MOR (v2)】 │ │ Delete → 写入 Delete File (position/equality) │ │ → 读取时合并 Data File + Delete File │ │ │ │ 【Paimon Primary Key Table】 │ │ Record → Hash 到 Bucket → 写入 MemTable │ │ → Flush 到 Level 0 → 后台 Compaction 合并各层 │ │ → 生成 Changelog → 更新 Snapshot │ │ │ └───────────────────────────────────────────────────────────┘
3.读取流程对比
快照读
增量读
流式读
Hudi
读取最新 commit 的文件（MOR 需 merge）
指定 beginTime/endTime 范围
Flink Source 持续拉取
Iceberg
读取指定 Snapshot 对应的文件
对比两个 Snapshot 的差异文件
Flink Source 监控新 Snapshot
Paimon
读取最新 Snapshot
读取两个 Snapshot 间的 changelog
Flink Source 持续消费 changelog
六、场景选型建议
┌────────────────────────────────────────────────────────────────┐ │ 场景匹配推荐 │ ├────────────────────────────────────────────────────────────────┤ │ │ │ CDC 增量入湖 (MySQL/PG binlog → 湖) │ │ ├── 推荐: Hudi ★★★ (索引驱动 Upsert, 成熟的 CDC 生态) │ │ ├── 可选: Paimon ★★☆ (LSM 天然适合高频写入) │ │ └── 一般: Iceberg ★★☆ (v2 支持但 Upsert 效率相对偏弱) │ │ │ │ 实时流式数仓 (Flink 流处理链路) │ │ ├── 推荐: Paimon ★★★ (原生 Changelog, 流读写最优) │ │ ├── 可选: Hudi ★★☆ (MOR + Flink 可用) │ │ └── 一般: Iceberg ★★☆ (Flink 集成持续改进中) │ │ │ │ 大规模批处理分析 (多引擎 Ad-hoc 查询) │ │ ├── 推荐: Iceberg ★★★ (引擎无关, 元数据管理强) │ │ ├── 可选: Hudi ★★☆ (COW 表读取性能好) │ │ └── 一般: Paimon ★★☆ (非 Flink 引擎支持在追赶中) │ │ │ │ 多流拼接宽表 (多数据源字段级合并) │ │ ├── 推荐: Paimon ★★★ (partial-update merge engine) │ │ ├── 可选: Hudi ★★☆ (Payload 自定义合并) │ │ └── 一般: Iceberg ★☆☆ (需应用层处理) │ │ │ │ 数据湖上的维表 Join │ │ ├── 推荐: Paimon ★★★ (原生 Lookup Join 优化) │ │ ├── 可选: Hudi ★★☆ (支持但配置复杂) │ │ └── 一般: Iceberg ★★☆ (需额外缓存机制) │ │ │ └────────────────────────────────────────────────────────────────┘