概述

Apache Paimon 介绍

Apache Paimon 是 Apache 软件基金会旗下的流批一体湖仓存储项目（原 Flink Table Store，2023 年进入 Apache 孵化器，2025 年毕业为顶级项目）。

它的核心定位是：在数据湖（HDFS / S3 / OSS / MinIO）之上，提供一个支持更新/删除、主键约束、CDC 入湖、快照回溯、流批一体读写的开放表格式——解决传统数据湖（Hive Text/Parquet/ORC）不支持实时 Upsert、小文件多、入湖链路复杂等痛点。

Paimon 在湖仓架构里的位置

典型的湖仓一体分层中，Paimon 通常承担 ODS / DWD / DWS 这三层的存储（ADS 层可选走 StarRocks / Doris / ClickHouse 做加速）：

┌────────────────────────────────────────────────────────────────────┐
│                          湖仓一体分层架构                            │
├──────────┬──────────┬──────────┬──────────┬────────────────────────┤
│   ODS    │   DWD    │   DWS    │   ADS    │      元数据 / 权限      │
│ 原始贴源  │ 明细清洗  │ 主题汇总  │ 应用集市  │   Hive Metastore       │
│ Paimon   │ Paimon   │ Paimon   │ StarRocks│   (Paimon 直接复用 HMS) │
│ (主键表) │ (主键表) │(汇总宽表) │ / Doris  │                        │
├──────────┴──────────┴──────────┴──────────┴────────────────────────┤
│                    底层湖存储：HDFS / S3 / OSS / MinIO               │
└────────────────────────────────────────────────────────────────────┘
         ▲                    ▲                     ▲
         │                    │                     │
    Flink CDC 入湖       Flink SQL 加工       BI 直查 / 联邦查询

Paimon 对比 Hive / Iceberg / Hudi（选型速记）

能力	Hive (Parquet/ORC)	Apache Iceberg	Apache Hudi	Apache Paimon
主打场景	纯离线数仓（T+1）	数据湖批处理 + 分析	CDC 入湖（偏 MOR/COW 选型）	流批一体 + Flink 生态原生，CDC 入湖 + 实时明细
Flink 流式写	❌（只能写小批量，小文件爆炸）	⭕（社区版流式写支持弱）	⭕（需要配 DFS 或 Hudi Streamer）	✅ 原生支持：连续 Checkpoint + 自动 Compaction + Changelog 产生
主键 Upsert / Delete	❌（只能 Insert Overwrite 全量重写）	✅（Merge On Read 性能较弱）	✅（MOR 性能好）	✅ 原生强约束主键表，LSM 结构写放大低
Changelog（下游可流读）	❌	⭕（增量读实现较复杂）	⭕（MOR 增量可用）	✅ 一等公民：Flink CDC → Paimon → Flink 下游，整条链路全是流
流批一体读写	❌（批为主，流写是硬伤）	⭕（批为主）	⭕（批+准实时）	✅ 同一张表：Flink Streaming 写 / Flink Batch 读 / Spark 批读 / Trino 即席读 全部打通
小文件治理	❌（自己写脚本合并）	✅（定期 Rewrite 进程）	✅（Clustering / Compaction）	✅ 写入时异步/同步自动 Compaction，流式作业无需外部调度
Flink SQL 语法对齐度	⭕（还要动 InputFormat）	⭕（Flink Catalog 一般）	⭕（Flink Catalog 一般）	✅ Flink 社区 PMC 直接背书维护，Paimon Catalog 和 Flink 无缝集成，Flink SQL 原封不动就能跑
Hive Metastore 集成	✅（原生）	✅	✅	✅（直接复用现有 HMS，不用再部署 Paimon 自己的元数据服务）
项目发起方 / 生态	Apache Hive（老社区）	Netflix / Apple / Snowflake 联合发起	Uber / AWS 发起	Flink 社区亲自孵化（原 Flink Table Store），阿里/字节/快手/AWS 深度贡献

一句话选型建议：如果你的计算引擎里 Flink 占比很高（尤其是做 Flink CDC + 实时数仓），又想同时支持离线批处理和 BI 查询，选 Paimon 是最顺滑、踩坑最少的。

核心特性（湖仓落地最看重的 9 个）

1. 主键表 + LSM 存储引擎：支持基于主键的高效 Upsert/Delete，写放大比 Hudi MOR 更低，适合 CDC 入湖场景。
2. Append-only 表：日志/埋点无需更新的场景，用 Append-only 表配合可选 sequence.field 做到乱序去重。
3. 完整快照管理 + 时间旅行：每次提交生成快照（Snapshot），可按快照 ID / 时间戳回溯查询；TAG 功能可长期保留关键时间点。
4. Changelog 生产器一等公民：changelog-producer 可设为 input / full-compaction / lookup，下游 Flink / Doris / StarRocks 能直接流读 Paimon 的变更。
5. 自动 Compaction（流式写入时的小文件克星）：写入 Checkpoint 后后台自动合并小文件，无需再跑单独的 Spark/Hive SQL 合并脚本，降低运维成本。
6. Sort Key + Z-Order + Clustering：支持按常用过滤/Join 字段做排序和聚簇，BI 查询性能可比 Hive 提升 5~50 倍。
7. Bucket 弹性变更：bucket = -1（动态 bucket）可以在数据量增大后自动分裂，避免一开始估错 bucket 数导致后期数据倾斜。
8. 多引擎互通：Flink / Spark / Hive / Trino / Presto / Doris / StarRocks / SeaTunnel 全部支持同一张表读写，真正湖仓一致。
9. Hive Metastore 无缝复用：现有数仓的 HMS 直接能用，Paimon 表对 Hive 来说就是普通的 External Table（STORED BY），迁移成本极低。

适用场景

场景	Paimon 怎么用	价值
Flink CDC 一键入湖	MySQL/PostgreSQL/Oracle → Flink CDC → Paimon ODS 层（主键表）	原来需要 Kafka + Hudi + 合并脚本的 3 跳，变 1 跳直接入湖，链路缩短一半
实时明细 DWD	日志 / 埋点 / 业务明细实时清洗后写入 Paimon DWD 主键表	下游 Flink 作业无需再读 Kafka，可以直接流读 Paimon 的 changelog，做到"湖也是消息队列"
T+0 准实时汇总	按分钟/小时级 Flink 聚合写 Paimon DWS 汇总表	同时支持 BI 工具分钟级更新，也支持 Spark 批跑 T+1 全量补数
数据修正 / Erase 合规删除	按主键 Delete，或按分区 + 条件 Update	GDPR、个人信息擦除场景下，无需 INSERT OVERWRITE 整分区重写
历史回溯 / 数据调试	VERSION AS OF / TIMESTAMP AS OF / TAG	数据口径回滚、对账、A/B 对比非常方便
与 StarRocks/Doris 构建湖仓加速层	Paimon 存 ODS/DWD/DWS，StarRocks/Doris 做外部表/外表联邦查或物理导入 ADS	冷热分层：冷数据存在便宜的对象存储，热数据放到 OLAP 引擎加速

典型版本与依赖速查表

Paimon 版本	推荐 Flink 版本	推荐 Spark 版本	推荐 Hive 版本
Paimon 2.0 (stable, 推荐)	Flink 1.20.x / 1.19.x（配合 Paimon Flink 1.20 Bundled Jar）	Spark 3.5.x（配合 Paimon Spark 3.5 Bundled Jar）	Hive 3.1.x
Paimon 0.9.x	Flink 1.18.x / 1.19.x	Spark 3.4.x / 3.5.x	Hive 3.1.x
Paimon 0.8.x	Flink 1.17.x / 1.18.x	Spark 3.3.x / 3.4.x	Hive 3.1.x
Paimon 0.7.x	Flink 1.16.x / 1.17.x	Spark 3.2.x / 3.3.x	Hive 3.1.x

HiDataPlus HDP 3.3.2 自带的是 Flink 1.15.x / Spark 3.1.x，做 Paimon 2.0 不兼容。所以必须独立安装 Flink 1.20（推荐路径 /home/bigdata/module/flink-1.20，别覆盖 HDP 自带版本）；Spark 相关的先不写，后面单独补；Hive 3.1.0 完美复用 HDP 自带的 Hive Metastore（thrift://master1:9083），不用改。

配合作业管理平台：推荐独立安装 StreamPark 2.2.x 到 /home/bigdata/module/streampark，端口 10001（与 Ambari 自带的 StreamPark 端口 10000 区分开），部署完 Flink 1.20 后在 StreamPark 页面里把 Flink Home 指向 /home/bigdata/module/flink-1.20，就能按 StreamPark Quick Start 的方式提交 Flink SQL / JAR 作业。