在 Lakehouse 架构中，数据通常以开放湖格式（如 Iceberg）存放在对象存储中，并由 Spark、Flink、Trino、Apache Doris 等计算引擎共同管理和访问。这是一套天然的存算分离架构，并且同一份开放数据可以服务于不同的计算场景。
但数据开放，并不意味着操作链路已经统一。围绕同一张 Iceberg 表，之前的分工往往是这样的：Iceberg 做表格式，Spark 负责管理（写入、修改、维护），Doris 负责查询。
这套分工的代价不在性能，而在链路。
假设一名数据工程师在 Doris 中发现某个批次的一条记录存在错误。修复本身可能只需要一条 UPDATE，但他仍需编写 Spark 任务、调整调度配置、提交代码评审，再等待平台团队执行。数据修改只需几秒，整个流程却可能持续十几个小时。
表维护也是如此。CDC 数据持续小批量写入并伴随频繁更新或删除后，小文件和删除信息会逐渐累积。工程师即使知道可通过 rewrite_data_files 优化文件布局，也可能因操作依赖另一套平台，最终将一条 SQL 变成等待排期的跨团队任务。
问题不在于 Iceberg 不够开放，而在于围绕同一张表的查询、修改和维护被拆散在不同系统里——为了完整地操作一张 Iceberg 表，用户必须同时维护两套技术栈。
Apache Doris 4.1 要补齐的，正是缺失的那一半。在已有查询能力的基础上，Doris 进一步支持了 UPDATE、DELETE、MERGE INTO 等数据修改操作、完整的表结构管理与分区演进，以及 rewrite_data_files、expire_snapshots 等日常维护操作，并完整支持 Iceberg V3 格式。分工因此可以简化为：
Iceberg 做表格式，Doris 同时负责管理和查询。
用户在查询中定位到问题之后，可以继续在当前 SQL 上下文中修改数据、验证结果并完成后续维护，不必再为了改一行数据而切换到另一套系统。
Apache Doris 在 Iceberg 生态中的定位
此前，Doris 在 Iceberg 生态中主要承担实时查询角色。到了 Apache Doris 4.1，这一角色扩展为覆盖数据读取、修改、表结构演进和日常维护的完整生命周期。
目前支持的主要范围包括：
这并不意味着 Doris 要取代 Spark 或 Flink。Spark 擅长复杂的批处理与跨数据源 ETL，Flink 擅长持续的流式摄入与处理，Doris 擅长高并发、低延迟的实时分析。用户完全可以按照自己的技术栈，继续为每类任务选择最合适的引擎。
改变的是 Doris 的能力边界。过去，只要涉及对 Iceberg 表的任何修改——哪怕只是改一行数据、加一个字段、合一次小文件，用户都必须离开 Doris；现在，从数据查询、数据修改、增量合并，到表结构演进与文件维护，围绕 Iceberg 表的大部分日常工作都可以在 Doris 中直接完成。用户不再因为「Doris 改不了 Iceberg」这一条限制，被迫为同一张表搭起第二套系统。
本文将重点介绍其中两部分内容：Iceberg 表上的主要 DML 操作，以及支撑这些操作长期可用的 Iceberg V3 能力。
在 Doris 中修改 Iceberg 表：DML 与 Iceberg V3
最直观的变化，是用户可以在当前 SQL 客户端中直接修改 Iceberg 数据。
例如，修正查询中发现的错误记录：
UPDATE iceberg_tbl
SET name = 'Alice-fixed'
WHERE id = 1;
删除错误写入的数据批次：
DELETE FROM iceberg_tbl
WHERE dt = '2026-04-01'
AND source = 'bad_pipeline';
对于 CDC 入湖或增量宽表场景，则可以通过 MERGE INTO 同时表达更新、删除和插入：
MERGE INTO iceberg_tbl t
USING incremental_data s
ON t.id = s.id
WHEN MATCHED AND s.flag = 'D' THEN
DELETE
WHEN MATCHED THEN
UPDATE SET
name = s.name,
age = s.age
WHEN NOT MATCHED THEN
INSERT (id, name, age)
VALUES (s.id, s.name, s.age);
Doris 支持 WHEN MATCHED THEN UPDATE、WHEN MATCHED THEN DELETE 和 WHEN NOT MATCHED THEN INSERT 等常见分支，也支持使用子查询作为数据源。
需要注意的是，Doris 的 UPDATE、DELETE 和 MERGE INTO 只作用于 format-version = 3 的 Iceberg 表（同时需要将 Doris 升级至 4.1 及以上版本）。因为决定这些 DML 能否长期可用的，从来不是「能不能执行」，而是「高频执行之后，这张表会变成什么样」。而这恰好是 Iceberg V3 要解决的问题。
Deletion Vector：让高频 DML 的代价不再累积
Iceberg V3 引入 Deletion Vector，使用位图记录数据文件中已经失效的行，并将相关信息存储在 Puffin 文件中。与为每次操作生成独立 Position Delete 文件不同，对同一数据文件产生的多次删除可以通过 Deletion Vector 统一表达：一个数据文件最多对应一个 Deletion Vector，查询时在扫描数据文件的过程中直接应用对应位图。
以连续执行两次更新和一次删除为例，V2 中的文件布局可能如下：
+---------+------------------------------------+--------------+
| content | file_path | record_count |
+---------+------------------------------------+--------------+
| 0 | .../data/00000-...parquet | 3 | <- data
| 1 | .../data/00001-...delete.parquet | 1 | <- pos delete
| 1 | .../data/00002-...delete.parquet | 1 | <- pos delete
| 1 | .../data/00003-...delete.parquet | 1 | <- pos delete
+---------+------------------------------------+--------------+
（在 content 列中，0 表示数据文件，1 表示位置删除文件）
在 V3 中，相同操作可以表现为一个数据文件和一个 Puffin 文件：
+---------+------------------------------------+--------------+
| content | file_path | record_count |
+---------+------------------------------------+--------------+
| 0 | .../data/00000-...parquet | 3 | <- data
| 1 | .../data/00000-dv.puffin | 3 | <- Deletion Vector
+---------+------------------------------------+--------------+
删除信息的文件数量，因此从「随修改次数线性增长」变成「与数据文件数量同阶」，这会直接反映在文件数、存储空间和查询开销上。在原文给出的测试环境和数据布局下，结果如下：
- 在 16 个数据文件上分多次删除 20% 的数据后，V2 需要处理 16 个数据文件和 320 个删除文件，共 336 个文件；V3 则只需要处理 16 个数据文件和一个 Puffin 文件。
- 在一亿行、99% 数据被删除的场景中，V2 的删除信息占用约 98 MiB，V3 仅使用一个约 3.8 MiB 的 Puffin 文件，存储空间下降约 96%。
在包含 16 个数据文件、共 100 万行的数据集上，不同删除比例下的查询结果如下：
在大文件且 99% 数据被删除的测试中，V3 的查询时间约为 V2 的三分之一。
这些结果说明，在测试覆盖的工作负载中，Deletion Vector 能够显著减少删除文件数量与删除信息存储空间，并降低高删除比例下的读取成本。实际收益仍取决于数据规模、文件布局和查询方式。
Apache Doris 4.1 同时支持 Deletion Vector 的读取和写入，而这一点对用户是无感的：面对 format-version = 3 的 Iceberg 表，仍然使用普通的 DELETE、UPDATE 和 MERGE INTO 语法，Doris 会按照 V3 语义生成 Puffin 格式的删除信息，而不是继续堆积 Position Delete 文件。也就是说，前面那几条 DML 语句的代价，不会随着执行次数的增加而持续放大——这正是「在 Doris 里改 Iceberg」能够作为日常操作、而不只是一次性尝试的前提。
Row Lineage：识别真正发生变化的行
Deletion Vector 解决了频繁 DML 的物理开销，但增量同步还需要回答另一个问题：哪些行发生了真实变化？
Iceberg V3 为此增加了两个系统列：
_row_id：系统为每一行分配的稳定数值标识。_last_updated_sequence_number：该行最近一次修改对应的序列号。
这两个字段由系统自动维护，用户不能主动写入。初次插入数据时，每一行都会获得自己的 _row_id。当某条记录发生更新后，其 _row_id 保持不变，而 _last_updated_sequence_number 会更新为新的序列号。
Doris 4.1 支持读取这两个系统列，用户可以直接在 SQL 中观察行级变化。例如，创建一张 V3 表并插入三条数据：
CREATE TABLE users_v3 (
id INT, name STRING, email STRING
) PROPERTIES ('format-version' = '3');
SET show_hidden_columns = true;
-- Step 1: initial insert of 3 rows
INSERT INTO users_v3 VALUES
(1, 'Alice', 'alice@x.com'),
(2, 'Bob', 'bob@x.com'),
(3, 'Carol', 'carol@x.com');
SELECT id, name, email, _row_id, _last_updated_sequence_number FROM users_v3;
查询隐藏列后，可以看到每行的 Row ID 和序列号：
+----+-------+-------------+---------+-------------------------------+
| id | name | email | _row_id | _last_updated_sequence_number |
+----+-------+-------------+---------+-------------------------------+
| 1 | Alice | alice@x.com | 0 | 1 |
| 2 | Bob | bob@x.com | 1 | 1 |
| 3 | Carol | carol@x.com | 2 | 1 |
+----+-------+-------------+---------+-------------------------------+
更新 Bob 的邮箱后：
-- Step 2: update Bob's email
UPDATE users_v3 SET email = 'bob@newmail.com' WHERE id = 2;
SELECT id, name, email, _row_id, _last_updated_sequence_number FROM users_v3;
Bob 的 _row_id 仍然为 1，而 _last_updated_sequence_number 更新为 2；未被修改的 Alice 和 Carol 保持不变。
+----+-------+------------------+---------+-------------------------------+
| id | name | email | _row_id | _last_updated_sequence_number |
+----+-------+------------------+---------+-------------------------------+
| 1 | Alice | alice@x.com | 0 | 1 |
| 2 | Bob | bob@newmail.com | 1 | 2 | <-- SN++
| 3 | Carol | carol@x.com | 2 | 1 |
+----+-------+------------------+---------+-------------------------------+
假设下游系统已经处理完序列号 1 对应的数据，并将 1 保存为 Watermark。下一次获取增量数据时，可以查询 _last_updated_sequence_number 大于当前 Watermark 的记录：
SELECT
id,
name,
email,
_last_updated_sequence_number
FROM users_v3
WHERE _last_updated_sequence_number > :watermark;
+----+------+-----------------+-------------------------------+
| id | name | email | _last_updated_sequence_number |
+----+------+-----------------+-------------------------------+
| 2 | Bob | bob@newmail.com | 2 |
+----+------+-----------------+-------------------------------+
查询返回的是 Watermark 之后发生过修改的当前行状态。在该示例中，只有 Bob 会被返回，未发生变化的 Alice 和 Carol 不会出现在结果中。
即使在两次增量查询之间执行了 Compaction 或 rewrite_data_files，单纯的物理文件重写也不会更新 _last_updated_sequence_number，因此不会被识别为一次新的业务数据修改。
本次处理完成后，下游可以将返回结果中的最大序列号保存为新的 Watermark，供下一次查询使用。需要注意的是，这种方式用于识别哪些行在 Watermark 之后发生过变化，并不等同于返回完整的逐次变更事件。
以下是基于 Row Lineage 的增量行识别流程前后对比：
稳定的 _row_id 还可以与 Iceberg Time Travel 配合，用于在不同快照中定位同一条记录。例如，一条订单记录在多次更新后仍然保留相同的 _row_id，用户可以针对不同快照查询该 Row ID，以回看各阶段的记录状态。
但 Row Lineage 并不等同于完整的审计系统。它提供的是稳定的行标识和最近变更序列，修改人、修改原因、审批记录等业务审计信息，仍然需要由外部系统保存。
快速入门：五分钟体验 Doris + Iceberg V3
以下是一条从创建 Catalog 到验证 Deletion Vector 和 Row Lineage 的最简路径。
前置条件：
- Apache Doris 4.1.0 或更高版本（官网下载或从 Docker Hub 拉取
apache/doris:4.1.0）。 - 支持 Iceberg V3 的 Catalog。
- Doris BE 可以访问的对象存储，例如 S3、MinIO、OSS 或 HDFS。
第一步：创建 Iceberg Catalog。在任意已连接到 Doris FE 的 MySQL 协议客户端中执行以下 SQL：
CREATE CATALOG iceberg_v3 PROPERTIES (
'type' = 'iceberg',
'iceberg.catalog.type' = 'rest',
'uri' = 'http://your-rest-catalog:8181',
'warehouse' = 's3://your-bucket/warehouse',
's3.endpoint' = 'https://s3.us-west-2.amazonaws.com',
's3.access_key' = '<AK>',
's3.secret_key' = '<SK>',
's3.region' = 'us-west-2'
);
SWITCH iceberg_v3;
CREATE DATABASE IF NOT EXISTS demo;
USE demo;
第二步：创建 V3 表并执行 DML。
CREATE TABLE orders (
id INT, status STRING, amount DECIMAL(10,2)
) PROPERTIES ('format-version' = '3');
INSERT INTO orders VALUES (1,'pending',100), (2,'pending',200), (3,'pending',300);
UPDATE orders SET status = 'shipped' WHERE id = 1;
DELETE FROM orders WHERE id = 3;
第三步：验证 Deletion Vector 和 Row Lineage。
-- 检查是否生成 Puffin 格式的 Deletion Vector
SELECT content, file_path, record_count FROM orders$files;
-- 查看 Row Lineage 系统列
SET show_hidden_columns = true;
SELECT id, status, _row_id, _last_updated_sequence_number FROM orders;
如果结果中包含 _row_id 和 _last_updated_sequence_number 两个系统列，则说明当前 Catalog、Doris 和 Iceberg 表已经能够处理对应的 V3 行级信息。
第四步：尝试 MERGE INTO。
MERGE INTO orders t
USING (SELECT 1 AS id, 'delivered' AS status, 110 AS amount) s
ON t.id = s.id
WHEN MATCHED THEN UPDATE SET status = s.status, amount = s.amount
WHEN NOT MATCHED THEN INSERT (id, status, amount) VALUES (s.id, s.status, s.amount);
后续规划
Iceberg 生态仍在快速演进，Doris 对 Iceberg 的支持也会继续沿着「管理与查询收敛到同一套系统」这条主线推进。接下来有两项工作已经在设计开发中：
Iceberg Variant 类型的读写。Variant 是 Iceberg V3 引入的半结构化数据类型，用于在不预先定义完整 Schema 的情况下存储 JSON 类数据。Doris 自身已经具备成熟的 Variant 实现与相应的存储、查询加速能力，后续将把这部分能力对接到 Iceberg 表上，支持 Iceberg Variant 列的读取与写入，让日志、埋点、事件等半结构化数据也能直接在 Iceberg 上完成分析，而不必先做一轮打平和建模。
Iceberg 增量物化视图的支持。借助 V3 的 Row Lineage，两次刷新之间真正发生变化的行是可以被准确识别的。基于这一点，Doris 将支持构建在 Iceberg 表之上的增量物化视图：每次刷新只处理发生变化的数据，而不是全量重算，从而以更低的成本维持结果的新鲜度。这也让 Row Lineage 从一个「可以查询的系统列」，变成支撑上层增量计算的基础设施。
结束语
Apache Doris 4.1 将 Iceberg 支持从查询扩展到写入、修改和维护，使用户能够在同一个 SQL 上下文中完成问题定位、数据修正、结果验证和日常维护。对用户来说，最直接的变化是：为了完整地操作一张 Iceberg 表，不再需要同时维护两套系统。
Iceberg V3 是这条路径得以落地的基础。Deletion Vector 让高频 DML 不再持续累积删除文件与读取开销，Row Lineage 则提供了稳定的行标识和变更序列，让下游能够识别真正发生变化的数据。
Spark 和 Flink 依然承担各自擅长的大规模批处理与流式计算任务，这一点不会改变。改变的是 Doris 的能力边界：既然查询已经把用户带到了目标数据面前，接下来的修改、合并与维护，就不应该再迫使用户切换到另一套工具。Lakehouse 中围绕 Iceberg 的分工，正在从「Iceberg 做表格式 + Spark 管理 + Doris 查询」，走向「Iceberg 做表格式 + Doris 管理和查询」。
同时，欢迎体验 SelectDB，SelectDB 是基于 Apache Doris 打造的企业级实时数据仓库，提供更易用、更稳定的云服务与企业级能力
