Iceberg 过期快照和清理孤儿文件有什么区别？为什么不能按文件年龄直接删？
本文目录
面试怎么回答
我会区分快照过期和孤儿清理。前者移除不再保留的历史快照，并按引用关系处理文件；后者寻找表元数据未引用且超过安全时间的文件。当前快照、保留历史和分支标签都可能继续引用旧文件，所以不能按年龄直接删。清理前确认写入和长查询窗口、回滚要求、路径规范及候选范围，先预览审查，再使用与引擎版本匹配的维护能力。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
对象存储里有一批半年前的Parquet文件，能不能按修改时间删掉节省空间？如果它们仍被当前Iceberg快照引用，删完可能直接把表读坏。文件年龄说明创建得早，不说明已经没人使用。
文件是否可删取决于元数据引用与保留边界，不只取决于年龄；快照过期和孤儿清理针对不同对象。
历史快照与孤儿文件，不是同一个集合
历史快照是表元数据管理的一部分，描述某个版本的表状态。它可能仍然有价值，例如时间旅行、回滚或被保留引用使用。
孤儿文件则是存储中存在、但不被表当前元数据管理关系引用的文件。失败或中断的写入可能留下这类产物，但不能因此认为所有旧文件都是孤儿。
一份很老的数据文件可能长期被最新快照继续使用；一份很新的文件也可能是失败尝试留下的。年龄只是清理安全窗口的一项条件，不是引用状态的替代品。
快照过期释放的是历史保留范围
过期快照用于移除不再需要的历史版本；相关文件是否能删，还取决于它们是否仍被保留快照或其他有效引用需要。
因此“过期了很多快照”不意味着存储量一定按相同比例下降。多个快照可以共享文件，当前表仍然需要的文件不会仅因旧快照过期就变成可删除。
保留策略也要覆盖分支与标签。它们可能有自己的引用和保留要求，不能只盯着主分支最近一次提交时间。
孤儿清理为什么需要保守的时间窗口？
新写入的文件在提交前，可能已经存在于对象存储，但还没有进入已提交元数据。如果此时被清理器当成孤儿删掉，正在进行的写入就可能失败或产生破坏。
所以安全窗口至少要大于正常写入可能持续的时间，并考虑失败重试、长事务、维护任务和时钟误差。不能为了快速腾空间，把阈值调到几分钟前而不做风险评估。
官方维护文档也提醒，路径比较涉及字符串表示，协议和路径规范不一致可能产生危险误判。存储迁移或路径改写后，应先核对元数据路径与列举路径是否可正确对应。
一个典型场景：清理失败写入，却误伤正在提交的任务
比如团队看到目录里有新文件尚未出现在表查询结果中，认为都是失败任务遗留，使用很短的保留窗口进行清理。
随后一个运行较久的写入任务提交失败，检查发现它刚写好的文件已被清掉。最初怀疑对象存储偶发丢文件，根因却是清理与提交之间存在时间竞争。
旧验收只在没有并发写入的测试表运行清理，没有覆盖长时间写入。修复应恢复缺失数据并重新核对表状态，再扩大安全窗口、增加预览和候选审核。
真实环境的恢复需要依据实际快照、备份与文件状态处理，不能用“重跑一次”替代完整检查；本文不会把这个场景当作已执行的运维操作。
长查询与回滚，也属于保留需求
一个查询可能在开始时选定旧快照，随后持续读取。清理设计要考虑最长查询时间及读者保护机制，避免表新版本可读而在途旧查询失去需要的文件。
业务还可能要求能够回滚到昨日或某个发布版本。快照一旦过期并且文件被物理删除，不能仅靠记住快照编号把数据恢复回来。
实施时先确认表级范围和存储目录归属，使用版本匹配的维护接口查看候选，审查预期删除对象，再执行受控清理。共享目录尤其不能用粗粒度文件年龄规则扫过去。
验收不仅看释放多少空间，还要核对当前读取、约定的历史读取、并发写入和异常告警。清理的成功标准，是在不破坏保留承诺的前提下移除真正无用的内容。
资料与适用边界
机制以所链接版本为准；业务示例用于说明判断方法，不代表作者真实项目或已验证的生产性能。