在流数据处理场景中，Apache Iceberg 与 Flink 集成时，Iceberg 提供了哪些核心能力来支持流式写入和读取？请具体说明其实现机制。

回答思路

1. 【回答框架 1】Iceberg 通过 Flink 的 DataStream API 或 Table API 集成，支持流式写入，利用 Iceberg 的 ACID 事务和快照隔离保证数据一致性，写入时通过 Flink 的 Checkpoint 机制实现精确一次语义（exactly-once）。
2. 【回答框架 2】流式读取方面，Iceberg 支持 Flink 作为流式源，通过监控 Iceberg 表的新快照来增量读取数据，结合 Iceberg 的增量快照机制，实现从指定快照或时间点消费新数据。
3. 【回答框架 3】Iceberg 支持以 upsert 方式处理流式数据，通过主键或 equality delete 文件实现更新和删除，确保流式写入的数据能够被正确合并，支持流式数据湖的实时更新场景。
4. 【回答框架 4】集成时需配置 Iceberg 的 Flink connector，包括 catalog、表格式、以及写入和读取相关参数，如写入的分区策略、文件格式（Parquet/ORC）和压缩，读取时的监控间隔和快照行为。
5. 【回答框架 5】为确保流式处理的端到端一致性，需结合 Flink 的 Checkpoint 和 Iceberg 的事务机制，避免数据重复或丢失，同时留意小文件问题，通过 Iceberg 的压缩或提交策略进行优化。
6. 【关键点 1】Iceberg 与 Flink 集成支持流式写入，利用 Checkpoint 提供 exactly-once 语义。
7. 【关键点 2】流式读取通过监控新快照增量消费数据，无需依赖 Kafka 等消息队列即可实现流式读取。
8. 【关键点 3】支持 upsert 和 delete 操作，通过 equality delete 文件实现流式更新。
9. 【关键点 4】集成需配置 Flink connector 和 catalog，并关注提交间隔和文件大小优化。
10. 【关键点 5】端到端一致性依赖 Flink Checkpoint 和 Iceberg 事务机制，确保数据准确性。
11. 【易错点 1】仅依赖 Iceberg 的 ACID 不能保证流式处理的端到端一致性，必须配合 Flink Checkpoint 才能实现 exactly-once。
12. 【易错点 2】流式写入可能产生大量小文件，未及时压缩会影响查询性能，需合理设置提交频率和文件大小阈值。
13. 【易错点 3】流式读取时若选择全表快照扫描，可能消耗大量资源，应使用增量读取并指定起始快照或时间戳。