Criar uma tabela Apache Iceberg com metadados no metastore do BigLake

Neste documento, mostramos como executar cargas de trabalho em lote sem servidor para Apache Spark SQL e PySpark para criar uma tabela do Apache Iceberg com metadados armazenados no metastore do BigLake. Para informações sobre outras maneiras de executar código Spark, consulte Executar código PySpark em um notebook do BigQuery e Executar uma carga de trabalho do Apache Spark

Antes de começar

Se ainda não tiver feito isso, crie um Google Cloud projeto e um bucket do Cloud Storage.

  1. Configurar seu projeto

    1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

    2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

      Go to project selector

    3. Enable the Dataproc, BigQuery, and Cloud Storage APIs.

      Enable the APIs

    4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

      Go to project selector

    5. Enable the Dataproc, BigQuery, and Cloud Storage APIs.

      Enable the APIs

      6.

    6. Crie um bucket do Cloud Storage no seu projeto.

      1. In the Google Cloud console, go to the Cloud Storage Buckets page.

        Go to Buckets

      2. Click Create.
      3. On the Create a bucket page, enter your bucket information. To go to the next step, click Continue.
        1. In the Get started section, do the following:
          • Enter a globally unique name that meets the bucket naming requirements.
          • To add a bucket label, expand the Labels section (), click Add label, and specify a key and a value for your label.
        2. In the Choose where to store your data section, do the following:
          1. Select a Location type.
          2. Choose a location where your bucket's data is permanently stored from the Location type drop-down menu.
          3. To set up cross-bucket replication, select Add cross-bucket replication via Storage Transfer Service and follow these steps:

            Set up cross-bucket replication

            1. In the Bucket menu, select a bucket.

            2. In the Replication settings section, click Configure to configure settings for the replication job.

              The Configure cross-bucket replication pane appears.

              • To filter objects to replicate by object name prefix, enter a prefix that you want to include or exclude objects from, then click Add a prefix.
              • To set a storage class for the replicated objects, select a storage class from the Storage class menu. If you skip this step, the replicated objects will use the destination bucket's storage class by default.
              • Click Done.
        3. In the Choose how to store your data section, do the following:
          1. Select a default storage class for the bucket or Autoclass for automatic storage class management of your bucket's data.
          2. To enable hierarchical namespace, in the Optimize storage for data-intensive workloads section, select Enable hierarchical namespace on this bucket.
        4. In the Choose how to control access to objects section, select whether or not your bucket enforces public access prevention, and select an access control method for your bucket's objects.
        5. In the Choose how to protect object data section, do the following:
          • Select any of the options under Data protection that you want to set for your bucket.
            • To enable soft delete, click the Soft delete policy (For data recovery) checkbox, and specify the number of days you want to retain objects after deletion.
            • To set Object Versioning, click the Object versioning (For version control) checkbox, and specify the maximum number of versions per object and the number of days after which the noncurrent versions expire.
            • To enable the retention policy on objects and buckets, click the Retention (For compliance) checkbox, and then do the following:
              • To enable Object Retention Lock, click the Enable object retention checkbox.
              • To enable Bucket Lock, click the Set bucket retention policy checkbox, and choose a unit of time and a length of time for your retention period.
          • To choose how your object data will be encrypted, expand the Data encryption section (), and select a Data encryption method.
      4. Click Create.

    7. Conceda o papel de Editor de dados do BigQuery (roles/bigquery.dataEditor) à conta de serviço padrão do Compute Engine, PROJECT_NUMBER[email protected]. Para mais instruções, consulte Conceder um único papel.

      Exemplo da Google Cloud CLI:

      gcloud projects add-iam-policy-binding PROJECT_ID \
    --member PROJECT_NUMBER[email protected] \
--role roles/bigquery.dataEditor

      Observações:

      • PROJECT_ID e PROJECT_NUMBER estão listados na seção Informações do projeto no Google Cloud painel .

      8. Mapeamento de recursos do OSS para recursos do BigQuery

      Observe o seguinte mapeamento entre termos de recursos de código aberto e do BigQuery:

      Recurso do OSS Recurso do BigQuery
      Namespace, banco de dados Conjunto de dados
      Tabela particionada ou não particionada Tabela
      Ver Ver

      Criar uma tabela do Iceberg

      Nesta seção, mostramos como criar uma tabela do Iceberg com metadados no metastore do BigLake usando o Serverless para Apache Spark, o Spark SQL e as cargas de trabalho em lote do PySpark.

      Spark SQL

      Executar uma carga de trabalho do Spark SQL para criar uma tabela Iceberg

      As etapas a seguir mostram como executar uma carga de trabalho em lote do Spark SQL do Serverless para Apache Spark para criar uma tabela do Iceberg com metadados armazenados no metastore do BigLake.

      1. Copie os seguintes comandos do Spark SQL localmente ou no Cloud Shell em um arquivo iceberg-table.sql.

        USE CATALOG_NAME;
CREATE NAMESPACE IF NOT EXISTS example_namespace;
DROP TABLE IF EXISTS example_table;
CREATE TABLE example_table (id int, data string) USING ICEBERG LOCATION 'gs://BUCKET/WAREHOUSE_FOLDER';
INSERT INTO example_table VALUES (1, 'first row');
ALTER TABLE example_table ADD COLUMNS (newDoubleCol double);
DESCRIBE TABLE example_table;

        Substitua:

        • CATALOG_NAME: nome do catálogo do Iceberg.
        • BUCKET e WAREHOUSE_FOLDER: bucket e pasta do Cloud Storage usados como diretório do data warehouse do Iceberg.

      2. Execute o comando a seguir localmente ou no Cloud Shell no diretório que contém iceberg-table.sql para enviar a carga de trabalho do Spark SQL. 

        gcloud dataproc batches submit spark-sql iceberg-table.sql \
    --project=PROJECT_ID \
    --region=REGION \
    --deps-bucket=BUCKET_NAME \
    --version=2.2 \
    --subnet=SUBNET_NAME \
    --properties="spark.sql.catalog.CATALOG_NAME=org.apache.iceberg.spark.SparkCatalog,spark.sql.catalog.CATALOG_NAME.catalog-impl=org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog,spark.sql.catalog.CATALOG_NAME.gcp_project=PROJECT_ID,spark.sql.catalog.CATALOG_NAME.gcp_location=LOCATION,spark.sql.catalog.CATALOG_NAME.warehouse=gs://BUCKET/WAREHOUSE_FOLDER"

        Observações:

        • PROJECT_ID: o ID do projeto do Google Cloud . Os IDs do projeto estão listados na seção Informações do projeto no Google Cloud painel do console.
        • REGION: uma região do Compute Engine disponível para executar a carga de trabalho.
        • BUCKET_NAME: o nome do bucket do Cloud Storage. O Spark faz upload das dependências da carga de trabalho para uma pasta /dependencies nesse bucket antes de executar a carga de trabalho em lote. O WAREHOUSE_FOLDER está localizado neste bucket.
        • --version:versão 2.2 ou mais recente do ambiente de execução sem servidor para Apache Spark.
        • SUBNET_NAME: o nome de uma sub-rede VPC em REGION. Se você omitir essa flag, o Serverless para Apache Spark vai selecionar a sub-rede default na região da sessão. O Serverless para Apache Spark ativa o Acesso privado do Google (PGA) na sub-rede. Para requisitos de conectividade de rede, consulte Google Cloud Configuração de rede do Serverless para Apache Spark.
        • LOCATION: um local do BigQuery compatível. O local padrão é "US".
        • --properties Propriedades do catálogo.

      3. Ver metadados da tabela no BigQuery

        1. No console Google Cloud , acesse a página BigQuery.

          Acessar o BigQuery Studio

        2. Ver metadados da tabela Iceberg.

      PySpark

      As etapas a seguir mostram como executar uma carga de trabalho em lote do PySpark sem servidor para Apache Spark e criar uma tabela do Iceberg com metadados armazenados no metastore do BigLake.

      1. Copie o seguinte código PySpark localmente ou no Cloud Shell em um arquivo iceberg-table.py. 
        from pyspark.sql import SparkSession
spark = SparkSession.builder.appName("iceberg-table-example").getOrCreate()

catalog = "CATALOG_NAME"
namespace = "NAMESPACE"

spark.sql(f"USE `{catalog}`;")
spark.sql(f"CREATE NAMESPACE IF NOT EXISTS `{namespace}`;")
spark.sql(f"USE `{namespace}`;")

# Create table and display schema
spark.sql("DROP TABLE IF EXISTS example_iceberg_table")
spark.sql("CREATE TABLE example_iceberg_table (id int, data string) USING ICEBERG") 
spark.sql("DESCRIBE example_iceberg_table;")

# Insert table data.
spark.sql("INSERT INTO example_iceberg_table VALUES (1, 'first row');")

# Alter table, then display schema. 
spark.sql("ALTER TABLE example_iceberg_table ADD COLUMNS (newDoubleCol double);")
spark.sql("DESCRIBE example_iceberg_table;")

        Substitua:

        • CATALOG_NAME e NAMESPACE: o nome do catálogo e o namespace do Iceberg se combinam para identificar a tabela do Iceberg (catalog.namespace.table_name).
      2. Execute o comando a seguir localmente ou no Cloud Shell no diretório que contém iceberg-table.py para enviar a carga de trabalho do PySpark. 
        gcloud dataproc batches submit pyspark iceberg-table.py \
    --project=PROJECT_ID \
    --region=REGION \
    --deps-bucket=BUCKET_NAME \
    --version=2.2 \
    --subnet=SUBNET_NAME \
    --properties="spark.sql.catalog.CATALOG_NAME=org.apache.iceberg.spark.SparkCatalog,spark.sql.catalog.CATALOG_NAME.catalog-impl=org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog,spark.sql.catalog.CATALOG_NAME.gcp_project=PROJECT_ID,spark.sql.catalog.CATALOG_NAME.gcp_location=LOCATION,spark.sql.catalog.CATALOG_NAME.warehouse=gs://BUCKET/WAREHOUSE_FOLDER"

        Observações:

        • PROJECT_ID: o ID do projeto do Google Cloud . Os IDs do projeto estão listados na seção Informações do projeto no painel do console Google Cloud .
        • REGION: uma região do Compute Engine disponível para executar a carga de trabalho.
        • BUCKET_NAME: o nome do bucket do Cloud Storage. O Spark faz upload das dependências da carga de trabalho para uma pasta /dependencies nesse bucket antes de executar a carga de trabalho em lote.
        • --version:versão 2.2 ou mais recente do ambiente de execução sem servidor para Apache Spark.
        • SUBNET_NAME: o nome de uma sub-rede VPC no REGION. Se você omitir essa flag, o Serverless para Apache Spark vai selecionar a sub-rede default na região da sessão. O Serverless para Apache Spark ativa o Acesso privado do Google (PGA) na sub-rede. Para requisitos de conectividade de rede, consulte Configuração de rede doGoogle Cloud Serverless para Apache Spark.
        • LOCATION: um local do BigQuery compatível. O local padrão é "US".
        • BUCKET e WAREHOUSE_FOLDER: bucket e pasta do Cloud Storage usados como diretório do data warehouse do Iceberg.
        • --properties: propriedades do catálogo.
      3. Visualizar o esquema da tabela no BigQuery.
        1. No console Google Cloud , acesse a página BigQuery. Acessar o BigQuery Studio
        2. Ver metadados da tabela Iceberg.