Use o metastore do BigLake com tabelas no BigQuery

Este documento explica como usar o metastore do BigLake com tabelas do BigQuery e o Spark.

Com o metastore do BigLake, pode criar e usar tabelas padrão (incorporadas), tabelas do BigLake para o Apache Iceberg no BigQuery e tabelas externas do Apache Iceberg a partir do BigQuery.

Antes de começar

  1. Ative a faturação para o seu Google Cloud projeto. Saiba como verificar se a faturação está ativada num projeto.

  2. Ative as APIs BigQuery e Dataproc.

    Ative as APIs

  3. Opcional: compreenda como funciona o metastore do BigLake e por que motivo o deve usar.

Funções necessárias

Para receber as autorizações de que precisa para usar o Spark e o Dataproc com o metastore do BigLake como uma loja de metadados, peça ao seu administrador para lhe conceder as seguintes funções IAM:

Para mais informações sobre a atribuição de funções, consulte o artigo Faça a gestão do acesso a projetos, pastas e organizações.

Também pode conseguir as autorizações necessárias através de funções personalizadas ou outras funções predefinidas.

Ligue-se a uma mesa

  1. Crie um conjunto de dados na Google Cloud consola.

    CREATE SCHEMA `PROJECT_ID`.DATASET_NAME;

    Substitua o seguinte:

    • PROJECT_ID: o ID do projeto para criar o conjunto de dados. Google Cloud
    • DATASET_NAME: um nome para o conjunto de dados.

  2. Crie uma associação de recursos na nuvem.

  3. Crie uma tabela padrão do BigQuery.

    CREATE TABLE `PROJECT_ID`.DATASET_NAME.TABLE_NAME (name STRING,id INT64);

    Substitua o seguinte:

    • TABLE_NAME: um nome para a tabela.

  4. Inserir dados na tabela padrão do BigQuery.

    INSERT INTO `PROJECT_ID`.DATASET_NAME.TABLE_NAME VALUES ('test_name1', 123),('test_name2', 456),('test_name3', 789);

  5. Crie uma tabela do BigLake para o Apache Iceberg no BigQuery.

    Por exemplo, para criar uma tabela, execute a seguinte declaração CREATE.

    CREATE TABLE `PROJECT_ID`.DATASET_NAME.ICEBERG_TABLE_NAME(
name STRING,id INT64
)
WITH CONNECTION `CONNECTION_NAME`
OPTIONS (
file_format = 'PARQUET',
table_format = 'ICEBERG',
storage_uri = 'STORAGE_URI');

    Substitua o seguinte:

    • ICEBERG_TABLE_NAME: um nome para a sua tabela do BigLake para o Apache Iceberg no BigQuery. Por exemplo, iceberg_managed_table.
    • CONNECTION_NAME: o nome da sua associação. Criou este elemento no passo anterior. Por exemplo, myproject.us.myconnection.
    • STORAGE_URI: um URI do Cloud Storage totalmente qualificado. Por exemplo, gs://mybucket/table.

  6. Insira dados na tabela do BigLake para o Apache Iceberg no BigQuery.

    INSERT INTO `PROJECT_ID`.DATASET_NAME.ICEBERG_TABLE_NAME VALUES ('test_name1', 123),('test_name2', 456),('test_name3', 789);

  7. Crie uma tabela externa do Apache Iceberg.

    Por exemplo, para criar uma tabela externa do Iceberg, execute a seguinte declaração CREATE.

    CREATE OR REPLACE EXTERNAL TABLE  `PROJECT_ID`.DATASET_NAME.READONLY_ICEBERG_TABLE_NAME
WITH CONNECTION `CONNECTION_NAME`
OPTIONS (
  format = 'ICEBERG',
  uris =
    ['BUCKET_PATH'],
  require_partition_filter = FALSE);

    Substitua o seguinte:

    • READONLY_ICEBERG_TABLE_NAME: um nome para a sua tabela de só de leitura.
    • BUCKET_PATH: o caminho para o contentor do Cloud Storage que contém os dados da tabela externa, no formato ['gs://bucket_name/[folder_name/]file_name'].

  8. A partir do PySpark, consulte a tabela padrão, a tabela do BigLake para o Apache Iceberg no BigQuery e a tabela externa do Apache Iceberg.

    from pyspark.sql import SparkSession

# Create a spark session
spark = SparkSession.builder \
.appName("BigLake Metastore Iceberg") \
.config("spark.sql.catalog.CATALOG_NAME", "org.apache.iceberg.spark.SparkCatalog") \
.config("spark.sql.catalog.CATALOG_NAME.catalog-impl", "org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog") \
.config("spark.sql.catalog.CATALOG_NAME.gcp_project", "PROJECT_ID") \
.config("spark.sql.catalog.CATALOG_NAME.gcp_location", "LOCATION") \
.config("spark.sql.catalog.CATALOG_NAME.warehouse", "WAREHOUSE_DIRECTORY") \
.getOrCreate()
spark.conf.set("viewsEnabled","true")

# Use the blms_catalog
spark.sql("USE `CATALOG_NAME`;")
spark.sql("USE NAMESPACE DATASET_NAME;")

# Configure spark for temp results
spark.sql("CREATE namespace if not exists MATERIALIZATION_NAMESPACE");
spark.conf.set("materializationDataset","MATERIALIZATION_NAMESPACE")

# List the tables in the dataset
df = spark.sql("SHOW TABLES;")
df.show();

# Query the tables
sql = """SELECT * FROM DATASET_NAME.TABLE_NAME"""
df = spark.read.format("bigquery").load(sql)
df.show()

sql = """SELECT * FROM DATASET_NAME.ICEBERG_TABLE_NAME"""
df = spark.read.format("bigquery").load(sql)
df.show()

sql = """SELECT * FROM DATASET_NAME.READONLY_ICEBERG_TABLE_NAME"""
df = spark.read.format("bigquery").load(sql)
df.show()

    Substitua o seguinte:

    • WAREHOUSE_DIRECTORY: o URI da pasta do Cloud Storage que está associada à sua tabela Iceberg do BigLake no BigQuery e à sua tabela externa Iceberg.
    • CATALOG_NAME: o nome do catálogo que está a usar.
    • MATERIALIZATION_NAMESPACE: o namespace para armazenar resultados temporários.

  9. Execute o script PySpark através do Serverless Spark.

    gcloud dataproc batches submit pyspark SCRIPT_PATH \
  --version=2.2 \
  --project=PROJECT_ID \
  --region=REGION \
  --deps-bucket=YOUR_BUCKET \

    Substitua o seguinte:

    • SCRIPT_PATH: o caminho para o script que a tarefa em lote usa.
    • PROJECT_ID: o ID do Google Cloud projeto no qual executar o trabalho em lote.
    • REGION: a região onde a sua carga de trabalho é executada.
    • YOUR_BUCKET: a localização do contentor do Cloud Storage para carregar dependências da carga de trabalho. O prefixo de URI gs:// do contentor não é obrigatório. Pode especificar o caminho ou o nome do contentor, por exemplo, mybucketname1.

O que se segue?