Crea set di dati federati AWS Glue

Questo documento descrive come creare un set di dati federato in BigQuery collegato a un database esistente in AWS Glue.

Un set di dati federato è una connessione tra BigQuery e un'origine dati esterna a livello del set di dati. Le tabelle in un set di dati federato vengono compilate automaticamente dalle tabelle nell'origine dati esterna corrispondente. Puoi eseguire query su queste tabelle direttamente in BigQuery, ma non puoi apportare modifiche, aggiunte o eliminazioni. Tuttavia, tutti gli aggiornamenti apportati all'origine dati esterna si riflettono automaticamente in BigQuery.

Prima di iniziare

Assicurati di avere una connessione per accedere ai dati di AWS Glue.

  • Per creare o modificare una connessione, segui le istruzioni in Connettersi ad Amazon S3. Quando crei la connessione, includi la seguente istruzione del criterio per AWS Glue nel criterio AWS Identity and Access Management per BigQuery. Includi questa istruzione, oltre alle altre autorizzazioni sul bucket Amazon S3 in cui sono archiviati i dati nelle tabelle AWS Glue.

    {
 "Effect": "Allow",
 "Action": [
   "glue:GetDatabase",
   "glue:GetTable",
   "glue:GetTables",
   "glue:GetPartitions"
 ],
 "Resource": [
   "arn:aws:glue:REGION:ACCOUNT_ID:catalog",
   "arn:aws:glue:REGION:ACCOUNT_ID:database/DATABASE_NAME",
   "arn:aws:glue:REGION:ACCOUNT_ID:table/DATABASE_NAME/*"
 ]
}

    Sostituisci quanto segue:

    • REGION: la regione AWS, ad esempio us-east-1
    • ACCOUNT_ID:: l'ID account AWS di 12 cifre
    • DATABASE_NAME: il nome del database AWS Glue

Autorizzazioni obbligatorie

Per ottenere le autorizzazioni necessarie per creare un set di dati federato, chiedi all'amministratore di concederti il ruolo IAM Amministratore BigQuery (roles/bigquery.admin). Per saperne di più sulla concessione dei ruoli, consulta Gestire l'accesso.

Questo ruolo predefinito contiene le autorizzazioni necessarie per creare un set di dati federato. Per visualizzare esattamente le autorizzazioni necessarie, espandi la sezione Autorizzazioni obbligatorie:

Autorizzazioni obbligatorie

Per creare un set di dati federato sono necessarie le seguenti autorizzazioni:

  • bigquery.datasets.create
  • bigquery.connections.use
  • bigquery.connections.delegate

Potresti anche riuscire a ottenere queste autorizzazioni con i ruoli personalizzati o altri ruoli predefiniti.

Per ulteriori informazioni su ruoli e autorizzazioni IAM in BigQuery, consulta Introduzione a IAM.

Crea un set di dati federato

Per creare un set di dati federato, segui questi passaggi:

Console

  1. Apri la pagina BigQuery nella console Google Cloud.

    Vai alla pagina di BigQuery

  2. Nel riquadro Explorer, seleziona il progetto in cui vuoi creare il set di dati.

  3. Espandi l'opzione Azioni e fai clic su Crea set di dati.

  4. Nella pagina Crea set di dati, segui questi passaggi:

    • In ID set di dati, inserisci un nome univoco per il set di dati.
    • In Tipo di località, scegli una località AWS per il set di dati, ad esempio aws-us-east-1. Dopo aver creato un set di dati, la località non può essere modificata.

    • Per Set di dati esterno:

      • Seleziona la casella accanto a Collega a un set di dati esterno.
      • In Tipo di set di dati esterno, seleziona AWS Glue.
      • In Origine esterna, inserisci aws-glue:// seguito dal Nome della risorsa Amazon (ARN) del database AWS Glue, ad esempio aws-glue://arn:aws:glue:us-east-1:123456789:database/test_database.
      • In ID connessione, seleziona la tua connessione AWS.

    • Lascia invariate le altre impostazioni predefinite.

  5. Fai clic su Crea set di dati.

SQL

Utilizza l'istruzione DDL (Data Definition Language) di CREATE EXTERNAL SCHEMA.

  1. Nella console Google Cloud, vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nell'editor query, inserisci la seguente istruzione:

    CREATE EXTERNAL SCHEMA DATASET_NAME
WITH CONNECTION PROJECT_ID.CONNECTION_LOCATION.CONNECTION_NAME
  OPTIONS (
    external_source = 'AWS_GLUE_SOURCE',
    location = 'LOCATION');

    Sostituisci quanto segue:

    • DATASET_NAME: il nome del nuovo set di dati in BigQuery.
    • PROJECT_ID: il tuo ID progetto.
    • CONNECTION_LOCATION: la posizione della connessione AWS, ad esempio aws-us-east-1.
    • CONNECTION_NAME: il nome della tua connessione AWS.
    • AWS_GLUE_SOURCE: il Amazon Resource Name (ARN) del database AWS Glue con un prefisso che identifica l'origine, ad esempio aws-glue://arn:aws:glue:us-east-1:123456789:database/test_database.
    • LOCATION: la località del nuovo set di dati in BigQuery, ad esempio aws-us-east-1. Dopo aver creato un set di dati, non puoi modificarne la località.

  3. Fai clic su Esegui.

Per ulteriori informazioni su come eseguire le query, vedi Eseguire una query interattiva.

bq

In un ambiente a riga di comando, crea un set di dati utilizzando il comando bq mk:

bq --location=LOCATION mk --dataset \
    --external_source aws-glue://AWS_GLUE_SOURCE \
    --connection_id PROJECT_ID.CONNECTION_LOCATION.CONNECTION_NAME \
    DATASET_NAME

Sostituisci quanto segue:

  • LOCATION: la posizione del nuovo set di dati in BigQuery, ad esempio aws-us-east-1. Dopo aver creato un set di dati, non puoi modificarne la località. Puoi impostare un valore di località predefinito utilizzando il file .bigqueryrc.
  • AWS_GLUE_SOURCE: il nome della risorsa Amazon (ARN) del database AWS Glue, ad esempio arn:aws:glue:us-east-1:123456789:database/test_database.
  • PROJECT_ID: l'ID del tuo progetto BigQuery.
  • CONNECTION_LOCATION: la posizione della connessione AWS, ad esempio aws-us-east-1.
  • CONNECTION_NAME: il nome della tua connessione AWS.
  • DATASET_NAME: il nome del nuovo set di dati in BigQuery. Per creare un set di dati in un progetto diverso da quello predefinito, aggiungi l'ID progetto al nome del set di dati nel seguente formato: PROJECT_ID:DATASET_NAME.

Terraform

Utilizza la risorsa google_bigquery_dataset.

Per eseguire l'autenticazione in BigQuery, configura le credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per le librerie client.

Nell'esempio seguente viene creato un set di dati federato AWS Glue:

resource "google_bigquery_dataset" "dataset" {
  provider                    = google-beta
  dataset_id                  = "example_dataset"
  friendly_name               = "test"
  description                 = "This is a test description."
  location                    = "aws-us-east-1"

external_dataset_reference {
  external_source = "aws-glue://arn:aws:glue:us-east-1:999999999999:database/database"
  connection      = "projects/project/locations/aws-us-east-1/connections/connection"
  }
}

Per applicare la tua configurazione Terraform a un progetto Google Cloud, completa i passaggi nelle sezioni seguenti.

Prepara Cloud Shell

  1. Avvia Cloud Shell.

  2. Imposta il progetto Google Cloud predefinito a cui vuoi applicare le configurazioni Terraform.

    Devi eseguire questo comando una sola volta per progetto e puoi eseguirlo in qualsiasi directory.

    export GOOGLE_CLOUD_PROJECT=PROJECT_ID

    Le variabili di ambiente vengono sostituite se imposti valori espliciti nel file di configurazione Terraform.

Prepara la directory

Ogni file di configurazione Terraform deve avere la propria directory (chiamata anche modulo principale).

  1. In Cloud Shell, crea una directory e un nuovo file al suo interno. Il nome del file deve avere l'estensione .tf, ad esempio main.tf. In questo tutorial, il file è denominato main.tf. 
    mkdir DIRECTORY && cd DIRECTORY && touch main.tf

  2. Se stai seguendo un tutorial, puoi copiare il codice campione in ogni sezione o passaggio.

    Copia il codice campione nel nuovo oggetto main.tf.

    Facoltativamente, copia il codice da GitHub. Questa opzione è consigliata se lo snippet Terraform fa parte di una soluzione end-to-end.

  3. Esamina e modifica i parametri di esempio da applicare al tuo ambiente.
  4. Salva le modifiche.
  5. Inizializza Terraform. Devi eseguire questa operazione una sola volta per directory. 
    terraform init

    Facoltativamente, per utilizzare la versione più recente del provider Google, includi l'opzione -upgrade: 

    terraform init -upgrade

Applica le modifiche

  1. Esamina la configurazione e verifica che le risorse che Terraform creerà o aggiornerà soddisfino le tue aspettative: 
    terraform plan

    Apporta le correzioni necessarie alla configurazione.

  2. Applica la configurazione Terraform eseguendo questo comando e inserendo yes al prompt: 
    terraform apply

    Attendi finché in Terraform non viene visualizzato il messaggio "Applicazione completata!".

  3. Apri il progetto Google Cloud per visualizzare i risultati. Nella console Google Cloud, vai alle risorse nella UI per assicurarti che Terraform le abbia create o aggiornate.

API

Chiama il metodo datasets.insert con una risorsa del set di dati e un campo externalDatasetReference definiti per il tuo database AWS Glue.

Elenca tabelle in un set di dati federato

Per elencare le tabelle disponibili per le query nel set di dati federato, vedi Elenco dei set di dati.

Recupera informazioni tabella

Per ottenere informazioni sulle tabelle nel set di dati federato, ad esempio i dettagli dello schema, consulta Recuperare le informazioni delle tabelle.

Controllare l'accesso alle tabelle

Per gestire l'accesso alle tabelle nel set di dati federato, vedi Controllare l'accesso alle risorse con IAM.

Esegui query sui dati di AWS Glue

L'esecuzione di query sulle tabelle nei set di dati federati equivale a quando si eseguono query sulle tabelle in qualsiasi altro set di dati BigQuery.

Puoi eseguire query sulle tabelle AWS Glue nei seguenti formati:

  • CSV (compresso e non compresso)
  • JSON (compresso e non compresso)
  • Parquet
  • ORC
  • Avro
  • Iceberg

Dettagli mappatura tabella

Ogni tabella a cui concedi l'accesso nel tuo database AWS Glue viene visualizzata come tabella equivalente nel set di dati BigQuery.

Formato

Il formato di ogni tabella BigQuery è determinato dai seguenti campi della rispettiva tabella Glue AWS:

  • InputFormat (Table.StorageDescriptor.InputFormat)
  • OutputFormat (Table.StorageDescriptor.OutputFormat)
  • SerializationLib (Table.StorageDescriptor.SerdeInfo.SerializationLibrary)

L'unica eccezione sono le tabelle Iceberg, che utilizzano il campo TableType (Table.Parameters["table_type"]).

Ad esempio, una tabella AWS Glue con i seguenti campi è mappata a una tabella ORC in BigQuery:

  • InputFormat = "org.apache.hadoop.hive.ql.io.orc.OrcInputFormat"
  • OutputFormat = "org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat"
  • SerializationLib = "org.apache.hadoop.hive.ql.io.orc.OrcSerde"

Località

La posizione di ogni tabella BigQuery è determinata da quanto segue:

  • Tabelle Iceberg: il campo Table.Parameters["metadata_location"] nella tabella Glue di AWS
  • Tabelle non partizionate non Iceberg: il campo Table.StorageDescriptor.Location nella tabella AWS Glue
  • Tabelle partizionate non Iceberg: API GetPartitions di AWS Glue

Altre proprietà

Inoltre, alcune proprietà della tabella AWS Glue vengono mappate automaticamente alle opzioni specifiche per il formato in BigQuery:

Formato SerializationLib Valore della tabella di colla di AWS Opzione BigQuery
CSV LazySimpleSerDe Table.StorageDescriptor.SerdeInfo.Parameters["field.delim"] CsvOptions.fieldDelimiter
CSV LazySimpleSerDe Table.StorageDescriptor.Parameters["serialization.encoding"] CsvOptions.encoding
CSV LazySimpleSerDe Table.StorageDescriptor.Parameters["skip.header.line.count"] CsvOptions.skipLeadingRows
CSV OpenCsvSerDe Table.StorageDescriptor.SerdeInfo.Parameters["separatorChar"] CsvOptions.fieldDelimiter
CSV OpenCsvSerDe Table.StorageDescriptor.SerdeInfo.Parameters["quoteChar"] CsvOptions.quote
CSV OpenCsvSerDe Table.StorageDescriptor.Parameters["serialization.encoding"] CsvOptions.encoding
CSV OpenCsvSerDe Table.StorageDescriptor.Parameters["skip.header.line.count"] CsvOptions.skipLeadingRows
JSON Hive JsonSerDe Table.StorageDescriptor.Parameters["serialization.encoding"] JsonOptions.encoding

Crea una vista in un set di dati federato

Non puoi creare una vista in un set di dati federato. Tuttavia, puoi creare una vista in un set di dati standard basato su una tabella in un set di dati federato. Per scoprire di più, consulta la sezione Creare viste.

Elimina un set di dati federato

Eliminare un set di dati federato equivale a eliminare qualsiasi altro set di dati BigQuery. Per maggiori informazioni, consulta Eliminare i set di dati.

Prezzi

Per informazioni sui prezzi, vedi Prezzi di BigQuery Omni.

Limitazioni

Passaggi successivi