Apache Iceberg 用の BigLake 外部テーブルを作成する

BigLake 外部テーブルを使用すると、きめ細かいアクセス制御で読み取り専用形式の Apache Iceberg テーブルにアクセスできます。この機能は、BigQuery に書き込み可能な形式で Apache Iceberg テーブルを作成できる Apache Iceberg 用の BigQuery テーブルとは対照的です。

Iceberg は、ペタバイト規模のデータテーブルをサポートするオープンソースのテーブル形式です。Iceberg はオープンな仕様であるので、オブジェクトストアに保存されたデータに対して複数のクエリエンジンを実行できます。

BigQuery 管理者は、テーブルのデータマスキングなど、行レベルと列レベルのアクセス制御を適用できます。テーブルレベルでアクセス制御を設定する方法については、アクセス制御ポリシーを設定するをご覧ください。Dataproc とサーバーレス Spark でテーブルのデータソースとして BigQuery Storage API を使用する場合も、テーブルアクセスポリシーが適用されます。BigLake テーブルを使用すると、他の BigQuery サービスとも統合できます。利用可能なインテグレーションの完全なリストについては、BigLake テーブルの概要をご覧ください。

Iceberg BigLake テーブルは次の方法で作成できます。

BigLake Metastore を使用する（Google Cloud の場合に推奨）。BigLake Metastore は、カスタムの Iceberg カタログです。Spark と BigQuery のワークロード間でテーブルの同期が可能なため、Google Cloud では BigLake Metastore を使用することをおすすめします。これを行うには、Apache Spark 用の BigQuery ストアドプロシージャを使用して BigLake Metastore を初期化し、Iceberg BigLake テーブルを作成します。ただし、スキーマの更新では引き続き BigQuery で更新クエリを実行する必要があります。
AWS Glue Data Catalog を使用する（AWS の場合に推奨）。AWS Glue は、さまざまな AWS サービスに保存されているデータの構造と場所を定義し、自動スキーマ検出や AWS 分析ツールとの統合などの機能を提供する、一元化されたメタデータリポジトリです。AWS では AWS Glue を使用することをおすすめします。
Iceberg JSON メタデータファイルを使用する（Azure の場合に推奨）。Iceberg JSON メタデータファイルを使用する場合は、テーブルが更新されるたびに最新のメタデータファイルを手動で更新する必要があります。Apache Spark 用の BigQuery ストアドプロシージャを使用して、Iceberg メタデータファイルを参照する Iceberg BigLake テーブルを作成できます。Google Cloud でこれを回避するには、BigLake Metastore を使用します。AWS の場合は AWS Glue Data Catalog を使用します。

制限事項の一覧については、制限事項をご覧ください。

始める前に

Enable the BigQuery Connection, BigQuery Reservation, and BigLake APIs.
Enable the APIs
BigQuery で Spark のストアドプロシージャを使用して Iceberg BigLake テーブルを作成する場合は、次の操作を行う必要があります。
1. Spark 接続を作成します。
2. その接続のアクセス制御を設定します。
Iceberg BigLake のテーブルメタデータとデータファイルを Cloud Storage に保存するために、Cloud Storage バケットを作成します。メタデータファイルにアクセスするには、Cloud Storage バケットに接続する必要があります。方法は次のとおりです。
1. Cloud リソースの接続を作成します。
2. その接続のアクセスを設定します。
BigLake Metastore を使用する場合は、Apache Spark 用の適切な Iceberg カスタムカタログをインストールします。使用している Iceberg のバージョンに最適なカスタムカタログバージョンを選択します。
1. Iceberg 1.5.0: gs://spark-lib/biglake/biglake-catalog-iceberg1.5.0-0.1.1-with-dependencies.jar
2. Iceberg 1.2.0: gs://spark-lib/biglake/biglake-catalog-iceberg1.2.0-0.1.1-with-dependencies.jar
3. Iceberg 0.14.0: gs://spark-lib/biglake/biglake-catalog-iceberg0.14.0-0.1.1-with-dependencies.jar

必要なロール

BigLake API の呼び出し元に BigLake テーブルの作成に必要な権限を付与するには、BigLake API の呼び出し元に、プロジェクトに対する次の IAM ロールを付与するよう管理者に依頼します。

BigQuery 管理者（roles/bigquery.admin）
BigLake 管理者（roles/biglake.admin）

ロールの付与については、プロジェクト、フォルダ、組織へのアクセス権の管理をご覧ください。

これらの事前定義ロールには、BigLake テーブルの作成に必要な権限が含まれています。必要とされる正確な権限については、「必要な権限」セクションを開いてご確認ください。

必要な権限

BigLake テーブルを作成するには、次の権限が必要です。

bigquery.tables.create
bigquery.connections.delegate
bigquery.jobs.create

管理者は、カスタムロールや他の事前定義ロールを使用して、これらの権限を BigLake API の呼び出し元に付与することもできます。

また、BigQuery ユーザーがテーブルにクエリを実行できるようにするには、接続に関連付けられたサービスアカウントに BigLake 閲覧者（roles/biglake.viewer）のロールと、そのデータを含む Cloud Storage バケットへのアクセス権が必要です。

BigLake Metastore を使用して Iceberg BigLake テーブルを作成するには、BigLake API の呼び出し元を変更します。Dataproc または Spark サービスアカウントに、そのデータを含む Cloud Storage バケットへのアクセス権を付与する必要があります。

Dataproc で Spark を実行する場合、Dataproc での呼び出し元は Dataproc サービスアカウントです。
BigQuery で Spark プロシージャを実行する場合、呼び出し元は Spark 接続サービスアカウントです。

BigLake Metastore を使用してテーブルを作成する

Iceberg BigLake テーブルは、BigLake Metastore を使って作成することをおすすめします。Apache Spark を使用して、これらのテーブルを作成できます。これを簡単に行うには、次の手順で BigQuery の Spark 用ストアドプロシージャを使用します。

[BigQuery] ページに移動します。

[BigQuery] に移動
[エクスプローラ] ペインで、接続リソースの作成に使用したプロジェクトの接続をクリックします。
Spark 用のストアドプロシージャを作成するには、 [ストアドプロシージャを作成] をクリックします。
クエリエディタで、表示される CREATE PROCEDURE ステートメントを使用して BigLake Metastore を初期化し、Iceberg 用の BigLake 外部テーブルを作成するサンプルコードを変更します。
```
 # Creates a stored procedure that initializes BLMS and database.
 # Creates a table in the database and populates a few rows of data.
 CREATE OR REPLACE PROCEDURE iceberg_demo.iceberg_setup_3_3 ()
 WITH CONNECTION `PROCEDURE_CONNECTION_PROJECT_ID.PROCEDURE_CONNECTION_REGION.PROCEDURE_CONNECTION_ID`
 OPTIONS(engine="SPARK",
 jar_uris=["gs://spark-lib/biglake/biglake-catalog-iceberg1.2.0-0.1.0-with-dependencies.jar"],
 properties=[
 ("spark.jars.packages","org.apache.iceberg:iceberg-spark-runtime-3.3_2.12:1.2.0"),
 ("spark.sql.catalog.CATALOG", "org.apache.iceberg.spark.SparkCatalog"),
 ("spark.sql.catalog.CATALOG.catalog-impl", "org.apache.iceberg.gcp.biglake.BigLakeCatalog"),
 ("spark.sql.catalog.CATALOG.hms_uri", "HMS_URI"),
 ("spark.sql.catalog.CATALOG.gcp_project", "PROJECT_ID"),
 ("spark.sql.catalog.CATALOG.gcp_location", "LOCATION"),
 ("spark.sql.catalog.CATALOG.blms_catalog", "CATALOG"),
 ("spark.sql.catalog.CATALOG.warehouse", "DATA_WAREHOUSE_URI")
 ]
 )
 LANGUAGE PYTHON AS R'''
 from pyspark.sql import SparkSession

 spark = SparkSession \
   .builder \
   .appName("BigLake Iceberg Example") \
   .enableHiveSupport() \
   .getOrCreate()

 spark.sql("CREATE NAMESPACE IF NOT EXISTS CATALOG;")
 spark.sql("CREATE DATABASE IF NOT EXISTS CATALOG.CATALOG_DB;")
 spark.sql("DROP TABLE IF EXISTS CATALOG.CATALOG_DB.CATALOG_TABLE;")

 # Create a BigLake Metastore table and a BigQuery Iceberg table.
 spark.sql("CREATE TABLE IF NOT EXISTS CATALOG.CATALOG_DB.CATALOG_TABLE (id bigint, demo_name string)
           USING iceberg
           TBLPROPERTIES(bq_table='BQ_DATASET.BQ_TABLE', bq_connection='TABLE_CONNECTION_PROJECT_ID.TABLE_CONNECTION_REGION.TABLE_CONNECTION_ID');
           ")

 # Copy a Hive Metastore table to BigLake Metastore. Can be used together with
 #   TBLPROPERTIES `bq_table` to create a BigQuery Iceberg table.
 spark.sql("CREATE TABLE CATALOG.CATALOG_DB.CATALOG_TABLE (id bigint, demo_name string)
            USING iceberg
            TBLPROPERTIES(hms_table='HMS_DB.HMS_TABLE');")
 ''';
```
次のように置き換えます。
- PROCEDURE_CONNECTION_PROJECT_ID: Spark プロシージャを実行するための接続を含むプロジェクト（例: myproject）。
- PROCEDURE_CONNECTION_REGION: Spark プロシージャを実行するための接続を含むリージョン（例: us）。
- PROCEDURE_CONNECTION_ID: 接続 ID（例: myconnection）。
  
  Google Cloud コンソールで接続の詳細を表示する場合、接続 ID は接続 ID に表示される完全修飾接続 ID の最後のセクションの値です（例: projects/myproject/locations/connection_location/connections/myconnection）。
- CATALOG: BigLake Metastore 用に作成する Iceberg カタログの名前。
  
  デフォルト値は iceberg です。
- HMS_URI: 既存の Hive メタストアテーブルを BigLake Metastore にコピーする場合は、Hive メタストア URI を指定します。
  
  例: thrift://localhost:9083
- PROJECT_ID: BigLake Metastore インスタンスを作成するプロジェクト ID。
  
  Iceberg の BigLake テーブルも、同じプロジェクトで作成されます。
- LOCATION: BigLake Metastore インスタンスを作成するロケーション。
  
  BigQuery は、同じロケーションに保存されている BigLake Metastore インスタンスにのみアクセスできます。
- DATA_WAREHOUSE_URI: Iceberg のメタデータとデータファイルを保存するために作成した Cloud Storage バケットの URI。
  
  例: gs://mybucket/iceberg-warehouse
- CATALOG_DB: BigLake Metastore に作成するデータベースの名前。
  
  このデータベースは、Iceberg BigLake テーブルが格納される BigQuery データセットに相当します。
- CATALOG_TABLE: BigLake Metastore に作成するテーブルの名前。
  
  このテーブルは、作成する Iceberg BigLake テーブルに相当します。
- BQ_DATASET: Iceberg BigLake テーブルを格納する BigQuery データセット。
- BQ_TABLE: 作成する Iceberg BigLake テーブル。
- TABLE_CONNECTION_PROJECT_ID: BigLake テーブルを作成するための接続を含むプロジェクト（例: myproject）。
- TABLE_CONNECTION_REGION: BigLake テーブルを作成するための接続を含むリージョン（例: us）。
- TABLE_CONNECTION_ID: 接続 ID（例: myconnection）。
  
  Google Cloud コンソールで接続の詳細を表示する場合、接続 ID は接続 ID に表示される完全修飾接続 ID の最後のセクションの値です（例: projects/myproject/locations/connection_location/connections/myconnection）。
  
  BigQuery ユーザーがテーブルをクエリできるようにするには、接続に関連付けられたサービスアカウントに roles/biglake.viewer が必要です。
- HMS_DB: 既存の Hive メタストアテーブルを BigLake Metastore にコピーする場合は、Hive メタストアデータベースを指定します。
- HMS_TABLE: 既存の Hive メタストアテーブルを BigLake Metastore にコピーする場合は、Hive メタストアテーブルを指定します。
Iceberg カタログ構成の詳細については、Spark カタログをご覧ください。
[実行] をクリックして、ストアドプロシージャを実行します。詳細については、Spark ストアドプロシージャの呼び出しをご覧ください。BigQuery に Iceberg 用の BigLake 外部テーブルが作成されます。

メタデータファイルを使用してテーブルを作成する

Iceberg の BigLake 外部テーブルは、JSON メタデータファイルを使用して作成できます。ただし、BigLake テーブルを最新の状態に保つには、手動で JSON メタデータファイルの URI を更新する必要があるため、この方法はおすすめしません。URI が最新の状態でないと、BigQuery のクエリが失敗するか、Iceberg カタログを直接使用するその他のクエリエンジンと異なる結果になる可能性があります。これを回避するには、BigLake Metastore インスタンスを参照して Iceberg BigLake テーブルを作成します。

Iceberg テーブルのメタデータファイルは、Spark を使用して Iceberg テーブルを作成したときに指定した Cloud Storage バケットに作成されます。

次のオプションのいずれかを選択します。

SQL

CREATE EXTERNAL TABLE ステートメントを使用します。次の例では、myexternal-table という名前の BigLake テーブルが作成されます。

  CREATE EXTERNAL TABLE myexternal-table
  WITH CONNECTION `myproject.us.myconnection`
  OPTIONS (
         format = 'ICEBERG',
         uris = ["gs://mybucket/mydata/mytable/metadata/iceberg.metadata.json"]
   )

uris 値は、特定のテーブルスナップショットの最新の JSON メタデータファイルに置き換えます。

require_partition_filter フラグを設定すると、パーティションフィルタを要求できます。

bq

コマンドライン環境では、@connection デコレータを指定した bq mk --table コマンドを使用して、--external_table_definition パラメータの最後に、使用する接続を指定します。パーティションフィルタの要求を有効にするには、--require_partition_filter を使用します。

bq mk 

    --table 

    --external_table_definition=TABLE_FORMAT=URI@projects/CONNECTION_PROJECT_ID/locations/CONNECTION_REGION/connections/CONNECTION_ID 

    PROJECT_ID:DATASET.EXTERNAL_TABLE

次のように置き換えます。

TABLE_FORMAT: 作成するテーブルの形式。

この場合は ICEBERG です。
URI: 特定のテーブルスナップショットの最新の JSON メタデータファイル。

たとえば、gs://mybucket/mydata/mytable/metadata/iceberg.metadata.json のようにします。

URI は、Amazon S3 や Azure Blob Storage などの外部クラウドロケーションも参照できます。
- AWS の例: s3://mybucket/iceberg/metadata/1234.metadata.json。
- Azure の例: azure://mystorageaccount.blob.core.windows.net/mycontainer/iceberg/metadata/1234.metadata.json。
CONNECTION_PROJECT_ID: BigLake テーブルを作成するための接続を含むプロジェクト（例: myproject）。
CONNECTION_REGION: BigLake テーブルを作成するための接続を含むリージョン（例: us）。
CONNECTION_ID: テーブル接続 ID（例: myconnection）。

Google Cloud コンソールで接続の詳細を表示する場合、接続 ID は接続 ID に表示される完全修飾接続 ID の最後のセクションの値です（例: projects/myproject/locations/connection_location/connections/myconnection）。
DATASET: 作成したテーブルを格納する BigQuery データセットの名前

例: mydataset。
EXTERNAL_TABLE: 作成するテーブルの名前。

例: mytable。

テーブルメタデータの更新

JSON メタデータファイルを使用して Iceberg の BigLake 外部テーブルを作成する場合は、テーブル定義を最新のテーブルメタデータに更新します。スキーマまたはメタデータファイルを更新するには、次のいずれかのオプションを選択します。

bq

テーブル定義ファイルを作成します。

bq mkdef --source_format=ICEBERG \
"URI" > TABLE_DEFINITION_FILE

--autodetect_schema フラグを指定して bq update コマンドを使用します。
```
bq update --autodetect_schema --external_table_definition=TABLE_DEFINITION_FILE
PROJECT_ID:DATASET.TABLE
```
次のように置き換えます。
- URI: 最新の JSON メタデータファイルを含む Cloud Storage URI
  
  例: gs://mybucket/us/iceberg/mytable/metadata/1234.metadata.json
- TABLE_DEFINITION_FILE: テーブルスキーマを含むファイルの名前
- PROJECT_ID: 更新するテーブルを含むプロジェクト ID
- DATASET: 更新するテーブルを含むデータセット
- TABLE: 更新するテーブル。

API

autodetect_schema プロパティを true に設定して tables.patch メソッドを使用します。

PATCH https://bigquery.googleapis.com/bigquery/v2/projects/PROJECT_ID/datasets/DATASET/tables/TABLE?autodetect_schema=true

次のように置き換えます。

PROJECT_ID: 更新するテーブルを含むプロジェクト ID
DATASET: 更新するテーブルを含むデータセット
TABLE: 更新するテーブル。

リクエストの本文で、次のフィールドの更新後の値を指定します。

{
     "externalDataConfiguration": {
      "sourceFormat": "ICEBERG",
      "sourceUris": [
        "URI"
      ]
    },
    "schema": null
  }'

URI は、最新の Iceberg メタデータファイルに置き換えます。例: gs://mybucket/us/iceberg/mytable/metadata/1234.metadata.json

アクセス制御ポリシーを設定する

BigLake テーブルへのアクセスを制御する方法はいくつかあります。

列レベルのセキュリティの設定手順については、列レベルのセキュリティガイドをご覧ください。
データマスキングの設定手順については、データマスキングガイドをご覧ください。
行レベルのセキュリティの設定方法については、行レベルのセキュリティガイドをご覧ください。

たとえば、データセット mydataset 内のテーブル mytable に対する行アクセスを制限する必要があるとします。

+---------+---------+-------+
| country | product | price |
+---------+---------+-------+
| US      | phone   |   100 |
| JP      | tablet  |   300 |
| UK      | laptop  |   200 |
+---------+---------+-------+

Kim（kim@example.com）用に行レベルのフィルタを作成して、アクセス権を country が US の行だけに制限できます。

CREATE ROW ACCESS POLICY only_us_filter
ON mydataset.mytable
GRANT TO ('user:kim@example.com')
FILTER USING (country = 'US');

次に、Kim が次のクエリを実行すると:

SELECT * FROM projectid.mydataset.mytable;

出力には、country が US の行のみが表示されます。

+---------+---------+-------+
| country | product | price |
+---------+---------+-------+
| US      | phone   |   100 |
+---------+---------+-------+

BigLake テーブルにクエリを実行する

詳細については、Iceberg データにクエリを実行するをご覧ください。

データマッピング

BigQuery は、次の表に示すように Iceberg のデータ型を BigQuery のデータ型に変換します。

Iceberg のデータ型	BigQuery のデータ型
`boolean`	`BOOL`
`int`	`INT64`
`long`	`INT64`
`float`	`FLOAT64`
`double`	`FLOAT64`
`Decimal(P/S)`	`NUMERIC or BIG_NUMERIC depending on precision`
`date`	`DATE`
`time`	`TIME`
`timestamp`	`DATETIME`
`timestamptz`	`TIMESTAMP`
`string`	`STRING`
`uuid`	`BYTES`
`fixed(L)`	`BYTES`
`binary`	`BYTES`
`list<Type>`	`ARRAY<Type>`
`struct`	`STRUCT`
`map<KeyType, ValueType>`	`ARRAY<Struct<key KeyType, value ValueType>>`

制限事項

Iceberg BigLake テーブルには、BigLake テーブルの制限があり、次の制限もあります。

copy-on-write 構成はサポートされていますが、merge-on-read 構成はサポートされていません。詳しくは、Iceberg の構成をご覧ください。
BigQuery では、Bucket を除くすべての Iceberg パーティション変換関数を使用したマニフェストプルーニングがサポートされています。パーティションをプルーニングする方法については、パーティション分割テーブルに対してクエリを実行するをご覧ください。Iceberg の BigLake 外部テーブルを参照するクエリでは、パーティション分割される列に対するリテラルが述語に含まれている必要があります。
Apache Parquet データファイルのみがサポートされています。
BigLake Metastore を使用している場合は、次の制限が適用されます。
- BigLake Metastore は BigQuery Omni リージョンではサポートされていません。
- テーブルの名前を変更する場合、変更後のテーブルは変更前のテーブルと同じデータベース内に存在する必要があります。変更後のテーブルのデータベースは、明示的に指定する必要があります。
- Iceberg メタデータテーブルを検査する場合は、完全修飾されたテーブル名を使用する必要があります。例: prod.db.table.history

費用

オンデマンド（TB 単位）クエリの料金では、BigLake Metastore へのリクエスト 6,250,000 件あたりおよび BigLake Metastore に保存されている 625,000 件ごとに 1 TB の料金が請求されます。オンデマンドクエリの料金は、リージョンによって異なります。リクエストまたはオブジェクトの数が少ない場合は、1 TB の適切な割合が課金されます。

たとえば、BigLake Metastore に 6,250,000 リクエストを行い、312,500 のオブジェクトを保存した場合、BigLake Metastore インスタンスを作成したリージョンのオンデマンドクエリ料金のレートで、1.5 TB に対して課金されます。

パーティションフィルタを要求

Iceberg テーブルのパーティションフィルタを要求するオプションを有効にすると、述語フィルタの使用を要求できます。このオプションが有効になっているときに、各マニフェストファイルに対応する WHERE 句を指定せずにテーブルにクエリを実行しようとすると、次のエラーが発生します。

Cannot query over table project_id.dataset.table without a
filter that can be used for partition elimination.

各マニフェストファイルには、パーティションの除去に適した述語が少なくとも 1 つ必要です。

Iceberg テーブルの作成時に、次の方法で require_partition_filter を有効にできます。

SQL

CREATE EXTERNAL TABLE ステートメントを使用します。次の例では、パーティションフィルタの要求を有効にして、TABLE という名前の BigLake テーブルを作成します。

  CREATE EXTERNAL TABLE TABLE
  WITH CONNECTION `PROJECT_ID.REGION.CONNECTION_ID`
  OPTIONS (
         format = 'ICEBERG',
         uris = [URI],
         require_partition_filter = true
   )

次のように置き換えます。

TABLE: 作成するテーブルの名前。
PROJECT_ID: 作成するテーブルを含むプロジェクト ID。
REGION: Iceberg テーブルを作成するロケーション。
CONNECTION_ID: 接続 ID。例: myconnection。
URI: 最新の JSON メタデータファイルを含む Cloud Storage URI。

たとえば、gs://mybucket/us/iceberg/mytable/metadata/1234.metadata.json のようにします。

URI は、Amazon S3 や Azure Blob Storage などの外部クラウドロケーションも参照できます。
- AWS の例: s3://mybucket/iceberg/metadata/1234.metadata.json。
- Azure の例: azure://mystorageaccount.blob.core.windows.net/mycontainer/iceberg/metadata/1234.metadata.json。

bq

@connection デコレータを指定した bq mk --table コマンドを使用して、--external_table_definition パラメータの最後に使用する接続を指定します。--require_partition_filter を使用して、パーティションフィルタの要求を有効にします。次の例では、パーティションフィルタの要求を有効にして、TABLE という名前の BigLake テーブルを作成します。

bq mk \
    --table \
    --external_table_definition=ICEBERG=URI@projects/CONNECTION_PROJECT_ID/locations/CONNECTION_REGION/connections/CONNECTION_ID \
    PROJECT_ID:DATASET.EXTERNAL_TABLE \
    --require_partition_filter

次のように置き換えます。

URI: 特定のテーブルスナップショットの最新の JSON メタデータファイル

たとえば、gs://mybucket/mydata/mytable/metadata/iceberg.metadata.json のようにします。

URI は、Amazon S3 や Azure Blob Storage などの外部クラウドロケーションも参照できます。
- AWS の例: s3://mybucket/iceberg/metadata/1234.metadata.json。
- Azure の例: azure://mystorageaccount.blob.core.windows.net/mycontainer/iceberg/metadata/1234.metadata.json。
CONNECTION_PROJECT_ID: BigLake テーブルを作成するための接続を含むプロジェクト（例: myproject）。
CONNECTION_REGION: BigLake テーブルを作成するための接続を含むリージョン（例: us）。
CONNECTION_ID: 接続 ID。例: myconnection。

Google Cloud コンソールで接続の詳細を表示する場合、接続 ID は接続 ID に表示される完全修飾接続 ID の最後のセクションの値です（例: projects/myproject/locations/connection_location/connections/myconnection）。
DATASET: 更新するテーブルを含む BigQuery データセットの

名前。例: mydataset。
EXTERNAL_TABLE: 作成するテーブルの名前

例: mytable。

Iceberg テーブルを更新して、パーティションフィルタの要求を有効にすることもできます。

パーティション分割テーブルを作成するときに、パーティションフィルタを要求するオプションを有効にしない場合でも、テーブルを更新してオプションを追加できます。

bq

bq update コマンドを使用し、--require_partition_filter フラグを指定します。

次に例を示します。

デフォルトプロジェクトで mydataset の mypartitionedtable を更新するには、次のように入力します。

bq update --require_partition_filter PROJECT_ID:DATASET.TABLE

次のステップ

Spark のストアドプロシージャについて学習する。
BigLake テーブルについて確認する。
アクセス制御ポリシーの設定方法を学習する。
BigQuery でのクエリの実行について確認する。
BigQuery でサポートされているステートメントと SQL 言語について学習する。

Apache Iceberg 用の BigLake 外部テーブルを作成する

始める前に

必要なロール

必要な権限

BigLake Metastore を使用してテーブルを作成する

メタデータ ファイルを使用してテーブルを作成する

SQL

bq

テーブル メタデータの更新

bq

API

アクセス制御ポリシーを設定する

BigLake テーブルにクエリを実行する

データ マッピング

制限事項

費用

パーティション フィルタを要求

SQL

bq

bq

次のステップ

メタデータファイルを使用してテーブルを作成する

テーブルメタデータの更新

データマッピング

パーティションフィルタを要求