Questa pagina è stata tradotta dall'API Cloud Translation.

Creazione tabelle Apache Iceberg BigLake

Con BigLake puoi accedere alle tabelle di Iceberg con controllo dell'accesso più granulare. Per farlo, devi prima creare una tabella BigLake Iceberg.

Iceberg è un formato di tabella open source che supporta tabelle di dati su scala petabyte. La specifica aperta Iceberg consente di eseguire più motori di query su una singola copia dei dati archiviati in un archivio di oggetti.

In qualità di amministratore di BigQuery, puoi applicare controllo dell'accesso a livello di riga e colonna, incluso il mascheramento dei dati nelle tabelle. Per informazioni su come configurare il controllo dell'accesso dell'accesso a livello di tabella, consulta Configurare i criteri di controllo dell'accesso dell'accesso. I criteri di accesso alla tabella vengono applicati anche quando utilizzi l'API BigQuery Storage come origine dati per la tabella in Dataproc e Spark serverless. Le tabelle BigLake forniscono integrazioni aggiuntive con altri servizi BigQuery. Per un elenco completo delle integrazioni disponibili, vedi Introduzione alle tabelle BigLake.

Puoi creare tabelle BigLake Iceberg nei seguenti modi:

Con BigLake Metastore (consigliato per Google Cloud). BigLake Metastore è un catalogo Iceberg personalizzato. L'utilizzo di BigLake Metastore è il metodo consigliato per Google Cloud perché consente la sincronizzazione delle tabelle tra i carichi di lavoro Spark e BigQuery. A questo scopo, puoi utilizzare una stored procedure BigQuery per Apache Spark per inizializzare BigLake Metastore e creare la tabella BigLake Iceberg. Tuttavia, gli aggiornamenti dello schema richiedono comunque di eseguire una query di aggiornamento in BigQuery.
Con AWS Glue Data Catalog (consigliato per AWS). AWS Glue è il metodo consigliato per AWS perché è un repository di metadati centralizzato in cui definisci la struttura e la posizione dei dati archiviati in vari servizi AWS e offre funzionalità come il rilevamento automatico dello schema e l'integrazione con gli strumenti di analisi AWS.
Con file di metadati JSON Iceberg (consigliato per Azure). Se utilizzi un file di metadati JSON Iceberg, devi aggiornare manualmente il file di metadati più recente ogni volta che vengono eseguiti aggiornamenti della tabella. Puoi utilizzare una procedura archiviata in BigQuery per Apache Spark per creare tabelle BigLake ICEberg che fanno riferimento a un file di metadati Iceberg. Per evitare che questo accada, puoi utilizzare BigLake Metastore per Google Cloud o AWS Glue Data Catalog per AWS.

Per un elenco completo delle limitazioni, vedi Limitazioni.

Prima di iniziare

Abilita le API BigQuery Connection, BigQuery Reservation, and BigLake .
Abilita le API
Se usi una stored procedure per Spark in BigQuery per creare tabelle BigLake Iceberg, devi seguire questi passaggi:
1. Crea una connessione Spark.
2. Configura il controllo dell'accesso per la connessione.
Per archiviare i metadati e i file di dati della tabella BigLake Iceberg in Cloud Storage, crea un bucket Cloud Storage. Devi connetterti al tuo bucket Cloud Storage per accedere ai file di metadati. Per farlo, segui questi passaggi:
1. Crea una connessione a una risorsa Cloud.
2. Configura l'accesso per la connessione.
Se utilizzi BigLake Metastore, installa l'Iceberg Custom Catalog appropriato per Apache Spark. Seleziona la versione di Custom Catalog che meglio corrisponde a quella che stai utilizzando.
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

Ruoli obbligatori

Per assicurarti che il chiamante dell'API BigLake disponga delle autorizzazioni necessarie per creare una tabella BigLake, chiedi all'amministratore di concedere al chiamante dell'API BigLake i seguenti ruoli IAM sul progetto:

Amministratore BigQuery (roles/bigquery.admin)
Amministratore BigLake (roles/biglake.admin)

Per saperne di più sulla concessione dei ruoli, consulta Gestire l'accesso.

Questi ruoli predefiniti contengono le autorizzazioni necessarie per creare una tabella BigLake. Per visualizzare esattamente le autorizzazioni necessarie, espandi la sezione Autorizzazioni obbligatorie:

Autorizzazioni obbligatorie

Per creare una tabella BigLake sono necessarie le autorizzazioni seguenti:

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

L'amministratore potrebbe anche essere in grado di assegnare al chiamante dell'API BigLake queste autorizzazioni con ruoli personalizzati o altri ruoli predefiniti.

Inoltre, per consentire agli utenti di BigQuery di eseguire query sulla tabella, l'account di servizio associato alla connessione deve avere il ruolo Visualizzatore BigLake (roles/biglake.viewer) e avere accesso al bucket Cloud Storage che contiene i dati.

Per creare tabelle BigLake Iceberg con BigLake Metastore, il chiamante dell'API BigLake cambia. Devi concedere all'account di servizio Dataproc o Spark l'accesso al bucket Cloud Storage che contiene i dati:

Se esegui Spark su Dataproc, il chiamante in Dataproc è l'account di servizio Dataproc.
Se esegui procedure Spark in BigQuery, il chiamante è un account di servizio di connessione Spark.

Crea tabelle con BigLake Metastore

Ti consigliamo di creare tabelle BigLake ICEberg con BigLake Metastore. Per creare queste tabelle, puoi usare Apache Spark. Un modo pratico per farlo è utilizzare le procedure archiviate di BigQuery per Spark seguendo questi passaggi:

Vai alla pagina BigQuery.

Vai a BigQuery
Nel riquadro Explorer, fai clic sulla connessione nel progetto che hai utilizzato per creare la risorsa di connessione.
Per creare una stored procedure per Spark, fai clic su Crea stored procedure.
Nell'editor di query, modifica il codice campione per inizializzare BigLake Metastore e creare una tabella Iceberg BigLake utilizzando l'istruzione CREATE PROCEDURE visualizzata:
```
 # 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');")
 ''';
```
Sostituisci quanto segue:
- PROCEDURE_CONNECTION_PROJECT_ID: il progetto che contiene la connessione per eseguire le procedure Spark, ad esempio myproject.
- PROCEDURE_CONNECTION_REGION: la regione che contiene la connessione per eseguire le procedure Spark, ad esempio us.
- PROCEDURE_CONNECTION_ID: l'ID connessione, ad esempio myconnection.
  
  Quando visualizza i dettagli della connessione nella console Google Cloud, l'ID connessione è il valore nell'ultima sezione dell'ID connessione completo mostrato in ID connessione, ad esempio projects/myproject/locations/connection_location/connections/myconnection.
- CATALOG: il nome del catalogo di Iceberg da creare per BigLake Metastore.
  
  Il valore predefinito è iceberg.
- HMS_URI: se vuoi copiare le tabelle Hive Metastore esistenti in BigLake Metastore, specifica un URI Hive Metastore.
  
  Ad esempio, thrift://localhost:9083.
- PROJECT_ID: l'ID progetto in cui vuoi creare l'istanza BigLake Metastore.
  
  Anche le tabelle BigLake Iceberg vengono create nello stesso progetto.
- LOCATION: il percorso in cui vuoi creare l'istanza BigLake Metastore.
  
  BigQuery può accedere solo alle istanze BigLake Metastore archiviate nella stessa località.
- DATA_WAREHOUSE_URI: l'URI del bucket Cloud Storage che hai creato per archiviare i metadati e i file di dati di Iceberg.
  
  Ad esempio, gs://mybucket/iceberg-warehouse.
- CATALOG_DB: il nome del database che vuoi creare nel metastore BigLake.
  
  Questo database è equivalente al set di dati BigQuery che conterrà la tabella Iceberg BigLake.
- CATALOG_TABLE: il nome della tabella che vuoi creare nel metastore BigLake.
  
  Questa tabella equivale alla tabella Iceberg BigLake che vuoi creare.
- BQ_DATASET: il set di dati BigQuery per contenere la tabella BigLake Iceberg.
- BQ_TABLE: la tabella Iceberg BigLake che vuoi creare.
- TABLE_CONNECTION_PROJECT_ID: il progetto che contiene la connection per creare la tabella BigLake, ad esempio myproject.
- TABLE_CONNECTION_REGION: la regione che contiene la connessione per creare la tabella BigLake, ad esempio us.
- TABLE_CONNECTION_ID: l'ID connessione, ad esempio myconnection.
  
  Quando visualizza i dettagli della connessione nella console Google Cloud, l'ID connessione è il valore nell'ultima sezione dell'ID connessione completo mostrato in ID connessione, ad esempio projects/myproject/locations/connection_location/connections/myconnection.
  
  L'account di servizio associato alla connessione deve avere roles/biglake.viewer per consentire agli utenti BigQuery di eseguire query sulla tabella.
- HMS_DB: se vuoi copiare le tabelle Hive Metastore esistenti in BigLake Metastore, specifica un database Hive Metastore.
- HMS_TABLE: se vuoi copiare le tabelle Hive Metastore esistenti in BigLake Metastore, specifica una tabella Hive Metastore.
Per informazioni sulle configurazioni del catalogo Iceberg, consulta la pagina Cataloghi di Spark.
Per eseguire la stored procedure, fai clic su Esegui. Per maggiori informazioni, consulta Chiamare la stored procedure Spark. viene creata una tabella BigLake Iceberg in BigQuery.

Creare tabelle con un file di metadati

Puoi creare tabelle BigLake Iceberg con un file di metadati JSON. Tuttavia, questo non è il metodo consigliato perché devi aggiornare manualmente l'URI del file di metadati JSON per mantenere aggiornata la tabella BigLake. Se l'URI non viene mantenuto aggiornato, le query in BigQuery potrebbero non riuscire o fornire risultati diversi da altri motori di query che utilizzano direttamente un catalogo Iceberg. Per evitare che questo accada, fai riferimento a un'istanza del metastore BigLake quando crei una tabella BigLake di Iceberg.

I file di metadati della tabella Iceberg vengono creati nel bucket Cloud Storage specificato quando crei una tabella Iceberg utilizzando Spark.

Seleziona una delle seguenti opzioni:

SQL

Utilizza l'istruzione CREATE EXTERNAL TABLE. L'esempio seguente crea una tabella BigLake denominata myexternal-table:

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

Sostituisci il valore uris con il file di metadati JSON più recente per uno snapshot della tabella specifico.

Puoi abilitare il filtro di partizione richiesto impostando il flag require_partition_filter.

bq

In un ambiente a riga di comando, utilizza il comando bq mk --table con il decorator @connection per specificare la connessione da utilizzare alla fine del parametro --external_table_definition. Per abilitare il filtro di partizionamento obbligatorio, utilizza --require_partition_filter.

bq mk 

    --table 

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

    PROJECT_ID:DATASET.EXTERNAL_TABLE

Sostituisci quanto segue:

TABLE_FORMAT: il formato della tabella che vuoi creare

In questo caso, ICEBERG.
URI: il file di metadati JSON più recente per uno snapshot di tabella specifico.

Ad esempio, gs://mybucket/mydata/mytable/metadata/iceberg.metadata.json.

L'URI può anche puntare a una località cloud esterna, ad esempio Amazon S3 o Azure Blob Storage.
- Esempio per AWS: s3://mybucket/iceberg/metadata/1234.metadata.json.
- Esempio per Azure: azure://mystorageaccount.blob.core.windows.net/mycontainer/iceberg/metadata/1234.metadata.json.
CONNECTION_PROJECT_ID: il progetto che contiene la connessione per creare la tabella BigLake, ad esempio myproject
CONNECTION_REGION: la regione che contiene la connessione per creare la tabella BigLake, ad esempio us
CONNECTION_ID: l'ID connessione alla tabella, ad esempio myconnection

Quando visualizza i dettagli della connessione nella console Google Cloud, l'ID connessione è il valore nell'ultima sezione dell'ID connessione completo mostrato in ID connessione, ad esempio projects/myproject/locations/connection_location/connections/myconnection
DATASET: il nome del set di dati BigQuery in cui vuoi creare una tabella

Ad esempio, mydataset.
EXTERNAL_TABLE: il nome della tabella da creare

Ad esempio, mytable.

Aggiornamento metadati tabella

Se utilizzi un file di metadati JSON per creare tabelle BigLake Iceberg, aggiorna la definizione della tabella con i metadati più recenti. Per aggiornare lo schema o il file dei metadati, seleziona una delle seguenti opzioni:

bq

Crea un file di definizione della tabella:

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

Utilizza il comando bq update con il flag --autodetect_schema:
```
bq update --autodetect_schema --external_table_definition=TABLE_DEFINITION_FILE
PROJECT_ID:DATASET.TABLE
```
Sostituisci quanto segue:
- URI: il tuo URI Cloud Storage con il file di metadati JSON più recente
  
  Ad esempio, gs://mybucket/us/iceberg/mytable/metadata/1234.metadata.json.
- TABLE_DEFINITION_FILE: il nome del file contenente lo schema della tabella
- PROJECT_ID: l'ID progetto contenente la tabella da aggiornare
- DATASET: il set di dati contenente la tabella da aggiornare
- TABLE: la tabella che vuoi aggiornare

API

Utilizza il metodo tables.patch con la proprietà autodetect_schema impostata su true:

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

Sostituisci quanto segue:

PROJECT_ID: l'ID progetto contenente la tabella da aggiornare
DATASET: il set di dati contenente la tabella da aggiornare
TABLE: la tabella che vuoi aggiornare

Nel corpo della richiesta, specifica i valori aggiornati per i seguenti campi:

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

Sostituisci URI con il file di metadati Iceberg più recente. Ad esempio, gs://mybucket/us/iceberg/mytable/metadata/1234.metadata.json.

Configura i criteri di controllo dell'accesso

Puoi utilizzare diversi metodi per controllare l'accesso alle tabelle BigLake:

Per indicazioni sulla configurazione della sicurezza a livello di colonna, consulta la guida alla sicurezza a livello di colonna.
Per istruzioni su come configurare il mascheramento dei dati, consulta la guida al mascheramento dei dati.
Per indicazioni sulla configurazione della sicurezza a livello di riga, consulta la guida alla sicurezza a livello di riga.

Ad esempio, supponiamo di voler limitare l'accesso alle righe per la tabella mytable nel set di dati mydataset:

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

Puoi creare un filtro a livello di riga per Kim (kim@example.com) che limita il suo accesso alle righe dove country è uguale a US.

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

Quindi, Kim esegue la query seguente:

SELECT * FROM projectid.mydataset.mytable;

L'output mostra solo le righe dove country è uguale a US:

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

Esegui query su tabelle BigLake

Per maggiori informazioni, consulta Dati delle query Iceberg.

Mappatura dei dati

BigQuery converte i tipi di dati Iceberg in tipi di dati BigQuery, come illustrato nella seguente tabella:

Tipo di dati Iceberg	Tipo di dati BigQuery
`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>>`

Limitazioni

Le tabelle BigLake Iceberg hanno limitazioni per le tabelle BigLake e anche le seguenti:

La configurazione di copy-on-write è supportata, ma la configurazione di merge-on-read non è supportata. Per maggiori informazioni, consulta la sezione Configurazione di Iceberg.
BigQuery supporta l'eliminazione dei manifest utilizzando tutte le funzioni di trasformazione delle partizioni di Iceberg, ad eccezione di Bucket. Per informazioni su come eliminare le partizioni, consulta Eseguire query sulle tabelle partizionate. Le query che fanno riferimento alle tabelle Iceberg BigLake devono contenere valori letterali nei predicati rispetto alle colonne partizionate.
Sono supportati solo i file di dati Apache Parquet.
Per associare le colonne allo schema di Iceberg, in tutti i file di dati di Iceberg deve essere impostata la proprietà field_id nei metadati. Le tabelle con la proprietà schema.name-mapping.default non sono supportate.
Le tabelle Hive migrate in tabelle Iceberg utilizzando le stored procedure di Spark di Iceberg non sono supportate.
Se utilizzi BigLake Metastore, si applicano le seguenti limitazioni:
- BigLake Metastore non è supportato nelle regioni di BigQuery Omni.
- Quando rinomini una tabella, la tabella di destinazione deve trovarsi nello stesso database della tabella di origine. Il database della tabella di destinazione deve essere specificato esplicitamente.
- Durante l'ispezione di una tabella di metadati di Iceberg, devi utilizzare un nome di tabella completo. Ad esempio, prod.db.table.history.

Costi

Ti verrà addebitato 1 TB con prezzi on demand (per TB) delle query per ogni 6.250.000 richieste a BigLake Metastore e per ogni 625.000 oggetti archiviati in BigLake Metastore. Le tariffe delle query on demand variano in base alla regione. Per un numero inferiore di richieste o di oggetti, ti verrà addebitata la frazione appropriata di 1 TB.

Ad esempio, se hai effettuato 6.250.000 richieste a BigLake Metastore e hai archiviato anche 312.500 oggetti al suo interno, ti verrà addebitato il costo di 1,5 TB alla tariffa delle query on demand per la regione in cui hai creato l'istanza BigLake Metastore.

Richiedi filtro di partizionamento

Puoi richiedere l'utilizzo di filtri per i predicati abilitando l'opzione Richiedi filtro di partizionamento per la tabella Iceberg. Se abiliti questa opzione, i tentativi di eseguire una query sulla tabella senza specificare una clausola WHERE in linea con ogni file manifest produrranno il seguente errore:

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

Ogni file manifest richiede almeno un predicato adatto per l'eliminazione della partizione.

Puoi abilitare require_partition_filter nei seguenti modi durante la creazione di una tabella Iceberg :

SQL

Utilizza l'istruzione CREATE EXTERNAL TABLE.L'esempio seguente crea una tabella BigLake denominata TABLE con il filtro di partizionamento abilitato:

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

Sostituisci quanto segue:

TABLE: il nome della tabella che vuoi creare.
PROJECT_ID: l'ID progetto contenente la tabella da creare.
REGION: la località in cui vuoi creare la tabella Iceberg.
CONNECTION_ID: l'ID connessione. Ad esempio: myconnection.
URI: l'URI Cloud Storage con il file di metadati JSON più recente.

Ad esempio, gs://mybucket/us/iceberg/mytable/metadata/1234.metadata.json.

L'URI può anche puntare a una località cloud esterna, ad esempio Amazon S3 o Azure Blob Storage.
- Esempio per AWS: s3://mybucket/iceberg/metadata/1234.metadata.json.
- Esempio per Azure: azure://mystorageaccount.blob.core.windows.net/mycontainer/iceberg/metadata/1234.metadata.json.

bq

Utilizza il comando bq mk --table con il decorator @connection per specificare la connessione da utilizzare alla fine del parametro --external_table_definition. Usa --require_partition_filter per abilitare il filtro di partizionamento obbligatorio. L'esempio seguente crea una tabella BigLake denominata TABLE con il filtro di partizionamento obbligatorio abilitato:

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

Sostituisci quanto segue:

URI: il file di metadati JSON più recente per uno snapshot di tabella specifico

Ad esempio, gs://mybucket/mydata/mytable/metadata/iceberg.metadata.json.

L'URI può anche puntare a una località cloud esterna, ad esempio Amazon S3 o Azure Blob Storage.
- Esempio per AWS: s3://mybucket/iceberg/metadata/1234.metadata.json.
- Esempio per Azure: azure://mystorageaccount.blob.core.windows.net/mycontainer/iceberg/metadata/1234.metadata.json.
CONNECTION_PROJECT_ID: il progetto che contiene la connection per creare la tabella BigLake, ad esempio myproject
CONNECTION_REGION: la regione che contiene la connessione per creare la tabella BigLake. Ad esempio: us.
CONNECTION_ID: l'ID connessione. Ad esempio: myconnection.

Quando visualizza i dettagli della connessione nella console Google Cloud, l'ID connessione è il valore nell'ultima sezione dell'ID connessione completo mostrato in ID connessione, ad esempio projects/myproject/locations/connection_location/connections/myconnection
DATASET: il nome del cluster BigQuery

contenente la tabella da aggiornare. Ad esempio, mydataset.
EXTERNAL_TABLE: il nome della tabella da creare

Ad esempio, mytable.

Puoi anche aggiornare la tabella Iceberg per abilitare il filtro di partizione obbligatorio.

Se non abiliti l'opzione Richiedi filtro di partizione quando crei la tabella partizionata, puoi aggiornare la tabella per aggiungere l'opzione.

bq

Usa il comando bq update e fornisci il flag --require_partition_filter.

Ad esempio:

Per aggiornare mypartitionedtable in mydataset nel progetto predefinito, inserisci:

bq update --require_partition_filter PROJECT_ID:DATASET.TABLE

Passaggi successivi

Scopri di più sulla stored procedure per Spark.
Scopri di più sulle tabelle BigLake.
Scopri come configurare i criteri di controllo dell'accesso#39;accesso.
Scopri di più sull'esecuzione di query in BigQuery.
Scopri di più sulle istruzioni e i dialetti SQL supportati in BigQuery.