Usa tablas de Apache Iceberg con Dataproc Metastore

Esta página explica cómo utilizar las tablas de Apache Iceberg con una Servicio de Dataproc Metastore conectado a Dataproc clúster. Apache Iceberg es una tabla abierta de datos para grandes conjuntos de datos analíticos.

Compatibilidad

Las tablas Iceberg admiten las siguientes características.

Nota: No se admite escribir una tabla Iceberg en Hive. En cambio, puedes crear en una tabla de Iceberg, insertar datos en Spark y, luego, leerlos en Hive.

Controladores	Selecciona	Insertar	Crear tabla
Spark	✓	✓	✓
Hive	✓		✓
Presto	✓	✓	✓

Antes de comenzar

• Crear un Dataproc Metastore servicio.
• Adjuntar Dataproc Metastore a Dataproc clúster.

Usar la tabla Iceberg con Spark

En el siguiente ejemplo, se muestra cómo usar las tablas Iceberg con Spark.

Las tablas Iceberg admiten operaciones de lectura y escritura. Para obtener más información, consulta Apache Iceberg: Spark.

Parámetros de configuración de Spark

Primero, inicia la shell de Spark y usa un bucket de Cloud Storage para almacenar los datos. Para incluir Iceberg en la instalación de Spark, agrega el archivo JAR de Iceberg Spark Runtime a la carpeta de JARs de Spark. Para descargar el archivo JAR, consulta Descargas de Apache Iceberg. El siguiente comando inicia la shell de Spark compatible con Apache Iceberg:

$ spark-shell --conf spark.sql.warehouse.dir=gs://BUCKET_NAME/spark-warehouse --jars /path/to/iceberg-spark-runtime.jar

Usar el catálogo de Hive para crear tablas de Iceberg

1. Configura el catálogo de Hive para crear tablas de Iceberg en Spark Scala:

   import org.apache.iceberg.hive.HiveCatalog
   import org.apache.iceberg.catalog._
   import org.apache.iceberg.Schema
   import org.apache.iceberg.types.Types._
   import org.apache.iceberg.PartitionSpec
   import org.apache.iceberg.spark.SparkSchemaUtil
   import org.apache.spark.sql._
   import java.util.HashMap
   

2. Crea una tabla para insertar y actualizar los datos. A continuación, se muestra un ejemplo.

   1. Crea una tabla llamada example en la base de datos default:

      val catalog = new HiveCatalog();
      catalog.setConf(spark.sparkContext.hadoopConfiguration);
      catalog.initialize("hive", new HashMap[String,String]());
      
      val name = TableIdentifier.of("default","example");
      

   2. Inserta datos de muestra:

      val df1 = Seq((1,"Vincent","Computer Science"),(2,"Dan", "Economics"),(3,"Bob", "Politics"),(4,"Cindy", "UX Design")).toDF("id","name","major");
      val df1_schema = SparkSchemaUtil.convert(df1.schema);
      

   3. Especifica la estrategia de partición según la columna id:

      val partition_spec=PartitionSpec.builderFor(df1_schema).identity("id").build;
      

   4. Crea la tabla:

      val table=catalog.createTable(name,df1_schema,partition_spec);
      

   5. Agrega el controlador de almacenamiento de Iceberg y SerDe como la propiedad de la tabla:

      table.updateProperties().set("engine.hive.enabled", "true").commit();
      

   6. Escribe los datos en la tabla:

      df1.write.format("iceberg").mode("overwrite").save("default.example");
      

   7. Lee los datos:

      val read_df1=spark.read.format("iceberg").load("default.example");
      read_df1.show;
      

3. Cambia el esquema de la tabla. A continuación, se muestra un ejemplo.

   1. Obtén la tabla y agrega una columna nueva grade:

      val table = catalog.loadTable(TableIdentifier.of("default", "example"));
      table.updateSchema.addColumn("grade", StringType.get()).commit();
      

   2. Verifica el nuevo esquema de la tabla:

      table.schema.toString;
      

4. Inserta más datos y observa la evolución del esquema. A continuación, se muestra un ejemplo.

   1. Agrega datos nuevos a la tabla:

      val df2=Seq((5,"Amy","UX Design","Sophomore")).toDF("id","name","major","grade");
      df2.write.format("iceberg").mode("append").save("default.example");
      
      val df3=Seq((6,"Rachael","Economics","Freshman")).toDF("id","name","major","grade");
      df3.write.format("iceberg").mode("append").save("default.example");
      

   2. Verifica los datos nuevos que se insertaron:

      val read_df2=spark.read.format("iceberg").load("default.example");
      read_df2.show;
      

   3. Visualiza el historial de la tabla:

      spark.read.format("iceberg").load("default.example.history").show(truncate = false);
      

   4. Visualiza las instantáneas:

      spark.read.format("iceberg").load("default.example.snapshots").show(truncate = false);
      

   5. Visualiza los archivos de manifiesto:

      spark.read.format("iceberg").load("default.example.manifests").show(truncate = false);
      

   6. Visualiza los archivos de datos:

      spark.read.format("iceberg").load("default.example.files").show(truncate = false);
      

   7. Supongamos que cometiste un error cuando agregaste la fila con el valor de id=6 y quieres volver para ver una versión correcta de la tabla:

      spark.read.format("iceberg").option("snapshot-id","2273922295095144317").load("default.example").show();
      

      Reemplaza snapshot-id por la versión a la que deseas volver.

Usa tablas de Hadoop para crear tablas Iceberg

1. Establece los parámetros de configuración de las tablas de Hadoop para crear tablas Iceberg en la escala de Spark:

   import org.apache.hadoop.conf.Configuration
   import org.apache.iceberg.hadoop.HadoopTables
   import org.apache.iceberg.Table
   import org.apache.iceberg.Schema
   import org.apache.iceberg.types.Types._
   import org.apache.iceberg.PartitionSpec
   import org.apache.iceberg.spark.SparkSchemaUtil
   import org.apache.spark.sql._
   

2. Crea una tabla para insertar y actualizar datos. A continuación, se muestra un ejemplo.

   1. Crea una tabla llamada example en la base de datos default:

      val conf = new Configuration();
      val tables = new HadoopTables(conf);
      

   2. Inserta datos de muestra:

      val df1 = Seq((1,"Vincent","Computer Science"),(2,"Dan", "Economics"),(3,"Bob", "Politics"),(4,"Cindy", "UX Design")).toDF("id","name","major");
      val df1_schema = SparkSchemaUtil.convert(df1.schema);
      

   3. Especifica la estrategia de partición según la columna id:

      val partition_spec=PartitionSpec.builderFor(df1_schema).identity("id").build;
      

   4. Crea la tabla:

      val table_location = "gs://<gcs-bucket-name>/hive-warehouse/<database-name>";
      val table = tables.create(df1_schema, partition_spec, table_location);
      

   5. Escribe los datos en la tabla:

      df1.write.format("iceberg").mode("overwrite").save(table_location);
      

   6. Lee los datos:

      val read_df1=spark.read.format("iceberg").load(table_location);
      read_df1.show;
      

3. Cambia el esquema de la tabla. A continuación, se muestra un ejemplo.

   1. Obtén la tabla y agrega una columna nueva grade:

      val table = tables.load(table_location);
      table.updateSchema.addColumn("grade", StringType.get()).commit();
      

   2. Verifica el nuevo esquema de la tabla:

      table.schema.toString;
      

4. Inserta más datos y observa la evolución del esquema. A continuación, se muestra un ejemplo.

   1. Agrega datos nuevos a la tabla:

      val df2=Seq((5,"Amy","UX Design","Sophomore")).toDF("id","name","major","grade");
      df2.write.format("iceberg").mode("append").save(table_location);
      
      val df3=Seq((6,"Rachael","Economics","Freshman")).toDF("id","name","major","grade");
      df3.write.format("iceberg").mode("append").save(table_location);
      

   2. Verifica los datos nuevos que se insertaron:

      val read_df2=spark.read.format("iceberg").load(table_location);
      read_df2.show;
      

   3. Visualiza el historial de la tabla:

      spark.read.format("iceberg").load("gs://<gcs-bucket-name>/hive-warehouse/<database-name>#history").show(truncate=false);
      

   4. Visualiza las instantáneas:

      spark.read.format("iceberg").load("gs://<gcs-bucket-name>/hive-warehouse/<database-name>#snapshots").show(truncate=false);
      

   5. Visualiza los archivos de manifiesto:

      spark.read.format("iceberg").load("gs://<gcs-bucket-name>/hive-warehouse/<database-name>#manifests").show(truncate=false);
      

   6. Visualiza los archivos de datos:

      spark.read.format("iceberg").load("gs://<gcs-bucket-name>/hive-warehouse/<database-name>#files").show(truncate=false);
      

   7. Regresa para ver una versión específica de la tabla:

      spark.read.format("iceberg").option("snapshot-id","3943776515926014142L").format("iceberg").load(table_location).show;
      

      Reemplaza snapshot-id por la versión a la que deseas volver y agrega "L". hasta el final. Por ejemplo, "3943776515926014142L".

Usar la tabla Iceberg en Hive

Iceberg admite tablas leídas con Hive mediante un StorageHandler. Ten en cuenta que solo se admiten las versiones 2.x y 3.1.2 de Hive. Para obtener más información, consulta Apache Iceberg: Hive. Además, agrega el archivo JAR de Iceberg Hive Runtime a la ruta de clase de Hive. Para descargar el archivo JAR, consulta Descargas de Apache Iceberg.

Para superponer una tabla de Hive sobre una tabla de Iceberg, debes crear Tabla de Iceberg con catálogo de Hive o tabla de Hadoop. Además, debes configurar Hive según corresponda para leer datos de la tabla Iceberg.

Leer la tabla de Iceberg (catálogo de Hive) en Hive

1. Abre el cliente de Hive y establece las configuraciones para leer las tablas de Iceberg en la sesión de cliente de Hive:

   add jar /path/to/iceberg-hive-runtime.jar;
   set iceberg.engine.hive.enabled=true;
   set engine.hive.enabled=true;
   set iceberg.mr.catalog=hive;
   set hive.vectorized.execution.enabled=false;
   

2. Leer el esquema y los datos de la tabla A continuación, se muestra un ejemplo.

   1. Verifica el esquema de la tabla y si el formato de la tabla es Iceberg:

      describe formatted example;
      

   2. Lee los datos de la tabla:

      select * from example;
      

Leer la tabla de Iceberg (tabla de Hadoop) en Hive

1. Abre el cliente de Hive y establece las configuraciones para leer las tablas de Iceberg en la sesión de cliente de Hive:

   add jar /path/to/iceberg-hive-runtime.jar;
   set engine.hive.enabled=true;
   set hive.vectorized.execution.enabled=false;
   

2. Leer el esquema y los datos de la tabla A continuación, se muestra un ejemplo.

   1. Crea una tabla externa (superpón una tabla de Hive a la tabla de Iceberg):

      CREATE EXTERNAL TABLE hadoop_table
      STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler'
      LOCATION 'gs://<gcs-bucket-name>/hive-warehouse/<database-name>'
      TBLPROPERTIES ('iceberg.catalog'='gs://<gcs-bucket-name>/hive-warehouse/<database-name>');
      

   2. Verifica el esquema de la tabla y si el formato de la tabla es Iceberg:

      describe formatted hadoop_table;
      

   3. Lee los datos de la tabla:

      select * from hadoop_table;
      

Usar la tabla Iceberg en Presto

Las consultas de Presto usan el conector de Hive para obtener ubicaciones de particiones, por lo que debes configurar Presto según corresponda para leer y escribir datos en la tabla de Iceberg. Para Para obtener más información, consulta Presto/Trino: Hive Connector. y Presto/Trino - Iceberg Connector.

Parámetros de configuración de Presto

1. En cada nodo del clúster de Dataproc, crea un archivo llamado iceberg.properties /etc/presto/conf/catalog/iceberg.properties y configura hive.metastore.uri de la siguiente manera:

   connector.name=iceberg
   hive.metastore.uri=thrift://<example.net:9083>
   

   Reemplaza example.net:9083 por el host y el puerto correctos para el servicio de Thrift del metastore de Hive.

2. Reinicia el servicio de Presto para enviar las configuraciones:

   sudo systemctl restart presto.service
   

   Nota: Puedes usar la herramienta Presto-Admin. para actualizar todos los nodos en Batch.

Crea una tabla de Iceberg en Presto

1. Abre el cliente de Presto y usa el conector “Iceberg” para obtener el almacén de metadatos:

   --catalog iceberg --schema default
   

2. Crea una tabla para insertar y actualizar los datos. A continuación, se muestra un ejemplo.

   1. Crea una tabla llamada example en la base de datos default:

      CREATE TABLE iceberg.default.example (
        id integer,
        name VARCHAR,
        major VARCHAR,
        grade VARCHAR)
      WITH (partitioning = ARRAY['major', 'grade']);
      

   2. Inserta datos de muestra:

      INSERT INTO iceberg.default.example
        VALUES (1, 'Vincent', 'Computer Science', 'Junior'), (2,'Dan', 'Economics', 'Senior'), (3,'Bob', 'Politics', 'Freshman');
      

   3. Lee datos de la tabla:

      SELECT * FROM iceberg.default.example;
      

   4. Inserta más datos nuevos para verificar las instantáneas:

      INSERT INTO example
        VALUES (4, 'Cindy', 'UX Design', 'Junior');
      
      INSERT INTO example
        VALUES (5, 'Amy', 'UX Design', 'Sophomore');
      

   5. Consulta las instantáneas:

      SELECT snapshot_id FROM iceberg.default."example$snapshots";
      

      Puedes encontrar el ID de la instantánea más reciente si agregas el comando ORDER BY committed_at DESC LIMIT 1;.

   6. Revierte a una versión específica de la tabla:

      CALL iceberg.system.rollback_to_snapshot('default', 'example', 8424394414541782448);
      

      Reemplaza snapshot-id por la versión a la que deseas regresar.

¿Qué sigue?

• Administrar un servicio.
• Importar metadatos a un servicio.