Utilizzo delle tabelle Apache Iceberg con Dataproc Metastore

Questa pagina spiega come utilizzare le tabelle Apache Iceberg con un servizio Dataproc Metastore collegato a un cluster Dataproc. Apache Iceberg è un formato a tabella aperta per set di dati analitici di grandi dimensioni.

Compatibilità

Le tabelle di iceberg supportano le seguenti funzionalità.

Nota: la scrittura di una tabella Iceberg su Hive non è supportata. Puoi invece creare una tabella Iceberg, inserire dati su Spark e poi leggerli su Hive.

Driver	Seleziona	Inserisci	Crea tabella
Spark	✓	✓	✓
Hive	✓		✓
Presto	✓	✓	✓

Prima di iniziare

• Creare un servizio Dataproc Metastore.
• Collega Dataproc Metastore a un cluster Dataproc.

Utilizzo della tabella Iceberg con Spark

L'esempio seguente mostra che devi utilizzare le tabelle Iceberg con Spark.

Le tabelle iceberg supportano le operazioni di lettura e scrittura. Per ulteriori informazioni, consulta Apache Iceberg - Spark.

Configurazioni Spark

Per prima cosa, avvia la shell di Spark e utilizza un bucket Cloud Storage per archiviare i dati. Per includere Iceberg nell'installazione di Spark, aggiungi il file JAR di Iceberg Spark Runtime alla cartella JAR di Spark. Per scaricare il file JAR, consulta la sezione Download di Apache Iceberg. Il seguente comando avvia la shell Spark con supporto per Apache Iceberg:

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

Utilizzare il catalogo Hive per creare tabelle Iceberg

1. Imposta le configurazioni del catalogo Hive per creare tabelle Iceberg nella scala Spark:

   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 tabella per inserire e aggiornare i dati. Di seguito è riportato un esempio.

   1. Crea una tabella denominata example nel database default:

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

   2. Inserisci dati di esempio:

      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. Specifica la strategia di partizione in base alla colonna id:

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

   4. Crea la tabella:

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

   5. Aggiungi il gestore dell'archiviazione Iceberg e SerDe come proprietà della tabella:

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

   6. Scrivi i dati nella tabella:

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

   7. Leggi i dati:

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

3. Modificare lo schema della tabella. Di seguito è riportato un esempio.

   1. Recupera la tabella e aggiungi una nuova colonna grade:

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

   2. Controlla il nuovo schema della tabella:

      table.schema.toString;
      

4. Inserisci altri dati e visualizza l'evoluzione dello schema. Di seguito è riportato un esempio.

   1. Aggiungi nuovi dati alla tabella:

      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. Controlla i nuovi dati inseriti:

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

   3. Visualizzare la cronologia della tabella:

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

   4. Visualizza gli snapshot:

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

   5. Visualizza i file manifest:

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

   6. Visualizza i file di dati:

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

   7. Supponi di aver commesso un errore aggiungendo la riga con il valore id=6 e di voler tornare indietro e visualizzare una versione corretta della tabella:

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

      Sostituisci snapshot-id con la versione a cui vuoi tornare.

Utilizzare le tabelle Hadoop per creare tabelle Iceberg

1. Configura le configurazioni delle tabelle Hadoop per creare tabelle Iceberg nella scala 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 tabella per inserire e aggiornare i dati. Di seguito è riportato un esempio.

   1. Crea una tabella denominata example nel database default:

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

   2. Inserisci dati di esempio:

      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. Specifica la strategia di partizione in base alla colonna id:

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

   4. Crea la tabella:

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

   5. Scrivi i dati nella tabella:

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

   6. Leggi i dati:

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

3. Modificare lo schema della tabella. Di seguito è riportato un esempio.

   1. Recupera la tabella e aggiungi una nuova colonna grade:

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

   2. Controlla il nuovo schema della tabella:

      table.schema.toString;
      

4. Inserisci altri dati e visualizza l'evoluzione dello schema. Di seguito è riportato un esempio.

   1. Aggiungi nuovi dati alla tabella:

      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. Controlla i nuovi dati inseriti:

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

   3. Visualizzare la cronologia della tabella:

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

   4. Visualizza gli snapshot:

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

   5. Visualizza i file manifest:

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

   6. Visualizza i file di dati:

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

   7. Torna indietro per visualizzare una versione specifica della tabella:

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

      Sostituisci snapshot-id con la versione a cui vuoi tornare e aggiungi "L" alla fine. Ad esempio: "3943776515926014142L".

Utilizzo della tabella Iceberg su Hive

Iceberg supporta la lettura delle tabelle mediante Hive mediante un StorageHandler. Tieni presente che sono supportate solo le versioni Hive 2.x e 3.1.2. Per ulteriori informazioni, consulta Apache Iceberg - Hive. Inoltre, aggiungi il file JAR di runtime Iceberg Hive al percorso della classe Hive. Per scaricare il file JAR, consulta la sezione Download di Apache Iceberg.

Per sovrapporre una tabella Hive in cima a una tabella Iceberg, devi creare la tabella Iceberg utilizzando un catalogo Hive o una tabella Hadoop. Inoltre, devi configurare Hive di conseguenza per leggere i dati dalla tabella Iceberg.

Lettura della tabella Iceberg (catalogo Hive) su Hive

1. Apri il client Hive e imposta le configurazioni per leggere le tabelle Iceberg nella sessione del client 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. Leggi lo schema e i dati della tabella. Di seguito è riportato un esempio.

   1. Controlla lo schema della tabella e verifica che il formato della tabella sia Iceberg:

      describe formatted example;
      

   2. Leggi i dati dalla tabella:

      select * from example;
      

Lettura tabella Iceberg (tabella Hadoop) su Hive

1. Apri il client Hive e imposta le configurazioni per leggere le tabelle Iceberg nella sessione del client Hive:

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

2. Leggi lo schema e i dati della tabella. Di seguito è riportato un esempio.

   1. Crea una tabella esterna (sovrapponi una tabella Hive sopra la tabella 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. Controlla lo schema della tabella e verifica che il formato della tabella sia Iceberg:

      describe formatted hadoop_table;
      

   3. Leggi i dati dalla tabella:

      select * from hadoop_table;
      

Utilizzare la tabella Iceberg su Presto

Le query Presto utilizzano il connettore Hive per ottenere le posizioni delle partizioni, quindi devi configurare Presto di conseguenza per leggere e scrivere dati nella tabella Iceberg. Per ulteriori informazioni, consulta Connettore Presto/Trino - Hive e Connettore Presto/Trino - Iceberg.

Configurazioni Presto

1. Sotto ogni nodo del cluster Dataproc, crea un file denominato iceberg.properties /etc/presto/conf/catalog/iceberg.properties e configura hive.metastore.uri come segue:

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

   Sostituisci example.net:9083 con l'host e la porta corretti per il servizio Hive Metastore Thrift.

2. Riavvia il servizio Presto per eseguire il push delle configurazioni:

   sudo systemctl restart presto.service
   

   Nota: puoi utilizzare lo strumento presto-admin per aggiornare tutti i nodi in modalità batch.

Crea tabella Iceberg su Presto

1. Apri il client Presto e utilizza il connettore "Iceberg" per ottenere il metastore:

   --catalog iceberg --schema default
   

2. Crea una tabella per inserire e aggiornare i dati. Di seguito è riportato un esempio.

   1. Crea una tabella denominata example nel database default:

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

   2. Inserisci dati di esempio:

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

   3. Leggi i dati dalla tabella:

      SELECT * FROM iceberg.default.example;
      

   4. Inserisci altri nuovi dati per controllare gli snapshot:

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

   5. Visualizza gli snapshot:

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

      Aggiungendo il comando ORDER BY committed_at DESC LIMIT 1;, puoi trovare l'ID snapshot più recente.

   6. Esegui il rollback a una versione specifica della tabella:

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

      Sostituisci snapshot-id con la versione a cui vuoi tornare.

Passaggi successivi

• Gestire un servizio.
• Importare metadati in un servizio.