Crear una tabla de Apache Iceberg con metadatos en BigLake Metastore

En este documento se explica cómo ejecutar cargas de trabajo por lotes de Apache Spark SQL y PySpark sin servidor para crear una tabla de Apache Iceberg con metadatos almacenados en el metastore de BigLake. Para obtener información sobre otras formas de ejecutar código de Spark, consulta los artículos Ejecutar código de PySpark en un cuaderno de BigQuery y Ejecutar una carga de trabajo de Apache Spark.

Antes de empezar

Si aún no lo has hecho, crea un Google Cloud proyecto y un contenedor de Cloud Storage.

  1. Configurar un proyecto

    1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

    2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

      Roles required to select or create a project

      • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
      • Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

      Go to project selector

    3. Enable the Dataproc, BigQuery, and Cloud Storage APIs.

      Roles required to enable APIs

      To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

      Enable the APIs

    4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

      Roles required to select or create a project

      • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
      • Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

      Go to project selector

    5. Enable the Dataproc, BigQuery, and Cloud Storage APIs.

      Roles required to enable APIs

      To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

      Enable the APIs

      6.

    6. Crea un segmento de Cloud Storage en tu proyecto.

      1. In the Google Cloud console, go to the Cloud Storage Buckets page.

        Go to Buckets

      2. Click Create.
      3. On the Create a bucket page, enter your bucket information. To go to the next step, click Continue.
        1. In the Get started section, do the following:
          • Enter a globally unique name that meets the bucket naming requirements.
          • To add a bucket label, expand the Labels section (), click Add label, and specify a key and a value for your label.
        2. In the Choose where to store your data section, do the following:
          1. Select a Location type.
          2. Choose a location where your bucket's data is permanently stored from the Location type drop-down menu.
          3. To set up cross-bucket replication, select Add cross-bucket replication via Storage Transfer Service and follow these steps:

            Set up cross-bucket replication

            1. In the Bucket menu, select a bucket.

            2. In the Replication settings section, click Configure to configure settings for the replication job.

              The Configure cross-bucket replication pane appears.

              • To filter objects to replicate by object name prefix, enter a prefix that you want to include or exclude objects from, then click Add a prefix.
              • To set a storage class for the replicated objects, select a storage class from the Storage class menu. If you skip this step, the replicated objects will use the destination bucket's storage class by default.
              • Click Done.
        3. In the Choose how to store your data section, do the following:
          1. Select a default storage class for the bucket or Autoclass for automatic storage class management of your bucket's data.
          2. To enable hierarchical namespace, in the Optimize storage for data-intensive workloads section, select Enable hierarchical namespace on this bucket.
        4. In the Choose how to control access to objects section, select whether or not your bucket enforces public access prevention, and select an access control method for your bucket's objects.
        5. In the Choose how to protect object data section, do the following:
          • Select any of the options under Data protection that you want to set for your bucket.
            • To enable soft delete, click the Soft delete policy (For data recovery) checkbox, and specify the number of days you want to retain objects after deletion.
            • To set Object Versioning, click the Object versioning (For version control) checkbox, and specify the maximum number of versions per object and the number of days after which the noncurrent versions expire.
            • To enable the retention policy on objects and buckets, click the Retention (For compliance) checkbox, and then do the following:
              • To enable Object Retention Lock, click the Enable object retention checkbox.
              • To enable Bucket Lock, click the Set bucket retention policy checkbox, and choose a unit of time and a length of time for your retention period.
          • To choose how your object data will be encrypted, expand the Data encryption section (), and select a Data encryption method.
      4. Click Create.

    7. Asigna el rol Editor de datos de BigQuery (roles/bigquery.dataEditor) a la cuenta de servicio predeterminada de Compute Engine PROJECT_NUMBER-compute@developer.gserviceaccount.com. Para obtener instrucciones, consulta Asignar un rol concreto.

      Ejemplo de Google Cloud CLI:

      gcloud projects add-iam-policy-binding PROJECT_ID \
    --member PROJECT_NUMBER-compute@developer.gserviceaccount.com \
--role roles/bigquery.dataEditor

      Notas:

      • PROJECT_ID y PROJECT_NUMBER se indican en la sección Información del proyecto del Google Cloud panel de control de la consola.

      8. Asignación de recursos de OSS a recursos de BigQuery

      Ten en cuenta la siguiente asignación entre los términos de recursos de código abierto y de BigQuery:

      Recurso de OSS Recurso de BigQuery
      Espacio de nombres y base de datos Conjunto de datos
      Tabla con o sin particiones Tabla
      Ver Ver

      Crear una tabla Iceberg

      En esta sección se muestra cómo crear una tabla de Iceberg con metadatos en el metastore de BigLake mediante cargas de trabajo por lotes de Spark SQL y PySpark de Serverless para Apache Spark.

      Spark SQL

      Ejecutar una carga de trabajo de Spark SQL para crear una tabla de Iceberg

      En los siguientes pasos se muestra cómo ejecutar una carga de trabajo por lotes de Spark SQL de Serverless para Apache Spark para crear una tabla Iceberg con metadatos de tabla almacenados en BigLake Metastore.

      1. Copia los siguientes comandos de Spark SQL de forma local o en Cloud Shell en un archivo iceberg-table.sql.

        USE CATALOG_NAME;
CREATE NAMESPACE IF NOT EXISTS example_namespace;
DROP TABLE IF EXISTS example_table;
CREATE TABLE example_table (id int, data string) USING ICEBERG LOCATION 'gs://BUCKET/WAREHOUSE_FOLDER';
INSERT INTO example_table VALUES (1, 'first row');
ALTER TABLE example_table ADD COLUMNS (newDoubleCol double);
DESCRIBE TABLE example_table;

        Haz los cambios siguientes:

        • CATALOG_NAME: nombre del catálogo de Iceberg.
        • BUCKET y WAREHOUSE_FOLDER: segmento y carpeta de Cloud Storage que se usan como directorio de almacén de Iceberg.

      2. Ejecuta el siguiente comando de forma local o en Cloud Shell desde el directorio que contiene iceberg-table.sql para enviar la carga de trabajo de Spark SQL. 

        gcloud dataproc batches submit spark-sql iceberg-table.sql \
    --project=PROJECT_ID \
    --region=REGION \
    --deps-bucket=BUCKET_NAME \
    --version=2.2 \
    --subnet=SUBNET_NAME \
    --properties="spark.sql.catalog.CATALOG_NAME=org.apache.iceberg.spark.SparkCatalog,spark.sql.catalog.CATALOG_NAME.catalog-impl=org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog,spark.sql.catalog.CATALOG_NAME.gcp_project=PROJECT_ID,spark.sql.catalog.CATALOG_NAME.gcp_location=LOCATION,spark.sql.catalog.CATALOG_NAME.warehouse=gs://BUCKET/WAREHOUSE_FOLDER"

        Notas:

        • PROJECT_ID: tu ID de proyecto Google Cloud . Los IDs de proyecto se indican en la sección Información del proyecto del panel de control de la consola Google Cloud .
        • REGION: una región de Compute Engine disponible para ejecutar la carga de trabajo.
        • BUCKET_NAME: nombre del segmento de Cloud Storage. Spark sube las dependencias de la carga de trabajo a una carpeta /dependencies de este bucket antes de ejecutar la carga de trabajo por lotes. El WAREHOUSE_FOLDER se encuentra en este segmento.
        • --version: versión 2.2 o posterior del tiempo de ejecución de Serverless for Apache Spark.
        • SUBNET_NAME: nombre de una subred de VPC en el REGION. Si omite esta marca, Serverless para Apache Spark seleccionará la default subred de la región de la sesión. Serverless para Apache Spark habilita el acceso privado de Google (PGA) en la subred. Para consultar los requisitos de conectividad de red, consulta Google Cloud Configuración de red de Serverless para Apache Spark.
        • LOCATION: una ubicación de BigQuery admitida. La ubicación predeterminada es "US".
        • --properties Propiedades de catálogo

      3. Ver metadatos de una tabla en BigQuery

        1. En la Google Cloud consola, ve a la página BigQuery.

          Ir a BigQuery Studio

        2. Ver los metadatos de una tabla Iceberg.

      PySpark

      En los siguientes pasos se muestra cómo ejecutar una carga de trabajo por lotes de PySpark de Serverless para Apache Spark para crear una tabla Iceberg con metadatos de tabla almacenados en BigLake Metastore.

      1. Copia el siguiente código de PySpark de forma local o en Cloud Shell en un archivo iceberg-table.py. 
        from pyspark.sql import SparkSession
spark = SparkSession.builder.appName("iceberg-table-example").getOrCreate()

catalog = "CATALOG_NAME"
namespace = "NAMESPACE"

spark.sql(f"USE `{catalog}`;")
spark.sql(f"CREATE NAMESPACE IF NOT EXISTS `{namespace}`;")
spark.sql(f"USE `{namespace}`;")

# Create table and display schema
spark.sql("DROP TABLE IF EXISTS example_iceberg_table")
spark.sql("CREATE TABLE example_iceberg_table (id int, data string) USING ICEBERG") 
spark.sql("DESCRIBE example_iceberg_table;")

# Insert table data.
spark.sql("INSERT INTO example_iceberg_table VALUES (1, 'first row');")

# Alter table, then display schema. 
spark.sql("ALTER TABLE example_iceberg_table ADD COLUMNS (newDoubleCol double);")
spark.sql("DESCRIBE example_iceberg_table;")

        Haz los cambios siguientes:

        • CATALOG_NAME y NAMESPACE: el nombre del catálogo de Iceberg y el espacio de nombres se combinan para identificar la tabla de Iceberg (catalog.namespace.table_name).
      2. Ejecuta el siguiente comando de forma local o en Cloud Shell desde el directorio que contiene iceberg-table.py para enviar la carga de trabajo de PySpark. 
        gcloud dataproc batches submit pyspark iceberg-table.py \
    --project=PROJECT_ID \
    --region=REGION \
    --deps-bucket=BUCKET_NAME \
    --version=2.2 \
    --subnet=SUBNET_NAME \
    --properties="spark.sql.catalog.CATALOG_NAME=org.apache.iceberg.spark.SparkCatalog,spark.sql.catalog.CATALOG_NAME.catalog-impl=org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog,spark.sql.catalog.CATALOG_NAME.gcp_project=PROJECT_ID,spark.sql.catalog.CATALOG_NAME.gcp_location=LOCATION,spark.sql.catalog.CATALOG_NAME.warehouse=gs://BUCKET/WAREHOUSE_FOLDER"

        Notas:

        • PROJECT_ID: tu ID de proyecto Google Cloud . Los IDs de proyecto se indican en la sección Información del proyecto del Google Cloud panel de control de la consola.
        • REGION: una región de Compute Engine disponible para ejecutar la carga de trabajo.
        • BUCKET_NAME: nombre del segmento de Cloud Storage. Spark sube las dependencias de la carga de trabajo a una carpeta /dependencies de este contenedor antes de ejecutar la carga de trabajo por lotes.
        • --version: versión 2.2 o posterior del tiempo de ejecución de Serverless for Apache Spark.
        • SUBNET_NAME: nombre de una subred de VPC en la REGION. Si omite esta marca, Serverless para Apache Spark seleccionará la default subred de la región de la sesión. Serverless para Apache Spark habilita el acceso privado de Google (PGA) en la subred. Para consultar los requisitos de conectividad de red, consulta la sección Google Cloud Configuración de red de Serverless para Apache Spark.
        • LOCATION: una ubicación de BigQuery admitida. La ubicación predeterminada es "US".
        • BUCKET y WAREHOUSE_FOLDER: segmento y carpeta de Cloud Storage que se usan como directorio de almacén de Iceberg.
        • --properties: Propiedades de catálogo.
      3. Consulta el esquema de la tabla en BigQuery.
        1. En la Google Cloud consola, ve a la página BigQuery. Ir a BigQuery Studio
        2. Ver los metadatos de una tabla Iceberg.