Crea una tabla de Apache Iceberg con metadatos en BigLake Metastore

En este documento, se muestra cómo ejecutar cargas de trabajo por lotes de Serverless para Apache Spark SQL y PySpark para crear una tabla de Apache Iceberg con metadatos almacenados en BigLake Metastore. Para obtener información sobre otras formas de ejecutar código de Spark, consulta Ejecuta código de PySpark en un notebook de BigQuery y Ejecuta una carga de trabajo de Apache Spark.

Antes de comenzar

Si aún no lo hiciste, crea un Google Cloud proyecto y un bucket de Cloud Storage.

  1. Configura tu 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.

      Go to project selector

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

      Enable the APIs

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

      Go to project selector

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

      Enable the APIs

      6.

    6. Crea un bucket 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. Otorga el rol de 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 Otorga un solo rol.

      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 enumeran en la sección Información del proyecto del Google Cloud panel 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 los de recursos de BigQuery:

      Recurso de OSS Recurso de BigQuery
      Espacio de nombres y base de datos Conjunto de datos
      Tabla particionada o no particionada Tabla
      Ver Ver

      Crea una tabla de Iceberg

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

      Spark SQL

      Ejecuta 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 de 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;

        Reemplaza lo siguiente:

        • CATALOG_NAME: Es el nombre del catálogo de Iceberg.
        • BUCKET y WAREHOUSE_FOLDER: Son el bucket y la carpeta de Cloud Storage que se usan como directorio del 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: El ID de tu proyecto de Google Cloud . Los IDs del proyecto se enumeran en la sección Información del proyecto del panel de la consola Google Cloud .
        • REGION: Es una región de Compute Engine disponible para ejecutar la carga de trabajo.
        • BUCKET_NAME: Es el nombre de tu bucket de Cloud Storage. Antes de ejecutar la carga de trabajo por lotes, Spark sube las dependencias de la carga de trabajo a una carpeta /dependencies en este bucket. El archivo WAREHOUSE_FOLDER se encuentra en este bucket.
        • --version: Versión 2.2 o posterior del entorno de ejecución de Serverless for Apache Spark
        • SUBNET_NAME: Es el nombre de una subred de VPC en REGION. Si omites esta marca, Serverless para Apache Spark selecciona la subred default en la región de la sesión. Serverless for Apache Spark habilita el Acceso privado a Google (PGA) en la subred. Para conocer los requisitos de conectividad de red, consulta Google Cloud Configuración de red de Serverless para Apache Spark.
        • LOCATION: Una ubicación de BigQuery compatible. La ubicación predeterminada es "US".
        • --properties Propiedades del catálogo

      3. Cómo ver los metadatos de la tabla en BigQuery

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

          Ir a BigQuery Studio

        2. Visualiza los metadatos de la tabla de 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 de Iceberg con metadatos de la 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;")

        Reemplaza lo siguiente:

        • CATALOG_NAME y NAMESPACE: El nombre y el espacio de nombres del catálogo de Iceberg 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: El ID de tu proyecto de Google Cloud . Los IDs del proyecto se enumeran en la sección Información del proyecto en el Google Cloud panel de la consola.
        • REGION: Es una región de Compute Engine disponible para ejecutar la carga de trabajo.
        • BUCKET_NAME: Es el nombre de tu bucket de Cloud Storage. Spark sube las dependencias de la carga de trabajo a una carpeta /dependencies en este bucket antes de ejecutar la carga de trabajo por lotes.
        • --version: Versión 2.2 o posterior del entorno de ejecución de Serverless for Apache Spark
        • SUBNET_NAME: Es el nombre de una subred de VPC en el objeto REGION. Si omites esta marca, Serverless para Apache Spark selecciona la subred default en la región de la sesión. Serverless para Apache Spark habilita el Acceso privado a Google (PGA) en la subred. Para conocer los requisitos de conectividad de red, consulta Google Cloud Configuración de red de Serverless para Apache Spark.
        • LOCATION: Una ubicación de BigQuery compatible. La ubicación predeterminada es "US".
        • BUCKET y WAREHOUSE_FOLDER: Bucket y carpeta de Cloud Storage que se usan como directorio del almacén de Iceberg.
        • --properties: Propiedades del catálogo.
      3. Visualiza el esquema de la tabla en BigQuery.
        1. En la consola de Google Cloud , ve a la página BigQuery. Ve a BigQuery Studio
        2. Visualiza los metadatos de la tabla de Iceberg.