Utilizzare le tabelle BigLake per Apache Iceberg in BigQuery

Le tabelle BigLake per Apache Iceberg in BigQuery (di seguito tabelle BigLake Iceberg in BigQuery) forniscono le basi per la creazione di lakehouse in formato aperto su Google Cloud. Le tabelle BigLake Iceberg in BigQuery offrono la stessa esperienza completamente gestita delle tabelle BigQuery standard, ma archiviano i dati in bucket di archiviazione di proprietà del cliente. Le tabelle BigLake Iceberg in BigQuery supportano il formato aperto delle tabelle Iceberg per una migliore interoperabilità con motori di calcolo open source e di terze parti su una singola copia dei dati.

Le tabelle BigLake Iceberg in BigQuery supportano le seguenti funzionalità:

Architettura

Le tabelle BigLake Iceberg in BigQuery offrono la comodità della gestione delle risorse BigQuery alle tabelle che si trovano nei tuoi bucket cloud. Puoi utilizzare BigQuery e motori di calcolo open source su queste tabelle senza spostare i dati dai bucket che controlli. Devi configurare un bucket Cloud Storage prima di iniziare a utilizzare le tabelle BigLake Iceberg in BigQuery.

Le tabelle BigLake Iceberg in BigQuery utilizzano BigLake Metastore come metastore di runtime unificato per tutti i dati Iceberg. BigLake Metastore fornisce un'unica fonte di riferimento per la gestione dei metadati di più motori e consente l'interoperabilità dei motori.

Il seguente diagramma mostra l'architettura della tabella gestita a un livello generale:

Diagramma dell'architettura delle tabelle BigLake Iceberg in BigQuery.

Questa gestione delle tabelle ha le seguenti implicazioni per il tuo bucket:

  • BigQuery crea nuovi file di dati nel bucket in risposta a richieste di scrittura e ottimizzazioni dell'archiviazione in background, come istruzioni DML e streaming.
  • Quando elimini una tabella gestita in BigQuery, BigQuery esegue la garbage collection dei file di dati associati in Cloud Storage dopo la scadenza del periodo di time travel.

La creazione di una tabella BigLake Iceberg in BigQuery è simile alla creazione di tabelle BigQuery. Poiché archivia i dati in formati aperti su Cloud Storage, devi:

  • Specifica la connessione risorsa cloud con WITH CONNECTION per configurare le credenziali di connessione per BigLake per accedere a Cloud Storage.
  • Specifica il formato file dell'archiviazione dei dati come PARQUET con l'istruzione file_format = PARQUET.
  • Specifica il formato della tabella dei metadati open source come ICEBERG con l'istruzione table_format = ICEBERG.

Best practice

La modifica o l'aggiunta diretta di file al bucket al di fuori di BigQuery può comportare la perdita di dati o errori irrecuperabili. La tabella seguente descrive i possibili scenari:

Operazione Conseguenze Prevenzione
Aggiungi nuovi file al bucket al di fuori di BigQuery. Perdita di dati:i nuovi file o oggetti aggiunti al di fuori di BigQuery non vengono monitorati da BigQuery. I file non monitorati vengono eliminati dai processi di garbage collection in background. Aggiungi dati esclusivamente tramite BigQuery. In questo modo BigQuery può tenere traccia dei file ed evitare che vengano sottoposti a garbage collection.
Per evitare aggiunte accidentali e perdita di dati, ti consigliamo anche di limitare le autorizzazioni di scrittura degli strumenti esterni sui bucket contenenti tabelle BigLake Iceberg in BigQuery.
Crea una nuova tabella BigLake Iceberg in BigQuery in un prefisso non vuoto. Perdita di dati:i dati esistenti non vengono monitorati da BigQuery, quindi questi file sono considerati non monitorati e vengono eliminati dai processi di Garbage Collection in background. Crea nuove tabelle BigLake Iceberg in BigQuery solo in prefissi vuoti.
Modifica o sostituisci la tabella BigLake Iceberg nei file di dati BigQuery. Perdita di dati:in caso di modifica o sostituzione esterna, la tabella non supera un controllo di coerenza e diventa illeggibile. Le query sulla tabella non riescono.
Non esiste un modo self-service per eseguire il recupero da questo punto. Contatta l'assistenza per ricevere aiuto con il recupero dei dati.		 Modifica i dati esclusivamente tramite BigQuery. In questo modo BigQuery può tenere traccia dei file ed evitare che vengano sottoposti a garbage collection.
Per evitare aggiunte accidentali e perdita di dati, ti consigliamo anche di limitare le autorizzazioni di scrittura degli strumenti esterni sui bucket contenenti tabelle BigLake Iceberg in BigQuery.
Crea due tabelle BigLake Iceberg in BigQuery sugli stessi URI o su URI sovrapposti. Perdita di dati:BigQuery non collega istanze URI identiche di tabelle BigLake Iceberg in BigQuery. I processi di garbage collection in background per ogni tabella considereranno i file della tabella opposta come non monitorati ed elimineranno, causando la perdita di dati. Utilizza URI univoci per ogni tabella BigLake Iceberg in BigQuery.

Best practice per la configurazione dei bucket Cloud Storage

La configurazione del bucket Cloud Storage e la sua connessione a BigLake influiscono direttamente su prestazioni, costi, integrità, sicurezza e governance dei dati delle tabelle BigLake Iceberg in BigQuery. Di seguito sono riportate le best practice per facilitare questa configurazione:

  • Seleziona un nome che indichi chiaramente che il bucket è destinato solo alle tabelle BigLake Iceberg in BigQuery.

  • Scegli bucket Cloud Storage monoregionali che si trovano nella stessa regione del tuo dataset BigQuery. Questo coordinamento migliora le prestazioni e riduce i costi evitando le tariffe per il trasferimento di dati.

  • Per impostazione predefinita, Cloud Storage archivia i dati nella classe di archiviazione Standard, che offre prestazioni sufficienti. Per ottimizzare i costi di archiviazione dei dati, puoi attivare Autoclass per gestire automaticamente le transizioni delle classi di archiviazione. Autoclass inizia con la classe di archiviazione Standard e sposta gli oggetti a cui non si accede in classi progressivamente più fredde per ridurre i costi di archiviazione. Quando l'oggetto viene letto di nuovo, viene spostato di nuovo nella classe Standard.

  • Attiva l'accesso uniforme a livello di bucket e la prevenzione dell'accesso pubblico.

  • Verifica che i ruoli richiesti siano assegnati agli utenti e ai service account corretti.

  • Per evitare l'eliminazione o il danneggiamento accidentale dei dati Iceberg nel bucket Cloud Storage, limita le autorizzazioni di scrittura ed eliminazione per la maggior parte degli utenti della tua organizzazione. Puoi farlo impostando un criterio di autorizzazione bucket con condizioni che negano le richieste PUT e DELETE per tutti gli utenti, tranne quelli che specifichi.

  • Applica chiavi di crittografia gestite da Google o gestite dal cliente per una maggiore protezione dei dati sensibili.

  • Abilita l'audit logging per la trasparenza operativa, la risoluzione dei problemi e il monitoraggio dell'accesso ai dati.

  • Mantieni il criterio di eliminazione temporanea predefinito (conservazione di 7 giorni) per proteggerti da eliminazioni accidentali. Tuttavia, se noti che i dati Iceberg sono stati eliminati, contatta l'assistenza anziché ripristinare manualmente gli oggetti, poiché gli oggetti aggiunti o modificati al di fuori di BigQuery non vengono monitorati dai metadati BigQuery.

  • Il dimensionamento adattivo dei file, il clustering automatico e la garbage collection sono abilitati automaticamente e contribuiscono a ottimizzare le prestazioni e i costi dei file.

  • Evita le seguenti funzionalità di Cloud Storage, in quanto non sono supportate per le tabelle BigLake Iceberg in BigQuery:

Puoi implementare queste best practice creando il bucket con il seguente comando:

gcloud storage buckets create gs://BUCKET_NAME \
    --project=PROJECT_ID \
    --location=LOCATION \
    --enable-autoclass \
    --public-access-prevention \
    --uniform-bucket-level-access

Sostituisci quanto segue:

  • BUCKET_NAME: il nome del nuovo bucket
  • PROJECT_ID: l'ID del progetto
  • LOCATION: la posizione del nuovo bucket

Tabella BigLake Iceberg nei workflow BigQuery

Le sezioni seguenti descrivono come creare, caricare, gestire ed eseguire query sulle tabelle gestite.

Prima di iniziare

Prima di creare e utilizzare le tabelle BigLake Iceberg in BigQuery, assicurati di aver configurato una connessione a una risorsa cloud a un bucket di archiviazione. La connessione deve disporre delle autorizzazioni di scrittura sul bucket di archiviazione, come specificato nella seguente sezione Ruoli richiesti. Per saperne di più sui ruoli e sulle autorizzazioni richiesti per le connessioni, consulta Gestire le connessioni.

Ruoli obbligatori

Per ottenere le autorizzazioni necessarie per consentire a BigQuery di gestire le tabelle nel tuo progetto, chiedi all'amministratore di concederti i seguenti ruoli IAM:

Per saperne di più sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

Questi ruoli predefiniti contengono le autorizzazioni necessarie per consentire a BigQuery di gestire le tabelle nel tuo progetto. Per vedere quali sono esattamente le autorizzazioni richieste, espandi la sezione Autorizzazioni obbligatorie:

Autorizzazioni obbligatorie

Per consentire a BigQuery di gestire le tabelle nel tuo progetto, sono necessarie le seguenti autorizzazioni:

  • bigquery.connections.delegate sul tuo progetto
  • bigquery.jobs.create sul tuo progetto
  • bigquery.readsessions.create sul tuo progetto
  • bigquery.tables.create sul tuo progetto
  • bigquery.tables.get sul tuo progetto
  • bigquery.tables.getData sul tuo progetto
  • storage.buckets.get sul tuo bucket
  • storage.objects.create sul tuo bucket
  • storage.objects.delete sul tuo bucket
  • storage.objects.get sul tuo bucket
  • storage.objects.list sul tuo bucket

Potresti anche ottenere queste autorizzazioni con ruoli personalizzati o altri ruoli predefiniti.

Crea tabelle BigLake Iceberg in BigQuery

Per creare una tabella BigLake Iceberg in BigQuery, seleziona uno dei seguenti metodi:

SQL 

CREATE TABLE [PROJECT_ID.]DATASET_ID.TABLE_NAME (
COLUMN DATA_TYPE[, ...]
)
CLUSTER BY CLUSTER_COLUMN_LIST
WITH CONNECTION {CONNECTION_NAME | DEFAULT}
OPTIONS (
file_format = 'PARQUET',
table_format = 'ICEBERG',
storage_uri = 'STORAGE_URI');

Sostituisci quanto segue:

  • PROJECT_ID: il progetto contenente il set di dati. Se non è definito, il comando presuppone il progetto predefinito.
  • DATASET_ID: un set di dati esistente.
  • TABLE_NAME: il nome della tabella che stai creando.
  • DATA_TYPE: il tipo di dati delle informazioni contenute nella colonna.
  • CLUSTER_COLUMN_LIST (facoltativo): un elenco separato da virgole contenente fino a quattro colonne. Devono essere colonne di primo livello non ripetute.

  • CONNECTION_NAME: il nome della connessione. Ad esempio, myproject.us.myconnection.

    Per utilizzare una connessione predefinita, specifica DEFAULT anziché la stringa di connessione contenente PROJECT_ID.REGION.CONNECTION_ID.

  • STORAGE_URI: un URI Cloud Storage completo. Ad esempio: gs://mybucket/table.

bq 

bq --project_id=PROJECT_ID mk \
    --table \
    --file_format=PARQUET \
    --table_format=ICEBERG \
    --connection_id=CONNECTION_NAME \
    --storage_uri=STORAGE_URI \
    --schema=COLUMN_NAME:DATA_TYPE[, ...] \
    --clustering_fields=CLUSTER_COLUMN_LIST \
    DATASET_ID.MANAGED_TABLE_NAME

Sostituisci quanto segue:

  • PROJECT_ID: il progetto contenente il set di dati. Se non è definito, il comando presuppone il progetto predefinito.
  • CONNECTION_NAME: il nome della connessione. Ad esempio, myproject.us.myconnection.
  • STORAGE_URI: un URI Cloud Storage completo. Ad esempio: gs://mybucket/table.
  • COLUMN_NAME: il nome della colonna.
  • DATA_TYPE: il tipo di dati delle informazioni contenute nella colonna.
  • CLUSTER_COLUMN_LIST (facoltativo): un elenco separato da virgole contenente fino a quattro colonne. Devono essere colonne di primo livello non ripetute.
  • DATASET_ID: l'ID di un set di dati esistente.
  • MANAGED_TABLE_NAME: il nome della tabella che stai creando.

API

Chiama il metodo tables.insert' con una risorsa tabella definita, simile alla seguente:

{
"tableReference": {
  "tableId": "TABLE_NAME"
},
"biglakeConfiguration": {
  "connectionId": "CONNECTION_NAME",
  "fileFormat": "PARQUET",
  "tableFormat": "ICEBERG",
  "storageUri": "STORAGE_URI"
},
"schema": {
  "fields": [
    {
      "name": "COLUMN_NAME",
      "type": "DATA_TYPE"
    }
    [, ...]
  ]
}
}

Sostituisci quanto segue:

  • TABLE_NAME: il nome della tabella che stai creando.
  • CONNECTION_NAME: il nome della connessione. Ad esempio, myproject.us.myconnection.
  • STORAGE_URI: un URI Cloud Storage completo. Sono supportati anche i caratteri jolly. Ad esempio gs://mybucket/table.
  • COLUMN_NAME: il nome della colonna.
  • DATA_TYPE: il tipo di dati delle informazioni contenute nella colonna.

Importare i dati nelle tabelle BigLake Iceberg in BigQuery

Le sezioni seguenti descrivono come importare i dati da vari formati di tabella nelle tabelle BigLake Iceberg in BigQuery.

Carica i dati standard dai flat file

Le tabelle BigLake Iceberg in BigQuery utilizzano i job di caricamento BigQuery per caricare file esterni nelle tabelle BigLake Iceberg in BigQuery. Se hai una tabella BigLake Iceberg esistente in BigQuery, segui la guida alla CLI bq load o la guida SQL LOAD per caricare i dati esterni. Dopo il caricamento dei dati, vengono scritti nuovi file Parquet nella cartella STORAGE_URI/data.

Se le istruzioni precedenti vengono utilizzate senza una tabella BigLake Iceberg esistente in BigQuery, viene creata una tabella BigQuery.

Per esempi specifici dello strumento di caricamenti batch nelle tabelle gestite, consulta quanto segue:

SQL 

LOAD DATA INTO MANAGED_TABLE_NAME
FROM FILES (
uris=['STORAGE_URI'],
format='FILE_FORMAT');

Sostituisci quanto segue:

  • MANAGED_TABLE_NAME: il nome di una tabella BigLake Iceberg esistente in BigQuery.
  • STORAGE_URI: un URI Cloud Storage completo o un elenco di URI separati da virgole. Sono supportati anche i caratteri jolly. Ad esempio gs://mybucket/table.
  • FILE_FORMAT: il formato della tabella di origine. Per i formati supportati, vedi la riga format di load_option_list.

bq 

bq load \
  --source_format=FILE_FORMAT \
  MANAGED_TABLE \
  STORAGE_URI

Sostituisci quanto segue:

  • FILE_FORMAT: il formato della tabella di origine. Per i formati supportati, vedi la riga format di load_option_list.
  • MANAGED_TABLE_NAME: il nome di una tabella BigLake Iceberg esistente in BigQuery.
  • STORAGE_URI: un URI Cloud Storage completo o un elenco di URI separati da virgole. Sono supportati anche i caratteri jolly. Ad esempio gs://mybucket/table.

Caricamento standard da file partizionati Hive

Puoi caricare i file partizionati in Hive nelle tabelle BigLake Iceberg in BigQuery utilizzando i job di caricamento BigQuery standard. Per saperne di più, consulta Caricamento di dati partizionati esternamente.

Carica i flussi di dati da Pub/Sub

Puoi caricare i dati di streaming nelle tabelle BigLake Iceberg in BigQuery utilizzando una sottoscrizione Pub/Sub BigQuery.

Esportare i dati dalle tabelle BigLake Iceberg in BigQuery

Le seguenti sezioni descrivono come esportare i dati dalle tabelle BigLake Iceberg in BigQuery in vari formati di tabella.

Esportare i dati in formati flat

Per esportare una tabella BigLake Iceberg in BigQuery in un formato piatto, utilizza l'istruzione EXPORT DATA e seleziona un formato di destinazione. Per saperne di più, consulta Esportazione di dati.

Crea una tabella BigLake Iceberg negli snapshot dei metadati BigQuery

Per creare una tabella BigLake Iceberg nello snapshot dei metadati BigQuery:

  1. Esporta i metadati nel formato Iceberg V2 con l'istruzione SQL EXPORT TABLE METADATA.

  2. (Facoltativo) Pianifica l'aggiornamento dello snapshot dei metadati Iceberg. Per aggiornare uno snapshot dei metadati Iceberg in base a un intervallo di tempo impostato, utilizza una query pianificata.

  3. (Facoltativo) Attiva l'aggiornamento automatico dei metadati per il tuo progetto per aggiornare automaticamente lo snapshot dei metadati della tabella Iceberg a ogni modifica della tabella. Per attivare l'aggiornamento automatico dei metadati, contatta bigquery-tables-for-apache-iceberg-help@google.com. I costi di EXPORT METADATA vengono applicati a ogni operazione di aggiornamento.

Il seguente esempio crea una query pianificata denominata My Scheduled Snapshot Refresh Query utilizzando l'istruzione DDL EXPORT TABLE METADATA FROM mydataset.test. L'istruzione DDL viene eseguita ogni 24 ore.

bq query \
    --use_legacy_sql=false \
    --display_name='My Scheduled Snapshot Refresh Query' \
    --schedule='every 24 hours' \
    'EXPORT TABLE METADATA FROM mydataset.test'

Visualizza la tabella BigLake Iceberg nello snapshot dei metadati BigQuery

Dopo aver aggiornato la tabella BigLake Iceberg nello snapshot dei metadati BigQuery, puoi trovare lo snapshot nell'URI Cloud Storage in cui è stata originariamente creata la tabella BigLake Iceberg in BigQuery. La cartella /data contiene gli shard di dati dei file Parquet e la cartella /metadata contiene lo snapshot dei metadati della tabella BigLake Iceberg in BigQuery.

SELECT
  table_name,
  REGEXP_EXTRACT(ddl, r"storage_uri\s*=\s*\"([^\"]+)\"") AS storage_uri
FROM
  `mydataset`.INFORMATION_SCHEMA.TABLES;

Tieni presente che mydataset e table_name sono segnaposto per il set di dati e la tabella effettivi.

Leggi le tabelle BigLake Iceberg in BigQuery con Apache Spark

Il seguente esempio configura l'ambiente per utilizzare Spark SQL con Apache Iceberg, quindi esegue una query per recuperare i dati da una tabella BigLake Iceberg specificata in BigQuery.

spark-sql \
  --packages org.apache.iceberg:iceberg-spark-runtime-ICEBERG_VERSION_NUMBER \
  --conf spark.sql.catalog.CATALOG_NAME=org.apache.iceberg.spark.SparkCatalog \
  --conf spark.sql.catalog.CATALOG_NAME.type=hadoop \
  --conf spark.sql.catalog.CATALOG_NAME.warehouse='BUCKET_PATH' \

# Query the table
SELECT * FROM CATALOG_NAME.FOLDER_NAME;

Sostituisci quanto segue:

  • ICEBERG_VERSION_NUMBER: la versione attuale del runtime Apache Spark Iceberg. Scarica l'ultima versione da Spark Releases.
  • CATALOG_NAME: il catalogo a cui fare riferimento per la tabella BigLake Iceberg in BigQuery.
  • BUCKET_PATH: il percorso del bucket contenente i file della tabella. Ad esempio, gs://mybucket/.
  • FOLDER_NAME: la cartella contenente i file della tabella. Ad esempio, myfolder.

Modificare le tabelle BigLake Iceberg in BigQuery

Per modificare una tabella BigLake Iceberg in BigQuery, segui i passaggi descritti in Modifica degli schemi delle tabelle.

Utilizzare le transazioni con più istruzioni

Per ottenere l'accesso alle transazioni multi-istruzione per le tabelle BigLake Iceberg in BigQuery, compila il modulo di registrazione.

Utilizzare il partizionamento

Per accedere al partizionamento per le tabelle BigLake Iceberg in BigQuery, compila il modulo di registrazione.

Per partizionare una tabella, devi specificare una colonna di partizionamento, che viene utilizzata per segmentare la tabella. Per le tabelle BigLake Iceberg in BigQuery sono supportati i seguenti tipi di colonne:

  • DATE
  • DATETIME
  • TIMESTAMP

Il partizionamento di una tabella in base a una colonna DATE, DATETIME o TIMESTAMP è noto come partizionamento delle colonne per unità di tempo. Scegli se le partizioni devono avere granularità oraria, giornaliera, mensile o annuale.

Le tabelle BigLake Iceberg in BigQuery supportano anche il clustering e la combinazione di tabelle in cluster e partizionate.

Limitazioni del partizionamento

Crea una tabella BigLake Iceberg partizionata in BigQuery

Per creare una tabella BigLake Iceberg partizionata in BigQuery, segui le istruzioni per creare una tabella BigLake Iceberg standard in BigQuery e includi uno dei seguenti elementi, a seconda del tuo ambiente:

Modificare ed eseguire query sulle tabelle BigLake Iceberg partizionate in BigQuery

Le istruzioni e le query del Data Manipulation Language (DML) di BigQuery per le tabelle BigLake Iceberg partizionate in BigQuery sono le stesse delle tabelle BigLake Iceberg standard in BigQuery. BigQuery limita automaticamente l'ambito del job alle partizioni corrette, in modo simile al partizionamento nascosto di Iceberg. Inoltre, tutti i nuovi dati che aggiungi alla tabella vengono partizionati automaticamente.

Puoi anche eseguire query sulle tabelle BigLake Iceberg partizionate in BigQuery con altri motori nello stesso modo delle tabelle BigLake Iceberg standard in BigQuery. Per un'esperienza ottimale, ti consigliamo di attivare gli snapshot dei metadati.

Per una maggiore sicurezza, le informazioni di partizionamento per le tabelle BigLake Iceberg in BigQuery sono separate dal percorso dei dati e vengono gestite interamente dal livello dei metadati.

Prezzi

I prezzi delle tabelle BigLake Iceberg in BigQuery sono costituiti da spazio di archiviazione, ottimizzazione dello spazio di archiviazione e query e job.

Archiviazione

Le tabelle BigLake Iceberg in BigQuery archiviano tutti i dati in Cloud Storage. Ti vengono addebitati tutti i dati archiviati, inclusi i dati storici delle tabelle. Potrebbero essere applicati anche costi di elaborazione dei dati e di trasferimento di Cloud Storage. Alcune tariffe per le operazioni Cloud Storage potrebbero essere esonerate per le operazioni elaborate tramite BigQuery o l'API BigQuery Storage. Non sono previste tariffe di archiviazione specifiche per BigQuery. Per maggiori informazioni, consulta la pagina Prezzi di Cloud Storage.

Ottimizzazione archiviazione

Le tabelle BigLake Iceberg in BigQuery eseguono la gestione automatica delle tabelle, tra cui compattazione, clustering, garbage collection e generazione/aggiornamento dei metadati BigQuery per ottimizzare le prestazioni delle query e ridurre i costi di archiviazione. L'utilizzo delle risorse di calcolo per la gestione delle tabelle BigLake viene fatturato in unità di calcolo dei dati (DCU) nel tempo, in incrementi al secondo. Per ulteriori dettagli, consulta la sezione Prezzi delle tabelle BigLake Iceberg in BigQuery.

Le operazioni di esportazione dei dati eseguite durante lo streaming tramite l'API Storage Write sono incluse nei prezzi dell'API Storage Write e non vengono addebitate come manutenzione in background. Per ulteriori informazioni, consulta Prezzi dell'importazione dati.

L'ottimizzazione dello spazio di archiviazione e l'utilizzo di EXPORT TABLE METADATA sono visibili nella visualizzazione INFORMATION_SCHEMA.JOBS.

Query e job

Analogamente alle tabelle BigQuery, ti vengono addebitati i costi per le query e i byte letti (per TiB) se utilizzi i prezzi on demand di BigQuery o il consumo di slot (per ora di slot) se utilizzi i prezzi di calcolo della capacità di BigQuery.

I prezzi di BigQuery si applicano anche all'API BigQuery Storage Read e all'API Storage Write.

Le operazioni di caricamento ed esportazione (ad esempio EXPORT METADATA) utilizzano gli slot con pagamento a consumo di Enterprise. Ciò è diverso dalle tabelle BigQuery, per le quali queste operazioni non vengono addebitate. Se sono disponibili prenotazioni PIPELINE con slot Enterprise o Enterprise Plus, le operazioni di caricamento ed esportazione utilizzano preferibilmente questi slot di prenotazione.

Limitazioni

Le tabelle BigLake Iceberg in BigQuery presentano le seguenti limitazioni:

  • Le tabelle BigLake Iceberg in BigQuery non supportano le operazioni di ridenominazione o le istruzioni ALTER TABLE RENAME TO.
  • Le tabelle BigLake Iceberg in BigQuery non supportano le copie delle tabelle o le istruzioni CREATE TABLE COPY.
  • Le tabelle BigLake Iceberg in BigQuery non supportano i cloni di tabelle o le istruzioni CREATE TABLE CLONE.
  • Le tabelle BigLake Iceberg in BigQuery non supportano gli snapshot delle tabelle o le istruzioni CREATE SNAPSHOT TABLE.
  • Le tabelle BigLake Iceberg in BigQuery non supportano il seguente schema di tabella:
  • Le tabelle BigLake Iceberg in BigQuery non supportano i seguenti casi di evoluzione dello schema:
    • NUMERIC a FLOAT coercizioni di tipo
    • INT a FLOAT coercizioni di tipo
    • Aggiunta di nuovi campi nidificati a colonne RECORD esistenti utilizzando istruzioni DDL SQL
  • Le tabelle BigLake Iceberg in BigQuery mostrano una dimensione di archiviazione di 0 byte quando vengono interrogate dalla console o dalle API.
  • Le tabelle BigLake Iceberg in BigQuery non supportano le viste materializzate.
  • Le tabelle BigLake Iceberg in BigQuery non supportano le viste autorizzate, ma è supportato il controllo dell'accesso a livello di colonna.
  • Le tabelle BigLake Iceberg in BigQuery non supportano gli aggiornamenti di Change Data Capture (CDC).
  • Le tabelle BigLake Iceberg in BigQuery non supportano il disaster recovery gestito.
  • Le tabelle BigLake Iceberg in BigQuery non supportano la sicurezza a livello di riga.
  • Le tabelle BigLake Iceberg in BigQuery non supportano finestre di sicurezza.
  • Le tabelle BigLake Iceberg in BigQuery non supportano i job di estrazione.
  • La visualizzazione INFORMATION_SCHEMA.TABLE_STORAGE non include le tabelle BigLake Iceberg in BigQuery.
  • Le tabelle BigLake Iceberg in BigQuery non sono supportate come destinazioni dei risultati delle query. Puoi invece utilizzare l'istruzione CREATE TABLE con l'argomento AS query_statement per creare una tabella come destinazione dei risultati della query.
  • CREATE OR REPLACE non supporta la sostituzione delle tabelle standard con tabelle BigLake Iceberg in BigQuery o delle tabelle BigLake Iceberg in BigQuery con tabelle standard.
  • Le istruzioni batch loading e LOAD DATA supportano solo l'aggiunta di dati alle tabelle Iceberg BigLake esistenti in BigQuery.
  • Il caricamento batch e le istruzioni LOAD DATA non supportano gli aggiornamenti dello schema.
  • TRUNCATE TABLE non supporta le tabelle BigLake Iceberg in BigQuery. Sono disponibili due alternative:
  • La funzione con valori di tabella (TVF) APPENDSnon supporta le tabelle BigLake Iceberg in BigQuery.
  • I metadati Iceberg potrebbero non contenere dati trasmessi in streaming a BigQuery dall'API Storage Write negli ultimi 90 minuti.
  • L'accesso paginato basato sui record utilizzando tabledata.list non supporta le tabelle BigLake Iceberg in BigQuery.
  • Per ogni tabella BigLake Iceberg in BigQuery viene eseguita una sola istruzione DML mutante simultanea (UPDATE, DELETE e MERGE). Sono in coda altre istruzioni DML di mutazione.