As of April 20th, 2026, BigLake is now called Google Cloud Lakehouse. BigLake metastore is now called the Lakehouse runtime catalog. Lakehouse APIs, client libraries, CLI commands, and IAM names remain unchanged and still reference BigLake.

Configura il catalogo del runtime Lakehouse per Managed Service for Apache Spark utilizzando Iceberg 1.10

Questo documento spiega come configurare il catalogo Apache Iceberg personalizzato per BigQuery all'interno del catalogo del runtime Lakehouse.

Puoi configurarlo utilizzando un cluster Managed Service for Apache Spark o Managed Service for Apache Spark. In questo modo viene creato un unico catalogo condiviso in Google Cloud Lakehouse che funziona senza problemi con motori open source come Apache Spark e Apache Flink.

Prima di iniziare

Abilita la fatturazione per il tuo progetto Google Cloud . Scopri come verificare se la fatturazione è abilitata per un progetto.
Abilita le API BigQuery e Managed Service for Apache Spark.

Abilita le API
Scopri di più sul catalogo di runtime Lakehouse.

Ruoli obbligatori

Per ottenere le autorizzazioni necessarie per configurare il catalogo del runtime Lakehouse, chiedi all'amministratore di concederti i seguenti ruoli IAM:

Crea un cluster Managed Service for Apache Spark: Dataproc Worker (roles/dataproc.worker) nell'account di servizio predefinito di Compute Engine nel progetto
Crea tabelle del catalogo di runtime di Lakehouse:
- Worker Dataproc (roles/dataproc.worker) sul account di servizio VM Managed Service for Apache Spark nel progetto
- Editor dati BigQuery (roles/bigquery.dataEditor) nell'account di servizio VM Managed Service for Apache Spark nel progetto
- Storage Object User (roles/storage.objectUser) sul account di servizio VM Managed Service for Apache Spark nel progetto
Esegui query sulle tabelle del catalogo di runtime di Lakehouse:
- Visualizzatore dati BigQuery (roles/bigquery.dataViewer) sul progetto
- Utente BigQuery (roles/bigquery.user) sul progetto
- Storage Object Viewer (roles/storage.objectViewer) sul progetto

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

Potresti anche riuscire a ottenere le autorizzazioni richieste tramite i ruoli personalizzati o altri ruoli predefiniti.

Configura il metastore con Managed Service for Apache Spark

Puoi configurare il catalogo del runtime di Lakehouse con Managed Service for Apache Spark utilizzando Spark o Flink:

Spark

Configura un nuovo cluster. Per creare un nuovo cluster Managed Service for Apache Spark, esegui il seguente comando gcloud dataproc clusters create, che contiene le impostazioni necessarie per utilizzare il catalogo del runtime Lakehouse:
```
gcloud dataproc clusters create CLUSTER_NAME \
    --project=PROJECT_ID \
    --region=LOCATION \
    --single-node
```
Sostituisci quanto segue:
- CLUSTER_NAME: un nome per il tuo cluster Managed Service for Apache Spark.
- PROJECT_ID: l'ID del Google Cloud progetto in cui stai creando il cluster.
- LOCATION: la regione Compute Engine in cui stai creando il cluster.

Invia un job Spark utilizzando uno dei seguenti metodi:

Google Cloud CLI

gcloud dataproc jobs submit spark-sql \
    --project=PROJECT_ID \
    --cluster=CLUSTER_NAME \
    --region=REGION \
    --jars=https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-spark-runtime-3.5_2.12/1.10.0/iceberg-spark-runtime-3.5_2.12-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-bigquery/1.10.0/iceberg-bigquery-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp-bundle/1.10.0/iceberg-gcp-bundle-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp/1.10.0/iceberg-gcp-1.10.0.jar \
    --properties=spark.sql.catalog.CATALOG_NAME=org.apache.iceberg.spark.SparkCatalog,\
    spark.sql.catalog.CATALOG_NAME.type=bigquery,\
    spark.sql.catalog.CATALOG_NAME.gcp.bigquery.project-id=PROJECT_ID,\
    spark.sql.catalog.CATALOG_NAME.gcp.bigquery.location=LOCATION,\
    spark.sql.catalog.CATALOG_NAME.warehouse=WAREHOUSE_DIRECTORY \
    --execute="SPARK_SQL_COMMAND"

Sostituisci quanto segue:

PROJECT_ID: l'ID del Google Cloud progetto che contiene il cluster Managed Service for Apache Spark.
CLUSTER_NAME: il nome del cluster Managed Service for Apache Spark che utilizzi per eseguire il job Spark SQL.
REGION: la regione di Compute Engine in cui si trova il cluster.
LOCATION: la posizione delle risorse BigQuery.
CATALOG_NAME: il nome del catalogo Spark da utilizzare con il job SQL.
WAREHOUSE_DIRECTORY: la cartella Cloud Storage che contiene il data warehouse. Questo valore inizia con gs://.
SPARK_SQL_COMMAND: la query Spark SQL che vuoi eseguire. Questa query include i comandi per creare le risorse. Ad esempio, per creare uno spazio dei nomi e una tabella.

Interfaccia a riga di comando spark-sql

Nella console Google Cloud , vai alla pagina Istanze VM.

Vai a Istanze VM
Per connetterti a un'istanza VM Managed Service for Apache Spark, fai clic su SSH nella riga che elenca il nome dell'istanza VM principale del cluster Managed Service for Apache Spark, ovvero il nome del cluster seguito dal suffisso -m. L'output è simile al seguente:
```
Connected, host fingerprint: ssh-rsa ...
Linux cluster-1-m 3.16.0-0.bpo.4-amd64 ...
...
example-cluster@cluster-1-m:~$
```

Nel terminale, esegui il seguente comando di inizializzazione del catalogo del runtime Lakehouse:

spark-sql \
    --jars https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-spark-runtime-3.5_2.12/1.10.0/iceberg-spark-runtime-3.5_2.12-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-bigquery/1.10.0/iceberg-bigquery-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp-bundle/1.10.0/iceberg-gcp-bundle-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp/1.10.0/iceberg-gcp-1.10.0.jar \
    --conf spark.sql.catalog.CATALOG_NAME=org.apache.iceberg.spark.SparkCatalog \
    --conf spark.sql.catalog.CATALOG_NAME.type=bigquery \
    --conf spark.sql.catalog.CATALOG_NAME.gcp.bigquery.project-id=PROJECT_ID \
    --conf spark.sql.catalog.CATALOG_NAME.gcp.bigquery.location=LOCATION \
    --conf spark.sql.catalog.CATALOG_NAME.warehouse=WAREHOUSE_DIRECTORY

Sostituisci quanto segue:

CATALOG_NAME: il nome del catalogo Spark che utilizzi con il tuo job SQL.
PROJECT_ID: l' Google Cloud ID progetto del catalogo del runtime Lakehouse a cui si collega il catalogo Spark.
LOCATION: la Google Cloud posizione del catalogo del runtime Lakehouse.
WAREHOUSE_DIRECTORY: la cartella Cloud Storage che contiene il data warehouse. Questo valore inizia con gs://.

Dopo aver eseguito correttamente la connessione al cluster, il terminale Spark visualizza il prompt spark-sql, che puoi utilizzare per inviare job Spark.

spark-sql (default)>

Flink

Crea un cluster Managed Service for Apache Spark con il componente Flink facoltativo abilitato e assicurati di utilizzare Managed Service for Apache Spark 2.2 o versioni successive.
Nella console Google Cloud , vai alla pagina Istanze VM.

Vai a Istanze VM
Nell'elenco delle istanze di macchine virtuali, fai clic su SSH per connetterti all'istanza VM del cluster Managed Service for Apache Spark principale, elencata come nome del cluster seguito dal suffisso -m.

Configura il plug-in del catalogo personalizzato Apache Iceberg per il catalogo di runtime Lakehouse:

FLINK_VERSION=1.20
ICEBERG_VERSION=1.10.0

cd /usr/lib/flink

sudo wget -c https://repo.maven.apache.org/maven2/org/apache/iceberg/iceberg-flink-runtime-${FLINK_VERSION}/${ICEBERG_VERSION}/iceberg-flink-runtime-${FLINK_VERSION}-${ICEBERG_VERSION}.jar -P lib

sudo wget -c https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-bigquery/${ICEBERG_VERSION}/iceberg-bigquery-${ICEBERG_VERSION}.jar -P lib

sudo wget -c https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp-bundle/${ICEBERG_VERSION}/iceberg-gcp-bundle-${ICEBERG_VERSION}.jar -P lib

sudo wget -c https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp/${ICEBERG_VERSION}/iceberg-gcp-${ICEBERG_VERSION}.jar -P lib

Avvia la sessione di Flink su YARN:

HADOOP_CLASSPATH=`hadoop classpath`

sudo bin/yarn-session.sh -nm flink-dataproc -d

sudo bin/sql-client.sh embedded \
-s yarn-session

Crea un catalogo in Flink:
```
CREATE CATALOG CATALOG_NAME WITH (
'type'='iceberg',
'warehouse'='WAREHOUSE_DIRECTORY',
'catalog-impl'='org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog',
'gcp.bigquery.project-id'='PROJECT_ID',
'gcp.bigquery.location'='LOCATION'
);
```
Sostituisci quanto segue:
- CATALOG_NAME: l'identificatore del catalogo Flink, collegato a un catalogo di runtime Lakehouse.
- WAREHOUSE_DIRECTORY: il percorso di base per la directory del warehouse (la cartella Cloud Storage in cui Flink crea i file). Questo valore inizia con gs://.
- PROJECT_ID: l'ID progetto del catalogo del runtime Lakehouse a cui è collegato il catalogo Flink.
- LOCATION: la posizione delle risorse BigQuery.

La sessione Flink è ora connessa al catalogo di runtime Lakehouse e puoi eseguire comandi Flink SQL.

Gestire le risorse del catalogo di runtime di Lakehouse

Ora che hai eseguito la connessione al catalogo del runtime Lakehouse, puoi creare e visualizzare risorse in base ai metadati archiviati nel catalogo del runtime Lakehouse.

Ad esempio, prova a eseguire i seguenti comandi nella sessione Flink SQL interattiva per creare un database e una tabella Apache Iceberg.

Utilizza il catalogo Apache Iceberg personalizzato:
```
USE CATALOG CATALOG_NAME;
```
Sostituisci CATALOG_NAME con l'identificatore del catalogo Flink.
Crea un database, che crea un set di dati in BigQuery:
```
CREATE DATABASE IF NOT EXISTS DATABASE_NAME;
```
Sostituisci DATABASE_NAME con il nome del nuovo database.
Utilizza il database che hai creato:
```
USE DATABASE_NAME;
```

Crea una tabella Apache Iceberg. Il seguente codice crea una tabella delle vendite di esempio:

CREATE TABLE IF NOT EXISTS ICEBERG_TABLE_NAME (
  order_number BIGINT,
  price        DECIMAL(32,2),
  buyer        ROW<first_name STRING, last_name STRING>,
  order_time   TIMESTAMP(3)
);

Sostituisci ICEBERG_TABLE_NAME con un nome per la nuova tabella.

Visualizza i metadati della tabella:
```
DESCRIBE EXTENDED ICEBERG_TABLE_NAME;
```
Elenca le tabelle nel database:
```
SHOW TABLES;
```

Importare i dati nella tabella

Dopo aver creato una tabella Apache Iceberg nella sezione precedente, puoi utilizzare Flink DataGen come origine dati per importare dati in tempo reale nella tabella. I seguenti passaggi sono un esempio di questo flusso di lavoro:

Crea una tabella temporanea utilizzando DataGen:

CREATE TEMPORARY TABLE DATABASE_NAME.TEMP_TABLE_NAME
WITH (
  'connector' = 'datagen',
  'rows-per-second' = '10',
  'fields.order_number.kind' = 'sequence',
  'fields.order_number.start' = '1',
  'fields.order_number.end' = '1000000',
  'fields.price.min' = '0',
  'fields.price.max' = '10000',
  'fields.buyer.first_name.length' = '10',
  'fields.buyer.last_name.length' = '10'
)
LIKE DATABASE_NAME.ICEBERG_TABLE_NAME (EXCLUDING ALL);

Sostituisci quanto segue:

DATABASE_NAME: il nome del database in cui archiviare la tabella temporanea.
TEMP_TABLE_NAME: un nome per la tabella temporanea.
ICEBERG_TABLE_NAME: il nome della tabella Apache Iceberg creata nella sezione precedente.

Imposta il parallelismo su 1:
```
SET 'parallelism.default' = '1';
```

Imposta l'intervallo di checkpoint:

SET 'execution.checkpointing.interval' = '10second';

Imposta il checkpoint:

SET 'state.checkpoints.dir' = 'hdfs:///flink/checkpoints';

Avvia il job di streaming in tempo reale:

INSERT INTO ICEBERG_TABLE_NAME SELECT * FROM TEMP_TABLE_NAME;

L'output è simile al seguente:

[INFO] Submitting SQL update statement to the cluster...
[INFO] SQL update statement has been successfully submitted to the cluster:
Job ID: 0de23327237ad8a811d37748acd9c10b

Per controllare lo stato del job di streaming:
1. Nella console Google Cloud , vai alla pagina Cluster.
  
  Vai a Cluster
2. Seleziona il cluster.
3. Fai clic sulla scheda Interfacce web.
4. Fai clic sul link YARN ResourceManager.
5. Nell'interfaccia YARN ResourceManager, trova la sessione Flink e fai clic sul link ApplicationMaster nella sezione Tracking UI.
6. Nella colonna Stato, verifica che lo stato del job sia In esecuzione.

Esegui query sui dati di streaming nel client Flink SQL:

SELECT * FROM ICEBERG_TABLE_NAME
/*+ OPTIONS('streaming'='true', 'monitor-interval'='3s')*/
ORDER BY order_time desc
LIMIT 20;

Esegui query sui dati di streaming in BigQuery:

SELECT * FROM `DATABASE_NAME.ICEBERG_TABLE_NAME`
ORDER BY order_time desc
LIMIT 20;

Termina il job di streaming nel client Flink SQL:
```
STOP JOB 'JOB_ID';
```
Sostituisci JOB_ID con l'ID job visualizzato nell'output quando hai creato il job di streaming.

Configura il metastore con Managed Service for Apache Spark

Puoi configurare il catalogo del runtime Lakehouse con Managed Service for Apache Spark utilizzando Spark SQL o PySpark.

Spark SQL

Crea un file SQL con i comandi Spark SQL che vuoi eseguire nel catalogo del runtime Lakehouse. Ad esempio, questo comando crea uno spazio dei nomi e una tabella:

SET `spark.sql.catalog.CATALOG_NAME`=`org.apache.iceberg.spark.SparkCatalog`;
SET `spark.sql.catalog.CATALOG_NAME.type`=`bigquery`;
SET `spark.sql.catalog.CATALOG_NAME.gcp.bigquery.project-id`=`PROJECT_ID`;
SET `spark.sql.catalog.CATALOG_NAME.gcp.bigquery.location`=`LOCATION`;
SET `spark.sql.catalog.CATALOG_NAME.warehouse`=`WAREHOUSE_DIRECTORY`;

CREATE NAMESPACE `CATALOG_NAME`.NAMESPACE_NAME;
CREATE TABLE `CATALOG_NAME`.NAMESPACE_NAME.TABLE_NAME (id int, data string) USING ICEBERG LOCATION 'WAREHOUSE_DIRECTORY';

Sostituisci quanto segue:

CATALOG_NAME: il nome del catalogo che fa riferimento alla tabella Spark.
NAMESPACE_NAME: il nome dello spazio dei nomi che fa riferimento alla tabella Spark.
TABLE_NAME: un nome di tabella per la tabella Spark.
WAREHOUSE_DIRECTORY: l'URI della cartella Cloud Storage in cui è archiviato il data warehouse.

Invia un job batch Spark SQL eseguendo il seguente comando gcloud dataproc batches submit spark-sql:
```
gcloud dataproc batches submit spark-sql SQL_SCRIPT_PATH \
    --project=PROJECT_ID \
    --region=REGION \
    --subnet=projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME \
    --deps-bucket=BUCKET_PATH \
    --jars=https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-spark-runtime-3.5_2.12/1.10.0/iceberg-spark-runtime-3.5_2.12-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-bigquery/1.10.0/iceberg-bigquery-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp-bundle/1.10.0/iceberg-gcp-bundle-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp/1.10.0/iceberg-gcp-1.10.0.jar
```
Sostituisci quanto segue:
- SQL_SCRIPT_PATH: il percorso del file SQL utilizzato dal job batch.
- PROJECT_ID: l'ID del Google Cloud progetto in cui eseguire il job batch.
- REGION: la regione in cui viene eseguito il tuo workload.
- SUBNET_NAME (facoltativo): il nome di una subnet VPC in REGION che soddisfa i requisiti della subnet di sessione.
- BUCKET_PATH: la posizione del bucket Cloud Storage in cui caricare le dipendenze del workload. WAREHOUSE_DIRECTORY si trova in questo bucket. Il prefisso URI gs:// del bucket non è obbligatorio. Puoi specificare il percorso del bucket o il nome del bucket, ad esempio mybucketname1.
- LOCATION: la località in cui eseguire il job batch.
Per ulteriori informazioni sull'invio di job batch Spark, consulta Eseguire un carico di lavoro batch Spark.

PySpark

Crea un file Python con i comandi PySpark che vuoi eseguire nel catalogo del runtime Lakehouse.

Ad esempio, il seguente comando configura un ambiente Spark per interagire con le tabelle Apache Iceberg archiviate nel catalogo di runtime di Lakehouse. Il comando crea quindi un nuovo spazio dei nomi e una tabella Apache Iceberg all'interno di questo spazio dei nomi.
```
from pyspark.sql import SparkSession

spark = SparkSession.builder \
.appName("Lakehouse runtime catalog Iceberg") \
.config("spark.sql.catalog.CATALOG_NAME", "org.apache.iceberg.spark.SparkCatalog") \
.config("spark.sql.catalog.CATALOG_NAME.type", "bigquery") \
.config("spark.sql.catalog.CATALOG_NAME.gcp.bigquery.project-id", "PROJECT_ID") \
.config("spark.sql.catalog.CATALOG_NAME.gcp.bigquery.location", "LOCATION") \
.config("spark.sql.catalog.CATALOG_NAME.warehouse", "WAREHOUSE_DIRECTORY") \
.getOrCreate()

spark.sql("USE `CATALOG_NAME`;")
spark.sql("CREATE NAMESPACE IF NOT EXISTS NAMESPACE_NAME;")
spark.sql("USE NAMESPACE_NAME;")
spark.sql("CREATE TABLE TABLE_NAME (id int, data string) USING ICEBERG LOCATION 'WAREHOUSE_DIRECTORY';")
```
Sostituisci quanto segue:
- PROJECT_ID: l'ID del Google Cloud progetto in cui eseguire il job batch.
- LOCATION: la posizione in cui si trovano le risorse BigQuery.
- CATALOG_NAME: il nome del catalogo che fa riferimento alla tabella Spark.
- TABLE_NAME: un nome di tabella per la tabella Spark.
- WAREHOUSE_DIRECTORY: l'URI della cartella Cloud Storage in cui è archiviato il data warehouse.
- NAMESPACE_NAME: il nome dello spazio dei nomi che fa riferimento alla tabella Spark.

Invia il job batch utilizzando il seguente comando gcloud dataproc batches submit pyspark:

gcloud dataproc batches submit pyspark PYTHON_SCRIPT_PATH \
    --version=2.2 \
    --project=PROJECT_ID \
    --region=REGION \
    --subnet=projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME \
    --deps-bucket=BUCKET_PATH \
    --jars=https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-spark-runtime-3.5_2.12/1.10.0/iceberg-spark-runtime-3.5_2.12-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-bigquery/1.10.0/iceberg-bigquery-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp-bundle/1.10.0/iceberg-gcp-bundle-1.10.0.jar,https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-gcp/1.10.0/iceberg-gcp-1.10.0.jar

Sostituisci quanto segue:

PYTHON_SCRIPT_PATH: il percorso dello script Python utilizzato dal job batch.
PROJECT_ID: l'ID del Google Cloud progetto in cui eseguire il job batch.
REGION: la regione in cui viene eseguito il tuo workload.
BUCKET_PATH: la posizione del bucket Cloud Storage in cui caricare le dipendenze del workload. Il prefisso URI gs:// del bucket non è obbligatorio. Puoi specificare il percorso del bucket o il nome del bucket, ad esempio mybucketname1.

Per ulteriori informazioni sull'invio di job batch PySpark, consulta il riferimento a gcloud PySpark.

Configura il catalogo del runtime Lakehouse per Managed Service for Apache Spark utilizzando Iceberg 1.10 Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Prima di iniziare

Ruoli obbligatori

Configura il metastore con Managed Service for Apache Spark

Spark

Google Cloud CLI

Interfaccia a riga di comando spark-sql

Flink

Gestire le risorse del catalogo di runtime di Lakehouse

Importare i dati nella tabella

Configura il metastore con Managed Service for Apache Spark

Spark SQL

PySpark

Passaggi successivi

Configura il catalogo del runtime Lakehouse per Managed Service for Apache Spark utilizzando Iceberg 1.10