Mulai 20 April 2026, BigLake kini disebut Lakehouse. BigLake metastore kini disebut katalog runtime Lakehouse. API Lakehouse, library klien, perintah CLI, dan nama IAM tetap tidak berubah dan masih mereferensikan BigLake.

Google menggunakan teknologi AI untuk menerjemahkan konten ke dalam bahasa pilihan Anda. Terjemahan AI mungkin mengandung kesalahan.

Mengonfigurasi katalog runtime Lakehouse untuk Managed Service for Apache Spark menggunakan Iceberg 1.10

Katalog Apache Iceberg kustom untuk BigQuery memungkinkan Anda menghubungkan mesin Apache Spark dan Apache Flink menggunakan Apache Iceberg 1.10 dan yang lebih baru ke katalog runtime Lakehouse. Di Lakehouse tanpa batas, integrasi ini menyediakan satu lapisan metadata bersama untuk mengelola format tabel terbuka di seluruh cluster Managed Service untuk Apache Spark dan Managed Service untuk Apache Spark serverless.

Sebelum memulai

Aktifkan penagihan untuk project Google Cloud Anda. Pelajari cara memeriksa apakah penagihan telah diaktifkan pada suatu project.
Mengaktifkan BigQuery dan Dataproc API.

Aktifkan API
Memahami katalog runtime Lakehouse.

Peran yang diperlukan

Untuk mendapatkan izin yang Anda perlukan untuk mengonfigurasi katalog runtime Lakehouse, minta administrator untuk memberi Anda peran IAM berikut:

Membuat cluster Managed Service untuk Apache Spark: Dataproc Worker (roles/dataproc.worker) di akun layanan default Compute Engine dalam project
Membuat tabel katalog runtime Lakehouse:
- Dataproc Worker (roles/dataproc.worker) di akun layanan VM Managed Service untuk Apache Spark dalam project
- BigQuery Data Editor (roles/bigquery.dataEditor) di akun layanan VM Managed Service untuk Apache Spark dalam project
- Storage Object User (roles/storage.objectUser) di akun layanan VM Managed Service untuk Apache Spark dalam project
Mengkueri tabel katalog runtime Lakehouse:
- BigQuery Data Viewer (roles/bigquery.dataViewer) di project
- BigQuery User (roles/bigquery.user) di project
- Storage Object Viewer (roles/storage.objectViewer) di project

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Anda mungkin juga bisa mendapatkan izin yang diperlukan melalui peran khusus atau peran bawaan lainnya.

Mengonfigurasi metastore dengan cluster Managed Service untuk Apache Spark

Anda dapat mengonfigurasi katalog runtime Lakehouse dengan cluster Managed Service untuk Apache Spark menggunakan Spark atau Flink:

Spark

Konfigurasi cluster baru. Untuk membuat cluster baru, jalankan perintah gcloud dataproc clusters create berikut, yang berisi setelan yang Anda perlukan untuk menggunakan katalog runtime Lakehouse:
```
gcloud dataproc clusters create CLUSTER_NAME \
    --project=PROJECT_ID \
    --region=LOCATION \
    --single-node
```
Ganti kode berikut:
- CLUSTER_NAME: nama untuk cluster Anda.
- PROJECT_ID: ID project Google Cloud tempat Anda membuat cluster.
- LOCATION: region Compute Engine tempat Anda membuat cluster.

Kirimkan tugas Spark menggunakan salah satu metode berikut:

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"

Ganti kode berikut:

PROJECT_ID: ID project Google Cloud yang berisi cluster.
CLUSTER_NAME: nama cluster yang Anda gunakan untuk menjalankan tugas Spark SQL.
REGION: region Compute Engine tempat cluster Anda berada.
LOCATION: lokasi resource BigQuery.
CATALOG_NAME: nama katalog Spark yang akan digunakan dengan tugas SQL Anda.
WAREHOUSE_DIRECTORY: folder Cloud Storage yang berisi data warehouse Anda. Nilai ini diawali dengan gs://.
SPARK_SQL_COMMAND: kueri Spark SQL yang ingin Anda jalankan. Kueri ini mencakup perintah untuk membuat resource Anda. Misalnya, untuk membuat namespace dan tabel.

spark-sql CLI

Di konsol Google Cloud , buka halaman VM Instances.

Buka Instance VM
Untuk terhubung ke instance VM cluster, klik SSH di baris yang mencantumkan nama instance VM utama cluster, yaitu nama cluster yang diikuti dengan akhiran -m. Outputnya mirip dengan hal berikut ini:
```
Connected, host fingerprint: ssh-rsa ...
Linux cluster-1-m 3.16.0-0.bpo.4-amd64 ...
...
example-cluster@cluster-1-m:~$
```

Di terminal, jalankan perintah inisialisasi katalog runtime Lakehouse berikut:

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

Ganti kode berikut:

CATALOG_NAME: nama katalog Spark yang Anda gunakan dengan tugas SQL.
PROJECT_ID: project ID Google Cloud dari katalog runtime Lakehouse yang ditautkan dengan katalog Spark Anda.
LOCATION: Google Cloud lokasi katalog runtime Lakehouse.
WAREHOUSE_DIRECTORY: folder Cloud Storage yang berisi data warehouse Anda. Nilai ini diawali dengan gs://.

Setelah Anda berhasil terhubung ke cluster, terminal Spark akan menampilkan prompt spark-sql, yang dapat Anda gunakan untuk mengirimkan tugas Spark.

spark-sql (default)>

Flink

Buat cluster Managed Service untuk Apache Spark dengan komponen Flink opsional yang diaktifkan, dan pastikan Anda menggunakan versi image 2.2 atau yang lebih baru.
Di konsol Google Cloud , buka halaman VM instances.

Buka instance VM
Dalam daftar instance virtual machine, klik SSH untuk terhubung ke instance VM utama cluster, yang tercantum sebagai nama cluster diikuti dengan akhiran -m.

Konfigurasikan plugin katalog kustom Apache Iceberg untuk katalog 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

Mulai sesi Flink di YARN:

HADOOP_CLASSPATH=`hadoop classpath`

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

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

Buat katalog di 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'
);
```
Ganti kode berikut:
- CATALOG_NAME: ID katalog Flink, yang ditautkan ke katalog runtime Lakehouse.
- WAREHOUSE_DIRECTORY: jalur dasar untuk direktori warehouse (folder Cloud Storage tempat Flink membuat file). Nilai ini diawali dengan gs://.
- PROJECT_ID: project ID katalog runtime Lakehouse yang ditautkan ke katalog Flink.
- LOCATION: lokasi resource BigQuery.

Sesi Flink Anda kini terhubung ke katalog runtime Lakehouse, dan Anda dapat menjalankan perintah Flink SQL.

Mengelola resource katalog runtime Lakehouse

Setelah terhubung ke katalog runtime Lakehouse, Anda dapat membuat dan melihat resource berdasarkan metadata yang disimpan di katalog runtime Lakehouse.

Misalnya, coba jalankan perintah berikut di sesi Flink SQL interaktif Anda untuk membuat database dan tabel Apache Iceberg.

Gunakan katalog Apache Iceberg kustom:
```
USE CATALOG CATALOG_NAME;
```
Ganti CATALOG_NAME dengan ID katalog Flink Anda.
Buat database, yang akan membuat set data di BigQuery:
```
CREATE DATABASE IF NOT EXISTS DATABASE_NAME;
```
Ganti DATABASE_NAME dengan nama database baru Anda.
Gunakan database yang Anda buat:
```
USE DATABASE_NAME;
```

Membuat tabel Apache Iceberg. Berikut ini contoh pembuatan tabel penjualan:

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)
);

Ganti ICEBERG_TABLE_NAME dengan nama untuk tabel baru Anda.

Melihat metadata tabel:
```
DESCRIBE EXTENDED ICEBERG_TABLE_NAME;
```
Mencantumkan tabel dalam database:
```
SHOW TABLES;
```

Menyerap data ke dalam tabel Anda

Setelah membuat tabel Apache Iceberg di bagian sebelumnya, Anda dapat menggunakan Flink DataGen sebagai sumber data untuk menyerap data real-time ke dalam tabel. Langkah-langkah berikut adalah contoh alur kerja ini:

Buat tabel sementara menggunakan 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);

Ganti kode berikut:

DATABASE_NAME: nama database untuk menyimpan tabel sementara Anda.
TEMP_TABLE_NAME: nama untuk tabel sementara Anda.
ICEBERG_TABLE_NAME: nama tabel Apache Iceberg yang Anda buat di bagian sebelumnya.

Tetapkan paralelisme ke 1:
```
SET 'parallelism.default' = '1';
```

Tetapkan interval checkpoint:

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

Tetapkan checkpoint:

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

Mulai tugas streaming real-time:

INSERT INTO ICEBERG_TABLE_NAME SELECT * FROM TEMP_TABLE_NAME;

Outputnya mirip dengan hal berikut ini:

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

Untuk memeriksa status tugas streaming, lakukan hal berikut:
1. Di konsol Google Cloud , buka halaman Clusters.
  
  Buka Cluster
2. Pilih cluster Anda.
3. Klik tab Antarmuka web.
4. Klik link YARN ResourceManager.
5. Di antarmuka YARN ResourceManager, temukan sesi Flink Anda, lalu klik link ApplicationMaster di bagian Tracking UI.
6. Di kolom Status, pastikan status tugas Anda adalah Running.

Buat kueri data streaming di klien Flink SQL:

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

Membuat kueri data streaming di BigQuery:

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

Hentikan tugas streaming di klien Flink SQL:
```
STOP JOB 'JOB_ID';
```
Ganti JOB_ID dengan ID pekerjaan yang ditampilkan dalam output saat Anda membuat tugas streaming.

Mengonfigurasi metastore Anda dengan Managed Service untuk Apache Spark serverless

Anda dapat mengonfigurasi katalog runtime Lakehouse dengan Managed Service untuk Apache Spark serverless menggunakan Spark SQL atau PySpark.

Spark SQL

Buat file SQL dengan perintah Spark SQL yang ingin Anda jalankan di katalog runtime Lakehouse. Misalnya, perintah ini membuat namespace dan tabel:

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';

Ganti kode berikut:

CATALOG_NAME: nama katalog yang merujuk ke tabel Spark Anda.
NAMESPACE_NAME: nama namespace yang merujuk ke tabel Spark Anda.
TABLE_NAME: nama tabel untuk tabel Spark Anda.
WAREHOUSE_DIRECTORY: URI folder Cloud Storage tempat data warehouse Anda disimpan.

Kirimkan tugas batch Spark SQL dengan menjalankan perintah gcloud dataproc batches submit spark-sql berikut:

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

Ganti kode berikut:

SQL_SCRIPT_PATH: jalur ke file SQL yang digunakan tugas batch.
PROJECT_ID: ID project Google Cloud untuk menjalankan tugas batch.
REGION: region tempat workload Anda berjalan.
SUBNET_NAME (opsional): nama subnet VPC di REGION yang memenuhi persyaratan subnet sesi.
BUCKET_PATH: lokasi bucket Cloud Storage untuk mengupload dependensi workload. WAREHOUSE_DIRECTORY berada di bucket ini. Awalan URI gs:// bucket tidak diperlukan. Anda dapat menentukan jalur bucket atau nama bucket, misalnya, mybucketname1.
LOCATION: lokasi untuk menjalankan tugas batch.

Untuk mengetahui informasi selengkapnya tentang cara mengirimkan tugas batch Spark, lihat Menjalankan workload batch Spark.

PySpark

Buat file Python dengan perintah PySpark yang ingin Anda jalankan di katalog runtime Lakehouse.

Misalnya, perintah berikut menyiapkan lingkungan Spark untuk berinteraksi dengan tabel Apache Iceberg yang disimpan di katalog runtime Lakehouse. Perintah ini kemudian membuat namespace baru dan tabel Apache Iceberg dalam namespace tersebut.

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';")

Ganti kode berikut:

PROJECT_ID: ID project Google Cloud untuk menjalankan tugas batch.
LOCATION: lokasi tempat resource BigQuery berada.
CATALOG_NAME: nama katalog yang merujuk ke tabel Spark Anda.
TABLE_NAME: nama tabel untuk tabel Spark Anda.
WAREHOUSE_DIRECTORY: URI folder Cloud Storage tempat data warehouse Anda disimpan.
NAMESPACE_NAME: nama namespace yang mereferensikan tabel Spark Anda.

Kirim tugas batch menggunakan perintah gcloud dataproc batches submit pyspark berikut:

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

Ganti kode berikut:

PYTHON_SCRIPT_PATH: jalur ke skrip Python yang digunakan tugas batch.
PROJECT_ID: ID project Google Cloud untuk menjalankan tugas batch.
REGION: region tempat workload Anda berjalan.
BUCKET_PATH: lokasi bucket Cloud Storage untuk mengupload dependensi workload. Awalan URI gs:// bucket tidak diperlukan. Anda dapat menentukan jalur bucket atau nama bucket, misalnya, mybucketname1.

Untuk mengetahui informasi selengkapnya tentang cara mengirimkan tugas batch PySpark, lihat referensi gcloud PySpark.

Mengonfigurasi katalog runtime Lakehouse untuk Managed Service for Apache Spark menggunakan Iceberg 1.10 Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Sebelum memulai

Peran yang diperlukan

Mengonfigurasi metastore dengan cluster Managed Service untuk Apache Spark

Spark

Google Cloud CLI

spark-sql CLI

Flink

Mengelola resource katalog runtime Lakehouse

Menyerap data ke dalam tabel Anda

Mengonfigurasi metastore Anda dengan Managed Service untuk Apache Spark serverless

Spark SQL

PySpark

Langkah berikutnya

Mengonfigurasi katalog runtime Lakehouse untuk Managed Service for Apache Spark menggunakan Iceberg 1.10