Crea una tabla de Apache Iceberg con metadatos en el catálogo del entorno de ejecución de Lakehouse

En este documento, se muestra cómo ejecutar cargas de trabajo por lotes de Managed Service para Apache Spark SQL y PySpark para crear una tabla de Apache Iceberg con metadatos almacenados en el catálogo de tiempo de ejecución de Lakehouse. 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 proyecto de Google Cloud y un bucket de Cloud Storage.

  1. Configura tu proyecto

    1. Accede a tu cuenta de Google Cloud . Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.
    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 role (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, if any are not already enabled.

      Roles required to enable APIs

      To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). 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 role (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, if any are not already enabled.

      Roles required to enable APIs

      To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

      Enable the APIs

  2. Crea un bucket de Cloud Storage en tu proyecto.

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

      Ir a Buckets

    2. Haz clic en Crear.
    3. En la página Crear un bucket, ingresa la información de tu bucket. Para ir al paso siguiente, haz clic en Continuar.
      1. En la sección Primeros pasos, haz lo siguiente:
        • Ingresa un nombre único a nivel global que cumpla con los requisitos de nombre de los buckets.
        • Para agregar una etiqueta de bucket, expande la sección Etiquetas (), haz clic en Agregar etiqueta y especifica una key y un value para tu etiqueta.
      2. En la sección Elige dónde almacenar tus datos, haz lo siguiente:
        1. Selecciona un tipo de ubicación
        2. En el menú desplegable Tipo de ubicación, elige una ubicación en la que se almacenarán de forma permanente los datos de tu bucket.
          • Si seleccionas el tipo de ubicación birregional, también puedes habilitar la replicación turbo con la casilla de verificación correspondiente.
        3. Para configurar la replicación bucket buckets, selecciona Agregar replicación entre bucket a través del Servicio de transferencia de almacenamiento y sigue estos pasos:

          Configura la replicación entre buckets

          1. En el menú Bucket, selecciona un bucket.
          2. En la sección Configuración de replicación, haz clic en Configurar para establecer los parámetros del trabajo de replicación.

            Aparecerá el panel Configurar la replicación entre buckets.

            • Para filtrar los objetos que se replicarán por prefijo de nombre de objeto, ingresa un prefijo del que quieras incluir o excluir objetos y, luego, haz clic en Agregar un prefijo.
            • Para establecer una clase de almacenamiento para los objetos replicados, selecciona una clase de almacenamiento en el menú Clase de almacenamiento. Si omites este paso, los objetos replicados usarán la clase de almacenamiento del bucket de destino de forma predeterminada.
            • Haz clic en Listo.
      3. En la sección Elige cómo almacenar tus datos, haz lo siguiente:
        1. Selecciona una clase de almacenamiento predeterminada para el bucket o Autoclass para la administración automática de clases de almacenamiento de los datos de tu bucket.
        2. Para habilitar el espacio de nombres jerárquico, en la sección Optimiza el almacenamiento para cargas de trabajo con uso intensivo de datos, selecciona Habilitar el espacio de nombres jerárquico en este bucket.
      4. En la sección Elige cómo controlar el acceso a los objetos, selecciona si tu bucket aplica o no la prevención del acceso público y elige un método de control de acceso para los objetos del bucket.
      5. En la sección Elige cómo proteger los datos de objetos, haz lo siguiente:
        • Selecciona cualquiera de las opciones de Protección de datos que desees configurar para tu bucket.
          • Para habilitar la eliminación no definitiva, haz clic en la casilla de verificación Política de eliminación no definitiva (para la recuperación de datos) y especifica la cantidad de días que deseas conservar los objetos después de la eliminación.
          • Para configurar el Control de versiones de objetos, haz clic en la casilla de verificación Control de versiones de objetos (para el control de versión) y especifica la cantidad máxima de versiones por objeto y la cantidad de días después de los cuales vencen las versiones no actuales.
          • Para habilitar la política de retención en objetos y buckets, haz clic en la casilla de verificación Retención (para cumplimiento) y, luego, haz lo siguiente:
            • Para habilitar el bloqueo de retención de objetos, haz clic en la casilla de verificación Habilitar la retención de objetos.
            • Para habilitar el bloqueo del bucket, haz clic en la casilla de verificación Establecer política de retención del bucket y elige una unidad de tiempo y una duración para el período de retención.
        • Para elegir cómo se encriptarán los datos de tus objetos, expande la sección Encriptación de datos () y selecciona un método de encriptación de datos.
    4. Haz clic en Crear.

  3. 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 panel de la consola de Google Cloud .

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, 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 catálogo de tiempo de ejecución de Lakehouse con las cargas de trabajo por lotes de Spark SQL y PySpark de Managed Service 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 SQL de Managed Service para Apache Spark para crear una tabla de Iceberg con metadatos de tabla almacenados en el catálogo de tiempo de ejecución de Lakehouse.

  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;
    USE 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: Es 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: Es el ID del proyecto de Google Cloud . Los IDs de proyecto se enumeran en la sección Información del proyecto en el panel de la consola de 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. 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. El WAREHOUSE_FOLDER se encuentra en este bucket.
    • --version: Versión 2.2 o posterior del entorno de ejecución de Managed Service para Apache Spark.
    • SUBNET_NAME: Es el nombre de una subred de VPC en la REGION. Si omites esta marca, Managed Service para Apache Spark selecciona la subred default en la región de la sesión. Managed Service para Apache Spark habilita el Acceso privado a Google (PGA) en la subred. Para conocer los requisitos de conectividad de red, consulta Configuración de red de Managed Service para Apache Spark.
    • LOCATION: Es una ubicación de BigQuery compatible. La ubicación predeterminada es "US".
    • --properties Propiedades del catálogo.
  3. Visualiza 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 Managed Service para Apache Spark para crear una tabla de Iceberg con metadatos de tabla almacenados en el catálogo de tiempo de ejecución de Lakehouse.

  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: Es el ID del proyecto de Google Cloud . Los IDs de los proyectos se enumeran en la sección Información del proyecto en el panel de la consola de 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. 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 Managed Service para Apache Spark.
    • SUBNET_NAME: Es el nombre de una subred de VPC en la REGION. Si omites esta marca, Managed Service para Apache Spark selecciona la subred default en la región de la sesión. Managed Service para Apache Spark habilita el Acceso privado a Google (PGA) en la subred. Para conocer los requisitos de conectividad de red, consulta Configuración de red de Managed Service para Apache Spark.
    • LOCATION: Es una ubicación de BigQuery compatible. La ubicación predeterminada es "US".
    • BUCKET y WAREHOUSE_FOLDER: El bucket y la carpeta de Cloud Storage que se usan como el directorio del almacén de Iceberg.
    • --properties: Propiedades del catálogo.
  3. Visualizar 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.