"Managed Service for Apache Spark" is the new name for the product formerly known as "Dataproc on Compute Engine" (cluster deployment) and "Google Cloud Serverless for Apache Spark" (serverless deployment).

Google utilise la technologie IA pour traduire le contenu dans votre langue préférée. Les traductions générées par IA peuvent contenir des erreurs.

Créer une table Apache Iceberg avec des métadonnées dans le catalogue du runtime Lakehouse

Ce document vous explique comment exécuter des charges de travail par lot Managed Service pour Apache Spark SQL et PySpark afin de créer une table Apache Iceberg avec des métadonnées stockées dans le catalogue d'exécution Lakehouse. Pour savoir comment exécuter du code Spark, consultez Exécuter du code PySpark dans un notebook BigQuery et Exécuter une charge de travail Apache Spark.

Avant de commencer

Si ce n'est pas déjà fait, créez un projet Google Cloud et un bucket Cloud Storage.

Configurer votre projet
Créez un bucket Cloud Storage dans votre projet.
1. Dans la console Google Cloud , accédez à la page Buckets de Cloud Storage.
  Accéder à la page "Buckets"
2. Cliquez sur Créer.
3. Sur la page Créer un bucket, saisissez les informations concernant votre bucket. Pour passer à l'étape suivante, cliquez sur Continuer.
  1. Dans la section Premiers pas, procédez comme suit :
    - Saisissez un nom unique qui répond aux exigences relatives aux noms des buckets.
    - Pour ajouter une étiquette de bucket, développez la section Étiquettes (), cliquez sur Ajouter une étiquette, puis spécifiez un élément key et value pour votre étiquette.
  2. Dans la section Choisir l'emplacement de stockage de vos données, procédez comme suit :
    1. Sélectionnez un type d'emplacement.
    2. Choisissez un emplacement où les données de votre bucket seront stockées de manière permanente dans le menu déroulant Type d'emplacement.
      - Si vous sélectionnez le type d'emplacement birégional, vous pouvez également choisir d'activer la réplication turbo à l'aide de la case à cocher correspondante.
    3. Pour configurer la réplication entre buckets, sélectionnez Ajouter une réplication entre buckets via le service de transfert de stockage et suivez ces étapes :
      Configurer la réplication entre buckets
      
      Dans le menu Bucket, sélectionnez un bucket.
      
      Dans la section Paramètres de réplication, cliquez sur Configurer pour configurer les paramètres du job de réplication.
      
      Le volet Configurer la réplication entre buckets s'affiche.
      
      Pour filtrer les objets à répliquer en fonction du préfixe de leur nom, saisissez le préfixe avec lequel vous souhaitez inclure ou exclure des objets, puis cliquez sur Ajouter un préfixe.
      
      Pour définir une classe de stockage pour les objets répliqués, sélectionnez-en une dans le menu Classe de stockage. Si vous ignorez cette étape, les objets répliqués utiliseront la classe de stockage par défaut du bucket de destination.
      
      Cliquez sur OK.
  3. Dans la section Choisir comment stocker vos données, procédez comme suit :
    1. Sélectionnez une classe de stockage par défaut pour le bucket ou classe automatique pour gérer automatiquement les classes de stockage des données de votre bucket.
    2. Pour activer l'espace de noms hiérarchique, dans la section Optimiser l'espace de stockage pour les charges de travail utilisant beaucoup de données, sélectionnez Activer l'espace de noms hiérarchique sur ce bucket.
      Remarque : Vous ne pouvez pas activer l'espace de noms hiérarchique dans des buckets existants.
  4. Dans la section Choisir comment contrôler l'accès aux objets, indiquez si votre bucket applique ou non la protection contre l'accès public et sélectionnez une méthode de contrôle des accès pour les objets de votre bucket.
    Remarque : Vous ne pouvez pas modifier le paramètre Empêcher l'accès public s'il est appliqué au niveau d'une règle d'administration.
  5. Dans la section Choisir comment protéger les données d'objet, procédez comme suit :
    - Sous Protection des données, sélectionnez les options que vous souhaitez définir pour votre bucket.
      - Pour activer la suppression réversible, cochez la case Règle de suppression réversible (pour la récupération de données), puis spécifiez le nombre de jours pendant lesquels vous souhaitez conserver les objets après leur suppression.
      - Pour définir la gestion des versions des objets, cochez la case Gestion des versions des objets (pour le contrôle des versions), puis spécifiez le nombre maximal de versions par objet et le nombre de jours après lesquels les versions obsolètes expirent.
      - Pour activer la règle de conservation sur les objets et les buckets, cochez la case Conservation (pour la conformité), puis procédez comme suit :
        
        Pour activer le verrou de conservation des objets, cochez la case Activer la conservation des objets.
        
        Pour activer le verrou de bucket, cochez la case Définir une règle de conservation du bucket, puis choisissez une unité de temps et une durée pour votre période de conservation.
    - Pour choisir comment vos données d'objet seront chiffrées, développez la section Chiffrement des données , puis sélectionnez une méthode de chiffrement des données.
4. Cliquez sur Créer.
Attribuez le rôle Éditeur de données BigQuery (roles/bigquery.dataEditor) au compte de service Compute Engine par défaut, PROJECT_NUMBER-compute@developer.gserviceaccount.com. Pour savoir comment procéder, consultez Attribuer un rôle unique.

Exemple de Google Cloud CLI :
```
gcloud projects add-iam-policy-binding PROJECT_ID \
    --member PROJECT_NUMBER-compute@developer.gserviceaccount.com \
--role roles/bigquery.dataEditor
```
Remarques :
- PROJECT_ID et PROJECT_NUMBER sont listés dans la section Informations sur le projet du tableau de bord de la console Google Cloud .

Mappage des ressources OSS vers les ressources BigQuery

Notez le mappage suivant entre les termes de ressources Open Source et BigQuery :

Ressource OSS	Ressource BigQuery
Espace de noms, base de données	Ensemble de données
Table partitionnée ou non partitionnée	Table
Afficher	Afficher

Créer une table Iceberg

Cette section vous explique comment créer une table Iceberg avec des métadonnées dans le catalogue Lakehouse Runtime à l'aide des charges de travail par lot SparkSQL et PySpark de Managed Service pour Apache Spark.

Spark SQL

Exécuter une charge de travail Spark SQL pour créer une table Iceberg

Les étapes suivantes vous montrent comment exécuter une charge de travail par lot Managed Service pour Apache Spark SQL afin de créer une table Iceberg avec des métadonnées de table stockées dans le catalogue Lakehouse Runtime.

Copiez les commandes SparkSQL suivantes en local ou dans Cloud Shell dans un fichier 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;

Remplacez les éléments suivants :

CATALOG_NAME : nom du catalogue Iceberg.
BUCKET et WAREHOUSE_FOLDER : bucket Cloud Storage et dossier utilisés comme répertoire d'entrepôt Iceberg.

Exécutez la commande suivante en local ou dans Cloud Shell à partir du répertoire contenant iceberg-table.sql pour envoyer la charge de travail SparkSQL.
```
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"
  
```
Remarques :
- PROJECT_ID : ID de votre projet Google Cloud . Les ID de projet sont listés dans la section Informations sur le projet du tableau de bord de la console Google Cloud .
- REGION : Région Compute Engine disponible pour exécuter la charge de travail.
- BUCKET_NAME : nom du bucket Cloud Storage. Spark importe les dépendances de la charge de travail dans un dossier /dependencies de ce bucket avant d'exécuter la charge de travail par lot. Le WAREHOUSE_FOLDER se trouve dans ce bucket.
- --version : version 2.2 ou ultérieure de l'environnement d'exécution Managed Service pour Apache Spark.
- SUBNET_NAME : nom d'un sous-réseau VPC dans REGION. Si vous omettez cet indicateur, Managed Service pour Apache Spark sélectionne le sous-réseau default dans la région de la session. Managed Service pour Apache Spark active l'accès privé à Google sur le sous-réseau. Pour connaître les exigences de connectivité réseau, consultez Configuration réseau de Managed Service pour Apache Spark.
- LOCATION : emplacement BigQuery compatible. L'emplacement par défaut est "US".
- --properties Propriétés du catalogue.
Afficher les métadonnées d'une table dans BigQuery
1. Dans la console Google Cloud , accédez à la page BigQuery.
  
  Accéder à BigQuery Studio
2. Affichez les métadonnées des tables Iceberg.

PySpark

Les étapes suivantes vous montrent comment exécuter une charge de travail par lot PySpark Managed Service pour Apache Spark afin de créer une table Iceberg avec des métadonnées de table stockées dans le catalogue Lakehouse Runtime.

Copiez le code PySpark suivant en local ou dans Cloud Shell dans un fichier 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;")