Crea set di dati federati AWS Glue

Questo documento descrive come creare un set di dati federato in BigQuery collegato a un database esistente in AWS Glue.

Un set di dati federato è una connessione tra BigQuery e un'origine dati esterna a livello di set di dati. Le tabelle di un set di dati federato vengono compilate automaticamente dalle tabelle dell'origine dati esterna corrispondente. Puoi eseguire query su queste tabelle direttamente in BigQuery, ma non puoi apportare modifiche, aggiunte o eliminazioni. Tuttavia, tutti gli aggiornamenti apportati nell'origine dati esterna vengono automaticamente applicati in BigQuery.

Prima di iniziare

Assicurati di avere una connessione per accedere ai dati di AWS Glue.

  • Per creare o modificare una connessione, segui le istruzioni riportate in Connessione ad Amazon S3. Quando crei la connessione, includi la seguente istruzione dei criteri per AWS Glue nel tuo criterio AWS Identity and Access Management per BigQuery. Includi questa istruzione oltre alle altre autorizzazioni nel bucket Amazon S3 in cui sono archiviati i dati nelle tabelle AWS Glue.

    {
 "Effect": "Allow",
 "Action": [
   "glue:GetDatabase",
   "glue:GetTable",
   "glue:GetTables",
   "glue:GetPartitions"
 ],
 "Resource": [
   "arn:aws:glue:REGION:ACCOUNT_ID:catalog",
   "arn:aws:glue:REGION:ACCOUNT_ID:database/DATABASE_NAME",
   "arn:aws:glue:REGION:ACCOUNT_ID:table/DATABASE_NAME/*"
 ]
}

    Sostituisci quanto segue:

    • REGION: la regione AWS, ad esempio us-east-1
    • ACCOUNT_ID:: l'ID account AWS di 12 cifre
    • DATABASE_NAME: il nome del database AWS Glue

Autorizzazioni obbligatorie

Per ottenere le autorizzazioni necessarie per creare un set di dati federato, chiedi all'amministratore di concederti il ruolo IAM Amministratore BigQuery (roles/bigquery.admin). Per saperne di più sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

Questo ruolo predefinito contiene le autorizzazioni necessarie per creare un set di dati federato. Per vedere quali sono esattamente le autorizzazioni richieste, espandi la sezione Autorizzazioni obbligatorie:

Autorizzazioni obbligatorie

Per creare un set di dati federato sono necessarie le seguenti autorizzazioni:

  • bigquery.datasets.create
  • bigquery.connections.use
  • bigquery.connections.delegate

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

Per saperne di più sui ruoli e sulle autorizzazioni IAM in BigQuery, consulta Introduzione a IAM.

Creare un set di dati federato

Per creare un set di dati federato:

Console

  1. Apri la pagina BigQuery nella console Google Cloud .

    Vai alla pagina BigQuery

  2. Nel riquadro Explorer, seleziona il progetto in cui vuoi creare il set di dati.

  3. Espandi l'opzione Azioni e fai clic su Crea set di dati.

  4. Nella pagina Crea set di dati:

    • In ID set di dati, inserisci un nome univoco per il set di dati.
    • Per Tipo di località, scegli una località AWS per il set di dati, ad esempio aws-us-east-1. Dopo aver creato un set di dati, la posizione non può essere modificata.

    • Per Set di dati esterno, segui questi passaggi:

      • Seleziona la casella accanto a Link a un set di dati esterno.
      • Per Tipo di set di dati esterno, seleziona AWS Glue.
      • Per Origine esterna, inserisci aws-glue:// seguito dal nome risorsa Amazon (ARN) del database AWS Glue, ad esempio aws-glue://arn:aws:glue:us-east-1:123456789:database/test_database.
      • Per ID connessione, seleziona la connessione AWS.

    • Lascia invariate le altre impostazioni predefinite.

  5. Fai clic su Crea set di dati.

SQL

Utilizza l'istruzione DDL (Data Definition Language).CREATE EXTERNAL SCHEMA

  1. Nella console Google Cloud , vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nell'editor di query, inserisci la seguente istruzione:

    CREATE EXTERNAL SCHEMA DATASET_NAME
WITH CONNECTION PROJECT_ID.CONNECTION_LOCATION.CONNECTION_NAME
  OPTIONS (
    external_source = 'AWS_GLUE_SOURCE',
    location = 'LOCATION');

    Sostituisci quanto segue:

    • DATASET_NAME: il nome del nuovo set di dati in BigQuery.
    • PROJECT_ID: il tuo ID progetto.
    • CONNECTION_LOCATION: la posizione della connessione AWS, ad esempio aws-us-east-1.
    • CONNECTION_NAME: il nome della connessione AWS.
    • AWS_GLUE_SOURCE: l'Amazon Resource Name (ARN) del database AWS Glue con un prefisso che identifica l'origine, ad esempio aws-glue://arn:aws:glue:us-east-1:123456789:database/test_database.
    • LOCATION: la posizione del nuovo set di dati in BigQuery, ad esempio aws-us-east-1. Dopo aver creato un set di dati, non puoi modificarne la posizione.

  3. Fai clic su Esegui.

Per maggiori informazioni su come eseguire le query, consulta Eseguire una query interattiva.

bq

In un ambiente a riga di comando, crea un set di dati utilizzando il comando bq mk:

bq --location=LOCATION mk --dataset \
    --external_source aws-glue://AWS_GLUE_SOURCE \
    --connection_id PROJECT_ID.CONNECTION_LOCATION.CONNECTION_NAME \
    DATASET_NAME

Sostituisci quanto segue:

  • LOCATION: la posizione del nuovo set di dati in BigQuery, ad esempio aws-us-east-1. Dopo aver creato un set di dati, non puoi modificarne la posizione. Puoi impostare un valore di posizione predefinito utilizzando il file .bigqueryrc.
  • AWS_GLUE_SOURCE: il nome risorsa Amazon (ARN) del database AWS Glue, ad esempio, arn:aws:glue:us-east-1:123456789:database/test_database.
  • PROJECT_ID: l'ID del tuo progetto BigQuery.
  • CONNECTION_LOCATION: la posizione della connessione AWS, ad esempio aws-us-east-1.
  • CONNECTION_NAME: il nome della connessione AWS.
  • DATASET_NAME: il nome del nuovo set di dati in BigQuery. Per creare un set di dati in un progetto diverso da quello predefinito, aggiungi l'ID progetto al nome del set di dati nel seguente formato: PROJECT_ID:DATASET_NAME.

Terraform

Utilizza la risorsa google_bigquery_dataset.

Per eseguire l'autenticazione in BigQuery, configura le Credenziali predefinite dell'applicazione. Per saperne di più, vedi Configurare l'autenticazione per le librerie client.

Il seguente esempio crea un set di dati federato AWS Glue:

resource "google_bigquery_dataset" "dataset" {
  provider                    = google-beta
  dataset_id                  = "example_dataset"
  friendly_name               = "test"
  description                 = "This is a test description."
  location                    = "aws-us-east-1"

external_dataset_reference {
  external_source = "aws-glue://arn:aws:glue:us-east-1:999999999999:database/database"
  connection      = "projects/project/locations/aws-us-east-1/connections/connection"
  }
}

Per applicare la configurazione di Terraform in un progetto Google Cloud , completa i passaggi nelle sezioni seguenti.

Prepara Cloud Shell

  1. Avvia Cloud Shell.

  2. Imposta il progetto Google Cloud predefinito in cui vuoi applicare le configurazioni Terraform.

    Devi eseguire questo comando una sola volta per progetto e puoi eseguirlo in qualsiasi directory.

    export GOOGLE_CLOUD_PROJECT=PROJECT_ID

    Le variabili di ambiente vengono sostituite se imposti valori espliciti nel file di configurazione Terraform.

Prepara la directory

Ogni file di configurazione di Terraform deve avere la propria directory (chiamata anche modulo radice).

  1. In Cloud Shell, crea una directory e un nuovo file al suo interno. Il nome file deve avere l'estensione .tf, ad esempio main.tf. In questo tutorial, il file viene denominato main.tf. 
    mkdir DIRECTORY && cd DIRECTORY && touch main.tf

  2. Se stai seguendo un tutorial, puoi copiare il codice campione in ogni sezione o passaggio.

    Copia il codice campione nel file main.tf appena creato.

    (Facoltativo) Copia il codice da GitHub. Questa operazione è consigliata quando lo snippet Terraform fa parte di una soluzione end-to-end.

  3. Rivedi e modifica i parametri di esempio da applicare al tuo ambiente.
  4. Salva le modifiche.
  5. Inizializza Terraform. Devi effettuare questa operazione una sola volta per directory. 
    terraform init

    (Facoltativo) Per utilizzare l'ultima versione del provider Google, includi l'opzione -upgrade: 

    terraform init -upgrade

Applica le modifiche

  1. Rivedi la configurazione e verifica che le risorse che Terraform creerà o aggiornerà corrispondano alle tue aspettative: 
    terraform plan

    Apporta le correzioni necessarie alla configurazione.

  2. Applica la configurazione di Terraform eseguendo il comando seguente e inserendo yes al prompt: 
    terraform apply

    Attendi che Terraform visualizzi il messaggio "Apply complete!" (Applicazione completata).

  3. Apri il tuo Google Cloud progetto per visualizzare i risultati. Nella console Google Cloud , vai alle risorse nell'interfaccia utente per assicurarti che Terraform le abbia create o aggiornate.

API

Chiama il metodo datasets.insert con una risorsa dataset e un campo externalDatasetReference per il tuo database AWS Glue.

Elenca le tabelle in un set di dati federato

Per elencare le tabelle disponibili per le query nel set di dati federato, consulta Elenco dei set di dati.

Recuperare informazioni sulla tabella

Per ottenere informazioni sulle tabelle nel tuo set di dati federato, ad esempio i dettagli dello schema, consulta Ottenere informazioni sulle tabelle.

Controllare l'accesso alle tabelle

Per gestire l'accesso alle tabelle nel set di dati federato, consulta Controllare l'accesso alle risorse con IAM.

Sicurezza a livello di riga, sicurezza a livello di colonna e mascheramento dei dati sono supportati anche per le tabelle nei set di dati federati.

Le operazioni sullo schema che potrebbero invalidare i criteri di sicurezza, ad esempio l'eliminazione di una colonna in AWS Glue, possono causare l'errore dei job finché i criteri non vengono aggiornati. Inoltre, se elimini una tabella in AWS Glue e la ricrei, le tue policy di sicurezza non vengono più applicate alla tabella ricreata.

Esegui query sui dati AWS Glue

L'esecuzione di query sulle tabelle nei set di dati federati è identica all'esecuzione di query sulle tabelle in qualsiasi altro set di dati BigQuery.

Puoi eseguire query sulle tabelle AWS Glue nei seguenti formati:

  • CSV (compresso e non compresso)
  • JSON (compresso e non compresso)
  • Parquet
  • ORC
  • Avro
  • Iceberg
  • Delta Lake

Dettagli mappatura tabella

Ogni tabella a cui concedi l'accesso nel database AWS Glue viene visualizzata come tabella equivalente nel tuo set di dati BigQuery.

Formato

Il formato di ogni tabella BigQuery è determinato dai seguenti campi della rispettiva tabella AWS Glue:

  • InputFormat (Table.StorageDescriptor.InputFormat)
  • OutputFormat (Table.StorageDescriptor.OutputFormat)
  • SerializationLib (Table.StorageDescriptor.SerdeInfo.SerializationLibrary)

L'unica eccezione sono le tabelle Iceberg, che utilizzano il campo TableType (Table.Parameters["table_type"]).

Ad esempio, una tabella AWS Glue con i seguenti campi viene mappata a una tabella ORC in BigQuery:

  • InputFormat = "org.apache.hadoop.hive.ql.io.orc.OrcInputFormat"
  • OutputFormat = "org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat"
  • SerializationLib = "org.apache.hadoop.hive.ql.io.orc.OrcSerde"

Località

La posizione di ogni tabella BigQuery è determinata da quanto segue:

  • Tabelle Iceberg: il campo Table.Parameters["metadata_location"] nella tabella AWS Glue
  • Tabelle non partizionate non Iceberg: il campo Table.StorageDescriptor.Location nella tabella AWS Glue
  • Tabelle partizionate non Iceberg: l'API AWS Glue GetPartitions

Altre proprietà

Inoltre, alcune proprietà della tabella AWS Glue vengono mappate automaticamente a opzioni specifiche del formato in BigQuery:

Formato SerializationLib Valore della tabella AWS Glue Opzione BigQuery
CSV LazySimpleSerDe Table.StorageDescriptor.SerdeInfo.Parameters["field.delim"] CsvOptions.fieldDelimiter
CSV LazySimpleSerDe Table.StorageDescriptor.Parameters["serialization.encoding"] CsvOptions.encoding
CSV LazySimpleSerDe Table.StorageDescriptor.Parameters["skip.header.line.count"] CsvOptions.skipLeadingRows
CSV OpenCsvSerDe Table.StorageDescriptor.SerdeInfo.Parameters["separatorChar"] CsvOptions.fieldDelimiter
CSV OpenCsvSerDe Table.StorageDescriptor.SerdeInfo.Parameters["quoteChar"] CsvOptions.quote
CSV OpenCsvSerDe Table.StorageDescriptor.Parameters["serialization.encoding"] CsvOptions.encoding
CSV OpenCsvSerDe Table.StorageDescriptor.Parameters["skip.header.line.count"] CsvOptions.skipLeadingRows
JSON Hive JsonSerDe Table.StorageDescriptor.Parameters["serialization.encoding"] JsonOptions.encoding

Creare una visualizzazione in un set di dati federato

Non puoi creare una visualizzazione in un set di dati federato. Tuttavia, puoi creare una vista in un set di dati standard basato su una tabella in un set di dati federato. Per ulteriori informazioni, vedi Creare viste.

Eliminare un set di dati federato

L'eliminazione di un set di dati federato è uguale all'eliminazione di qualsiasi altro set di dati BigQuery. Per saperne di più, consulta la sezione Eliminare i set di dati.

Prezzi

Per informazioni sui prezzi, consulta la pagina Prezzi di BigQuery Omni.

Limitazioni

  • Si applicano tutte le limitazioni di BigQuery Omni.
  • Non puoi aggiungere, eliminare o aggiornare dati o metadati nelle tabelle di un dataset federato AWS Glue.
  • Non puoi creare nuove tabelle, viste o viste materializzate in un set di dati federato AWS Glue.
  • Le INFORMATION_SCHEMA visualizzazioni non sono supportate.
  • La memorizzazione nella cache dei metadati non è supportata.
  • Le impostazioni a livello di set di dati correlate ai valori predefiniti di creazione delle tabelle non influenzano i set di dati federati perché non puoi creare tabelle manualmente.
  • Il tipo di dati Apache Hive UNION non è supportato per le tabelle Avro.
  • Si applicano le limitazioni delle tabelle esterne.

Passaggi successivi