Utilizzare le tabelle Apache Iceberg con Dataproc Metastore

Questa pagina spiega come utilizzare le tabelle Apache Iceberg con un servizio Dataproc Metastore collegato a un cluster Dataproc. Apache Iceberg è un formato di tabella aperta per set di dati di analisi di grandi dimensioni.

Compatibilità

Le tabelle iceberg supportano le seguenti funzionalità.

Driver Seleziona Inserisci Crea tabella
Spark ✓ ✓ ✓
Hive ✓ ✓
Presto ✓ ✓ ✓

Prima di iniziare

Utilizzare la tabella Iceberg con Spark

L'esempio seguente mostra come utilizzare le tabelle Iceberg con Spark.

Le tabelle iceberg supportano le operazioni di lettura e scrittura. Per ulteriori informazioni, consulta Apache Iceberg - Spark.

Configurazioni Spark

Innanzitutto, avvia la shell Spark e utilizza un bucket Cloud Storage per archiviare i dati. Per includere Iceberg nell'installazione di Spark, aggiungi il file JAR di Iceberg Spark Runtime alla cartella JAR di Spark. Per scaricare il file JAR, consulta Download di Apache Iceberg. Il seguente comando avvia la shell Spark con il supporto di Apache Iceberg:

$ spark-shell --conf spark.sql.warehouse.dir=gs://BUCKET_NAME/spark-warehouse --jars /path/to/iceberg-spark-runtime.jar

Utilizzare Hive Catalog per creare tabelle Iceberg

  1. Configura le configurazioni del Catalogo Hive per creare tabelle Iceberg in Spark Scala:

    import org.apache.iceberg.hive.HiveCatalog
import org.apache.iceberg.catalog._
import org.apache.iceberg.Schema
import org.apache.iceberg.types.Types._
import org.apache.iceberg.PartitionSpec
import org.apache.iceberg.spark.SparkSchemaUtil
import org.apache.spark.sql._
import java.util.HashMap

  2. Crea una tabella per inserire e aggiornare i dati. Di seguito è riportato un esempio.

    1. Crea una tabella denominata example nel database default:

      val catalog = new HiveCatalog();
catalog.setConf(spark.sparkContext.hadoopConfiguration);
catalog.initialize("hive", new HashMap[String,String]());

val name = TableIdentifier.of("default","example");

    2. Inserisci dati di esempio:

      val df1 = Seq((1,"Vincent","Computer Science"),(2,"Dan", "Economics"),(3,"Bob", "Politics"),(4,"Cindy", "UX Design")).toDF("id","name","major");
val df1_schema = SparkSchemaUtil.convert(df1.schema);

    3. Specifica la strategia di partizione in base alla colonna id:

      val partition_spec=PartitionSpec.builderFor(df1_schema).identity("id").build;

    4. Crea la tabella:

      val table=catalog.createTable(name,df1_schema,partition_spec);

    5. Aggiungi l'handler di archiviazione Iceberg e SerDe come proprietà della tabella:

      table.updateProperties().set("engine.hive.enabled", "true").commit();

    6. Scrivi i dati nella tabella:

      df1.write.format("iceberg").mode("overwrite").save("default.example");

    7. Leggi i dati:

      val read_df1=spark.read.format("iceberg").load("default.example");
read_df1.show;

  3. Modifica lo schema della tabella. Di seguito è riportato un esempio.

    1. Recupera la tabella e aggiungi una nuova colonna grade:

      val table = catalog.loadTable(TableIdentifier.of("default", "example"));
table.updateSchema.addColumn("grade", StringType.get()).commit();

    2. Controlla lo schema della nuova tabella:

      table.schema.toString;

  4. Inserisci altri dati e visualizza l'evoluzione dello schema. Di seguito è riportato un esempio.

    1. Aggiungi nuovi dati alla tabella:

      val df2=Seq((5,"Amy","UX Design","Sophomore")).toDF("id","name","major","grade");
df2.write.format("iceberg").mode("append").save("default.example");

val df3=Seq((6,"Rachael","Economics","Freshman")).toDF("id","name","major","grade");
df3.write.format("iceberg").mode("append").save("default.example");

    2. Controlla i nuovi dati inseriti:

      val read_df2=spark.read.format("iceberg").load("default.example");
read_df2.show;

    3. Visualizza la cronologia della tabella:

      spark.read.format("iceberg").load("default.example.history").show(truncate = false);

    4. Visualizza le istantanee:

      spark.read.format("iceberg").load("default.example.snapshots").show(truncate = false);

    5. Visualizza i file manifest:

      spark.read.format("iceberg").load("default.example.manifests").show(truncate = false);

    6. Visualizza i file di dati:

      spark.read.format("iceberg").load("default.example.files").show(truncate = false);

    7. Supponiamo che tu abbia commesso un errore aggiungendo la riga con il valore id=6 e vuoi tornare indietro per vedere una versione corretta della tabella:

      spark.read.format("iceberg").option("snapshot-id","2273922295095144317").load("default.example").show();

      Sostituisci snapshot-id con la versione a cui vuoi tornare.

Utilizzare Hadoop Tables per creare tabelle Iceberg

  1. Configura le configurazioni delle tabelle Hadoop per creare tabelle Iceberg in Spark Scala:

    import org.apache.hadoop.conf.Configuration
import org.apache.iceberg.hadoop.HadoopTables
import org.apache.iceberg.Table
import org.apache.iceberg.Schema
import org.apache.iceberg.types.Types._
import org.apache.iceberg.PartitionSpec
import org.apache.iceberg.spark.SparkSchemaUtil
import org.apache.spark.sql._

  2. Crea una tabella per inserire e aggiornare i dati. Di seguito è riportato un esempio.

    1. Crea una tabella denominata example nel database default:

      val conf = new Configuration();
val tables = new HadoopTables(conf);

    2. Inserisci dati di esempio:

      val df1 = Seq((1,"Vincent","Computer Science"),(2,"Dan", "Economics"),(3,"Bob", "Politics"),(4,"Cindy", "UX Design")).toDF("id","name","major");
val df1_schema = SparkSchemaUtil.convert(df1.schema);

    3. Specifica la strategia di partizione in base alla colonna id:

      val partition_spec=PartitionSpec.builderFor(df1_schema).identity("id").build;

    4. Crea la tabella:

      val table_location = "gs://<gcs-bucket-name>/hive-warehouse/<database-name>";
val table = tables.create(df1_schema, partition_spec, table_location);

    5. Scrivi i dati nella tabella:

      df1.write.format("iceberg").mode("overwrite").save(table_location);

    6. Leggi i dati:

      val read_df1=spark.read.format("iceberg").load(table_location);
read_df1.show;

  3. Modifica lo schema della tabella. Di seguito è riportato un esempio.

    1. Recupera la tabella e aggiungi una nuova colonna grade:

      val table = tables.load(table_location);
table.updateSchema.addColumn("grade", StringType.get()).commit();

    2. Controlla lo schema della nuova tabella:

      table.schema.toString;

  4. Inserisci altri dati e visualizza l'evoluzione dello schema. Di seguito è riportato un esempio.

    1. Aggiungi nuovi dati alla tabella:

      val df2=Seq((5,"Amy","UX Design","Sophomore")).toDF("id","name","major","grade");
df2.write.format("iceberg").mode("append").save(table_location);

val df3=Seq((6,"Rachael","Economics","Freshman")).toDF("id","name","major","grade");
df3.write.format("iceberg").mode("append").save(table_location);

    2. Controlla i nuovi dati inseriti:

      val read_df2=spark.read.format("iceberg").load(table_location);
read_df2.show;

    3. Visualizza la cronologia della tabella:

      spark.read.format("iceberg").load("gs://<gcs-bucket-name>/hive-warehouse/<database-name>#history").show(truncate=false);

    4. Visualizza le istantanee:

      spark.read.format("iceberg").load("gs://<gcs-bucket-name>/hive-warehouse/<database-name>#snapshots").show(truncate=false);

    5. Visualizza i file manifest:

      spark.read.format("iceberg").load("gs://<gcs-bucket-name>/hive-warehouse/<database-name>#manifests").show(truncate=false);

    6. Visualizza i file di dati:

      spark.read.format("iceberg").load("gs://<gcs-bucket-name>/hive-warehouse/<database-name>#files").show(truncate=false);

    7. Tornare a una versione specifica della tabella:

      spark.read.format("iceberg").option("snapshot-id","3943776515926014142L").format("iceberg").load(table_location).show;

      Sostituisci snapshot-id con la versione a cui vuoi tornare e aggiungi "L" alla fine. Ad esempio: "3943776515926014142L".

Utilizzare la tabella Iceberg su Hive

Iceberg supporta le tabelle lette utilizzando Hive mediante un StorageHandler. Tieni conto che sono supportate solo le versioni Hive 2.x e 3.1.2. Per ulteriori informazioni, consulta Apache Iceberg - Hive. Inoltre, aggiungi il file JAR del runtime Iceberg Hive al percorso di classe di Hive. Per scaricare il file JAR, consulta Download di Apache Iceberg.

Per sovrapporre una tabella Hive a una tabella Iceberg, devi creare la tabella Iceberg utilizzando un catalogo Hive o una tabella Hadoop. Inoltre, devi configurare Hive di conseguenza per leggere i dati dalla tabella Iceberg.

Leggere la tabella Iceberg (catalogo Hive) su Hive

  1. Apri il client Hive e configura le impostazioni per leggere le tabelle Iceberg nella sessione del client Hive:

    add jar /path/to/iceberg-hive-runtime.jar;
set iceberg.engine.hive.enabled=true;
set engine.hive.enabled=true;
set iceberg.mr.catalog=hive;
set hive.vectorized.execution.enabled=false;

  2. Leggi lo schema e i dati della tabella. Di seguito è riportato un esempio.

    1. Controlla lo schema della tabella e se il formato della tabella è Iceberg:

      describe formatted example;

    2. Leggi i dati dalla tabella:

      select * from example;

Leggere la tabella Iceberg (tabella Hadoop) su Hive

  1. Apri il client Hive e configura le impostazioni per leggere le tabelle Iceberg nella sessione del client Hive:

    add jar /path/to/iceberg-hive-runtime.jar;
set engine.hive.enabled=true;
set hive.vectorized.execution.enabled=false;

  2. Leggi lo schema e i dati della tabella. Di seguito è riportato un esempio.

    1. Crea una tabella esterna (sovrapponi una tabella Hive alla tabella Iceberg):

      CREATE EXTERNAL TABLE hadoop_table
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler'
LOCATION 'gs://<gcs-bucket-name>/hive-warehouse/<database-name>'
TBLPROPERTIES ('iceberg.catalog'='gs://<gcs-bucket-name>/hive-warehouse/<database-name>');

    2. Controlla lo schema della tabella e se il formato della tabella è Iceberg:

      describe formatted hadoop_table;

    3. Leggi i dati dalla tabella:

      select * from hadoop_table;

Utilizzare la tabella Iceberg su Presto

Le query Presto utilizzano il connettore Hive per ottenere le posizioni delle partizioni, quindi devi configurare Presto di conseguenza per leggere e scrivere dati nella tabella Iceberg. Per ulteriori informazioni, consulta Presto/Trino - Hive Connector e Presto/Trino - Iceberg Connector.

Configurazioni di Presto

  1. In ogni nodo del cluster Dataproc, crea un file denominato iceberg.properties /etc/presto/conf/catalog/iceberg.properties e configura hive.metastore.uri come segue:

    connector.name=iceberg
hive.metastore.uri=thrift://<example.net:9083>

    Sostituisci example.net:9083 con l'host e la porta corretti per il servizio Thrift del metastore Hive.

  2. Riavvia il servizio Presto per inviare le configurazioni:

    sudo systemctl restart presto.service

Creare una tabella Iceberg su Presto

  1. Apri il client Presto e utilizza il connettore "Iceberg" per recuperare il metastore:

    --catalog iceberg --schema default

  2. Crea una tabella per inserire e aggiornare i dati. Di seguito è riportato un esempio.

    1. Crea una tabella denominata example nel database default:

      CREATE TABLE iceberg.default.example (
  id integer,
  name VARCHAR,
  major VARCHAR,
  grade VARCHAR)
WITH (partitioning = ARRAY['major', 'grade']);

    2. Inserisci dati di esempio:

      INSERT INTO iceberg.default.example
  VALUES (1, 'Vincent', 'Computer Science', 'Junior'), (2,'Dan', 'Economics', 'Senior'), (3,'Bob', 'Politics', 'Freshman');

    3. Leggi i dati dalla tabella:

      SELECT * FROM iceberg.default.example;

    4. Inserisci altri nuovi dati per controllare gli snapshot:

      INSERT INTO example
  VALUES (4, 'Cindy', 'UX Design', 'Junior');

INSERT INTO example
  VALUES (5, 'Amy', 'UX Design', 'Sophomore');

    5. Visualizza le istantanee:

      SELECT snapshot_id FROM iceberg.default."example$snapshots";

      Aggiungendo il comando ORDER BY committed_at DESC LIMIT 1;, puoi trovare l'ID dell'ultimo snapshot.

    6. Esegui il rollback a una versione specifica della tabella:

      CALL iceberg.system.rollback_to_snapshot('default', 'example', 8424394414541782448);

      Sostituisci snapshot-id con la versione a cui vuoi tornare.

Passaggi successivi