Lakehouse-Laufzeitkatalog für Managed Service for Apache Spark mit Apache Iceberg 1.9 konfigurieren

Apache Spark

1. Konfigurieren Sie einen neuen Cluster. Führen Sie den folgenden gcloud dataproc clusters create-Befehl aus, um einen neuen Managed Service for Apache Spark-Cluster zu erstellen, der die Einstellungen enthält, die Sie für die Verwendung des Lakehouse-Laufzeitkatalogs benötigen:

   gcloud dataproc clusters create CLUSTER_NAME \
       --project=PROJECT_ID \
       --region=LOCATION \
       --single-node

   Ersetzen Sie Folgendes:

   • CLUSTER_NAME: Ein Name für Ihren Managed Service for Apache Spark-Cluster.
   • PROJECT_ID: die ID des Google Cloud Projekts, in dem Sie den Cluster erstellen.
   • LOCATION: die Compute Engine-Region, in der Sie den Cluster erstellen.

2. Senden Sie einen Apache Spark-Job mit einer der folgenden Methoden:

   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_2.12/1.6.1/iceberg-spark-runtime-3.5_2.12-1.6.1.jar,BIGLAKE_ICEBERG_CATALOG_JAR \
     --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=WAREHOUSE_DIRECTORY \
     --execute="SPARK_SQL_COMMAND"

   Ersetzen Sie Folgendes:

   • PROJECT_ID: die ID des Google Cloud Projekts, das den Managed Service for Apache Spark-Cluster enthält.
   • CLUSTER_NAME: Der Name des Managed Service for Apache Spark-Clusters, den Sie zum Ausführen des Apache Spark SQL-Jobs verwenden.
   • REGION: die Compute Engine-Region, in der sich Ihr Cluster befindet.
   • BIGLAKE_ICEBERG_CATALOG_JAR: Der Cloud Storage-URI des benutzerdefinierten Apache Iceberg-Katalog-Plug-ins, das verwendet werden soll. Wählen Sie je nach Apache Iceberg-Versionsnummer eine der folgenden Optionen aus:
     • Apache Iceberg 1.9.1: gs://spark-lib/bigquery/iceberg-bigquery-catalog-1.9.1-1.0.1.jar
     • Apache Iceberg 1.6.1: gs://spark-lib/bigquery/iceberg-bigquery-catalog-1.6.1-1.0.2.jar
   • LOCATION: der Standort der BigQuery-Ressourcen.
   • CATALOG_NAME: der Name des Apache Spark-Katalogs, der für Ihren SQL-Job verwendet werden soll.
   • WAREHOUSE_DIRECTORY: Der Cloud Storage-Ordner, der Ihr Data Warehouse enthält. Dieser Wert beginnt mit gs://.
   • SPARK_SQL_COMMAND: Die Apache Spark SQL-Abfrage, die Sie ausführen möchten. Diese Abfrage enthält die Befehle zum Erstellen Ihrer Ressourcen. So erstellen Sie beispielsweise einen Namespace und eine Tabelle:

   spark-sql-Befehlszeile

   1. Rufen Sie in der Google Cloud Console die Seite VM-Instanzen auf.

      Zu Seite „VM-Instanzen“

   2. Wenn Sie eine Verbindung zu einer VM-Instanz von Managed Service for Apache Spark herstellen möchten, klicken Sie in der Zeile mit dem Namen der Haupt-VM-Instanz des Managed Service for Apache Spark-Clusters auf SSH. Der Name der Haupt-VM-Instanz ist der Clustername gefolgt vom Suffix -m. Die Ausgabe sieht etwa so aus:

      Connected, host fingerprint: ssh-rsa ...
      Linux cluster-1-m 3.16.0-0.bpo.4-amd64 ...
      ...
      example-cluster@cluster-1-m:~$
      

   3. Führen Sie im Terminal den folgenden Initialisierungsbefehl für den Lakehouse-Laufzeitkatalog aus:

      spark-sql \
        --jars https://storage-download.googleapis.com/maven-central/maven2/org/apache/iceberg/iceberg-spark-runtime-3.5_2.12/1.6.1/iceberg-spark-runtime-3.5_2.12-1.6.1.jar,BIGLAKE_ICEBERG_CATALOG_JAR \
        --conf spark.sql.catalog.CATALOG_NAME=org.apache.iceberg.spark.SparkCatalog \
        --conf spark.sql.catalog.CATALOG_NAME.catalog-impl=org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog \
        --conf spark.sql.catalog.CATALOG_NAME.gcp_project=PROJECT_ID \
        --conf spark.sql.catalog.CATALOG_NAME.gcp_location=LOCATION \
        --conf spark.sql.catalog.CATALOG_NAME.warehouse=WAREHOUSE_DIRECTORY

   Ersetzen Sie Folgendes:

   • BIGLAKE_ICEBERG_CATALOG_JAR: Der Cloud Storage-URI des benutzerdefinierten Apache Iceberg-Katalog-Plug-ins, das verwendet werden soll. Wählen Sie je nach Apache Iceberg-Versionsnummer eine der folgenden Optionen aus:
     • Apache Iceberg 1.9.1: gs://spark-lib/bigquery/iceberg-bigquery-catalog-1.9.1-1.0.1.jar
     • Apache Iceberg 1.6.1: gs://spark-lib/bigquery/iceberg-bigquery-catalog-1.6.1-1.0.2.jar
   • CATALOG_NAME: Der Name des Apache Spark-Katalogs, den Sie für Ihren SQL-Job verwenden.
   • PROJECT_ID: die Google Cloud Projekt-ID für den Lakehouse-Laufzeitkatalog, mit dem Ihr Apache Spark-Katalog verknüpft ist.
   • LOCATION: Der Google Cloud Speicherort für den Lakehouse-Laufzeitkatalog.
   • WAREHOUSE_DIRECTORY: Der Cloud Storage-Ordner, der Ihr Data Warehouse enthält. Dieser Wert beginnt mit gs://.

   Nachdem Sie die Verbindung zum Cluster hergestellt haben, wird im Apache Spark-Terminal der Prompt spark-sql angezeigt, über den Sie Apache Spark-Jobs senden können.

     spark-sql (default)>
   

Apache Flink

1. Erstellen Sie einen Managed Service for Apache Spark-Cluster mit der optionalen Apache Flink-Komponente und achten Sie darauf, dass Sie Managed Service for Apache Spark 2.2 oder höher verwenden.

2. Rufen Sie in der Google Cloud Console die Seite VM-Instanzen auf:

   Zur Seite „VM-Instanzen“

3. Klicken Sie in der Liste der virtuellen Maschinen auf SSH, um eine Verbindung zur Haupt-VM-Instanz des Managed Service for Apache Spark-Clusters herzustellen. Diese wird als Clustername gefolgt vom Suffix -m aufgeführt.

4. Konfigurieren Sie das benutzerdefinierte Apache Iceberg-Katalog-Plug-in für BigQuery für den Lakehouse-Laufzeitkatalog:

   FLINK_VERSION=1.19
   ICEBERG_VERSION=1.6.1
   
   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 gcloud storage cp gs://spark-lib/bigquery/iceberg-bigquery-catalog-${ICEBERG_VERSION}-1.0.2.jar lib/

5. Starten Sie die Apache Flink-Sitzung in YARN:

   HADOOP_CLASSPATH=`hadoop classpath`
   
   sudo bin/yarn-session.sh -nm flink-dataproc -d
   
   sudo bin/sql-client.sh embedded \
   -s yarn-session

6. Katalog in Apache Flink erstellen:

   CREATE CATALOG CATALOG_NAME WITH (
   'type'='iceberg',
   'warehouse'='WAREHOUSE_DIRECTORY',
   'catalog-impl'='org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog',
   'gcp_project'='PROJECT_ID',
   'gcp_location'='LOCATION'
   );

   Ersetzen Sie Folgendes:

   • CATALOG_NAME: Die Apache Flink-Katalogkennung, die mit dem Lakehouse-Laufzeitkatalog verknüpft ist.
   • WAREHOUSE_DIRECTORY: Der Basispfad für das Warehouse-Verzeichnis (der Cloud Storage-Ordner, in dem Apache Flink Dateien erstellt). Dieser Wert beginnt mit gs://.
   • PROJECT_ID: Die Projekt-ID für den Lakehouse-Laufzeitkatalog, mit dem der Apache Flink-Katalog verknüpft ist.
   • LOCATION: Der Standort der BigQuery-Ressourcen.

Ihre Apache Flink-Sitzung ist jetzt mit dem Lakehouse-Laufzeitkatalog verbunden und Sie können Apache Flink SQL-Befehle ausführen.

Lakehouse-Laufzeitkatalogressourcen verwalten

Nachdem Sie eine Verbindung zum Lakehouse-Laufzeitkatalog hergestellt haben, können Sie Ressourcen basierend auf den im Lakehouse-Laufzeitkatalog gespeicherten Metadaten erstellen und ansehen.

Führen Sie beispielsweise die folgenden Befehle in Ihrer interaktiven Apache Flink SQL-Sitzung aus, um eine Apache Iceberg-Datenbank und -Tabelle zu erstellen.

1. Benutzerdefinierten Apache Iceberg-Katalog für BigQuery verwenden:

   USE CATALOG CATALOG_NAME;

   Ersetzen Sie CATALOG_NAME durch die Apache Flink-Katalog-ID.

2. Erstellen Sie eine Datenbank. Dadurch wird ein Dataset in BigQuery erstellt:

   CREATE DATABASE IF NOT EXISTS DATABASE_NAME;

   Ersetzen Sie DATABASE_NAME durch den Namen Ihrer neuen Datenbank.

3. Verwenden Sie die Datenbank, die Sie erstellt haben:

   USE DATABASE_NAME;

4. Apache Iceberg-Tabelle erstellen Im Folgenden wird eine Beispielverkaufstabelle erstellt:

   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)
   );

   Ersetzen Sie ICEBERG_TABLE_NAME durch einen Namen für die neue Tabelle.

5. Tabellenmetadaten ansehen:

   DESCRIBE EXTENDED ICEBERG_TABLE_NAME;

6. Tabellen in der Datenbank auflisten:

   SHOW TABLES;

Daten in die Tabelle aufnehmen

Nachdem Sie im vorherigen Abschnitt eine Apache Iceberg-Tabelle erstellt haben, können Sie Apache Flink DataGen als Datenquelle verwenden, um Echtzeitdaten in Ihre Tabelle aufzunehmen. Die folgenden Schritte sind ein Beispiel für diesen Workflow:

1. So erstellen Sie eine temporäre Tabelle mit 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);

   Ersetzen Sie Folgendes:

   • DATABASE_NAME: der Name der Datenbank, in der die temporäre Tabelle gespeichert werden soll.
   • TEMP_TABLE_NAME: Ein Name für die temporäre Tabelle.
   • ICEBERG_TABLE_NAME: der Name der Apache Iceberg-Tabelle, die Sie im vorherigen Abschnitt erstellt haben.

2. Legen Sie die Parallelität auf 1 fest:

   SET 'parallelism.default' = '1';

3. Legen Sie das Prüfpunktintervall fest:

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

4. Prüfpunkt festlegen:

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

5. Starten Sie den Echtzeit-Streamingjob:

   INSERT INTO ICEBERG_TABLE_NAME SELECT * FROM TEMP_TABLE_NAME;

   Die Ausgabe sieht etwa so aus:

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

6. So prüfen Sie den Status des Streamingjobs:

   1. Rufen Sie in der Google Cloud Console die Seite Cluster auf.

      Zu den Clustern

   2. Wählen Sie Ihren Cluster aus.

   3. Klicken Sie auf den Tab Weboberflächen.

   4. Klicken Sie auf den Link YARN ResourceManager.

   5. Suchen Sie in der YARN ResourceManager-Oberfläche nach Ihrer Apache Flink-Sitzung und klicken Sie unter Tracking UI auf den Link ApplicationMaster.

   6. Prüfen Sie in der Spalte Status, ob der Jobstatus Wird ausgeführt lautet.

7. Streamingdaten im Apache Flink SQL-Client abfragen:

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

8. Streamingdaten in BigQuery abfragen:

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

9. Beenden Sie den Streamingjob im Apache Flink SQL-Client:

   STOP JOB 'JOB_ID';

   Ersetzen Sie JOB_ID durch die Job-ID, die in der Ausgabe angezeigt wurde, als Sie den Streamingjob erstellt haben.

Apache Spark SQL

1. Erstellen Sie eine SQL-Datei mit den Apache Spark SQL-Befehlen, die Sie im Lakehouse-Laufzeitkatalog ausführen möchten. Mit diesem Befehl werden beispielsweise ein Namespace und eine Tabelle erstellt:

   CREATE NAMESPACE `CATALOG_NAME`.NAMESPACE_NAME;
   CREATE TABLE `CATALOG_NAME`.NAMESPACE_NAME.TABLE_NAME (id int, data string) USING ICEBERG LOCATION 'WAREHOUSE_DIRECTORY';

   Ersetzen Sie Folgendes:

   • CATALOG_NAME: Der Katalogname, der auf Ihre Apache Spark-Tabelle verweist.
   • NAMESPACE_NAME: Der Namespace-Name, der auf Ihre Apache Spark-Tabelle verweist.
   • TABLE_NAME: Ein Tabellenname für Ihre Apache Spark-Tabelle.
   • WAREHOUSE_DIRECTORY: Der URI des Cloud Storage-Ordners, in dem Ihr Data Warehouse gespeichert ist.

2. Senden Sie einen Apache Spark SQL-Batchjob, indem Sie den folgenden gcloud dataproc batches submit spark-sql-Befehl ausführen:

   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 \
       --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=WAREHOUSE_DIRECTORY"

   Ersetzen Sie Folgendes:

   • SQL_SCRIPT_PATH: der Pfad zur SQL-Datei, die vom Batchjob verwendet wird.
   • PROJECT_ID: Die ID des Google Cloud Projekts, in dem der Batchjob ausgeführt werden soll.
   • REGION: die Region, in der Ihre Arbeitslast ausgeführt wird.
   • SUBNET_NAME (optional): der Name eines VPC-Subnetzes in REGION, das die Anforderungen an das Sitzungssubnetz erfüllt.
   • BUCKET_PATH: Der Speicherort des Cloud Storage-Bucket zum Hochladen von Arbeitslastabhängigkeiten. Die Datei WAREHOUSE_DIRECTORY befindet sich in diesem Bucket. Das gs://-URI-Präfix des Buckets ist nicht erforderlich. Sie können den Bucket-Pfad oder den Bucket-Namen angeben, z. B. mybucketname1.
   • LOCATION: Der Standort, an dem der Batchjob ausgeführt werden soll.

   Weitere Informationen zum Senden von Apache Spark-Batchjobs finden Sie unter Apache Spark-Batcharbeitslast ausführen.

PySpark

1. Erstellen Sie eine Python-Datei mit den PySpark-Befehlen, die Sie im Lakehouse-Laufzeitkatalog ausführen möchten.

   Mit dem folgenden Befehl wird beispielsweise eine Apache Spark-Umgebung eingerichtet, um mit Apache Iceberg-Tabellen zu interagieren, die im Lakehouse-Laufzeitkatalog gespeichert sind. Mit dem Befehl wird dann ein neuer Namespace und eine Apache Iceberg-Tabelle in diesem Namespace erstellt.

   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.catalog-impl", "org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog") \
   .config("spark.sql.catalog.CATALOG_NAME.gcp_project", "PROJECT_ID") \
   .config("spark.sql.catalog.CATALOG_NAME.gcp_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';")

   Ersetzen Sie Folgendes:

   • PROJECT_ID: Die ID des Google Cloud Projekts, in dem der Batchjob ausgeführt werden soll.
   • LOCATION: Der Standort, an dem sich die BigQuery-Ressourcen befinden.
   • CATALOG_NAME: Der Katalogname, der auf Ihre Apache Spark-Tabelle verweist.
   • TABLE_NAME: Ein Tabellenname für Ihre Apache Spark-Tabelle.
   • WAREHOUSE_DIRECTORY: Der URI des Cloud Storage-Ordners, in dem Ihr Data Warehouse gespeichert ist.
   • NAMESPACE_NAME: Der Namespace-Name, der auf Ihre Apache Spark-Tabelle verweist.

2. Senden Sie den Batchjob mit dem folgenden gcloud dataproc batches submit pyspark-Befehl:

   gcloud dataproc batches submit pyspark PYTHON_SCRIPT_PATH \
       --version=2.2 \
       --project=PROJECT_ID \
       --region=REGION \
       --deps-bucket=BUCKET_PATH \
       --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=WAREHOUSE_DIRECTORY"

   Ersetzen Sie Folgendes:

   • PYTHON_SCRIPT_PATH: Der Pfad zum Python-Skript, das vom Batchjob verwendet wird.
   • PROJECT_ID: Die ID des Google Cloud Projekts, in dem der Batchjob ausgeführt werden soll.
   • REGION: die Region, in der Ihre Arbeitslast ausgeführt wird.
   • BUCKET_PATH: Der Speicherort des Cloud Storage-Bucket zum Hochladen von Arbeitslastabhängigkeiten. Das gs://-URI-Präfix des Buckets ist nicht erforderlich. Sie können den Bucket-Pfad oder den Bucket-Namen angeben, z. B. mybucketname1.

   Weitere Informationen zum Senden von PySpark-Batchjobs finden Sie in der gcloud-Referenz für PySpark.