Configura il catalogo del runtime Lakehouse per Managed Service for Apache Spark utilizzando Apache Iceberg 1.9

Apache Spark

1. Configura un nuovo cluster. Per creare un nuovo cluster Managed Service for Apache Spark, esegui il seguente gcloud dataproc clusters create comando, che contiene le impostazioni necessarie per utilizzare il catalogo runtime Lakehouse:

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

   Sostituisci quanto segue:

   • CLUSTER_NAME: un nome per il cluster Managed Service for Apache Spark.
   • PROJECT_ID: l'ID del Google Cloud progetto in cui stai creando il cluster.
   • LOCATION: la regione Compute Engine in cui stai creando il cluster.

2. Invia un job Apache Spark utilizzando uno dei seguenti metodi:

   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"

   Sostituisci quanto segue:

   • PROJECT_ID: l'ID del Google Cloud progetto che contiene il cluster Managed Service for Apache Spark.
   • CLUSTER_NAME: il nome del cluster Managed Service for Apache Spark che stai utilizzando per eseguire il job Apache Spark SQL.
   • REGION: la regione Compute Engine in cui si trova il cluster.
   • BIGLAKE_ICEBERG_CATALOG_JAR: l'URI Cloud Storage del plug-in del catalogo personalizzato Apache Iceberg da utilizzare. A seconda del numero di versione di Apache Iceberg, seleziona una delle seguenti opzioni:
     • 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: la località delle risorse BigQuery.
   • CATALOG_NAME: il nome del catalogo Apache Spark da utilizzare con il job SQL.
   • WAREHOUSE_DIRECTORY: la cartella Cloud Storage che contiene il data warehouse. Questo valore inizia con gs://.
   • SPARK_SQL_COMMAND: la query SQL Apache Spark che vuoi eseguire. Questa query include i comandi per creare le risorse. Ad esempio, per creare uno spazio dei nomi e una tabella.

   Interfaccia a riga di comando spark-sql

   1. Nella Google Cloud console, vai alla pagina Istanze VM.

      Vai a Istanze VM

   2. Per connetterti a un'istanza VM Managed Service for Apache Spark, fai clic su SSH nella riga che elenca il nome dell'istanza VM principale del cluster Managed Service for Apache Spark, ovvero il nome del cluster seguito dal suffisso -m. L'output è simile al seguente:

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

   3. Nel terminale, esegui il seguente comando di inizializzazione per il catalogo runtime Lakehouse:

      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

   Sostituisci quanto segue:

   • BIGLAKE_ICEBERG_CATALOG_JAR: l'URI Cloud Storage del plug-in del catalogo personalizzato Apache Iceberg da utilizzare. A seconda del numero di versione di Apache Iceberg, seleziona una delle seguenti opzioni:
     • 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: il nome del catalogo Apache Spark che stai utilizzando con il job SQL.
   • PROJECT_ID: l' Google Cloud ID progetto del catalogo runtime Lakehouse a cui è collegato il catalogo Apache Spark.
   • LOCATION: la Google Cloud località del catalogo runtime Lakehouse.
   • WAREHOUSE_DIRECTORY: la cartella Cloud Storage che contiene il data warehouse. Questo valore inizia con gs://.

   Dopo aver eseguito la connessione al cluster, il terminale Apache Spark visualizza il prompt spark-sql, che puoi utilizzare per inviare i job Apache Spark.

     spark-sql (default)>
   

Apache Flink

1. Crea un cluster Managed Service for Apache Spark con il componente Apache Flink facoltativo abilitato e assicurati di utilizzare Managed Service for Apache Spark 2.2 o versioni successive.

2. Nella Google Cloud console, vai alla pagina Istanze VM.

   Vai a Istanze VM

3. Nell'elenco delle istanze della macchina virtuale, fai clic su SSH per connetterti all'istanza VM principale del cluster Managed Service for Apache Spark, elencata come nome del cluster seguito dal suffisso -m.

4. Configura il plug-in del catalogo Apache Iceberg personalizzato per BigQuery per il catalogo runtime Lakehouse:

   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. Avvia la sessione Apache Flink su YARN:

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

6. Crea un catalogo in Apache Flink:

   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'
   );

   Sostituisci quanto segue:

   • CATALOG_NAME: l'identificatore del catalogo Apache Flink, collegato al catalogo runtime Lakehouse.
   • WAREHOUSE_DIRECTORY: il percorso di base della directory del warehouse (la cartella Cloud Storage in cui Apache Flink crea i file). Questo valore inizia con gs://.
   • PROJECT_ID: l'ID progetto del catalogo runtime Lakehouse a cui è collegato il catalogo Apache Flink.
   • LOCATION: la località delle risorse BigQuery.

La sessione Apache Flink è ora connessa al catalogo runtime Lakehouse e puoi eseguire i comandi Apache Flink SQL.

Gestisci le risorse del catalogo runtime Lakehouse

Ora che hai eseguito la connessione al catalogo runtime Lakehouse, puoi creare e visualizzare le risorse in base ai metadati archiviati nel catalogo runtime Lakehouse.

Ad esempio, prova a eseguire i seguenti comandi nella sessione Apache Flink SQL interattiva per creare un database e una tabella Apache Iceberg.

1. Utilizza il catalogo Apache Iceberg personalizzato per BigQuery:

   USE CATALOG CATALOG_NAME;

   Sostituisci CATALOG_NAME con l'identificatore del catalogo Apache Flink.

2. Crea un database, che crea un set di dati in BigQuery:

   CREATE DATABASE IF NOT EXISTS DATABASE_NAME;

   Sostituisci DATABASE_NAME con il nome del nuovo database.

3. Utilizza il database che hai creato:

   USE DATABASE_NAME;

4. Crea una tabella Apache Iceberg. Il seguente comando crea una tabella di vendite di esempio:

   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)
   );

   Sostituisci ICEBERG_TABLE_NAME con un nome per la nuova tabella.

5. Visualizza i metadati della tabella:

   DESCRIBE EXTENDED ICEBERG_TABLE_NAME;

6. Elenca le tabelle nel database:

   SHOW TABLES;

Importa i dati nella tabella

Dopo aver creato una tabella Apache Iceberg nella sezione precedente, puoi utilizzare Apache Flink DataGen come origine dati per importare i dati in tempo reale nella tabella. I seguenti passaggi sono un esempio di questo flusso di lavoro:

1. Crea una tabella temporanea utilizzando 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);

   Sostituisci quanto segue:

   • DATABASE_NAME: il nome del database in cui archiviare la tabella temporanea.
   • TEMP_TABLE_NAME: un nome per la tabella temporanea.
   • ICEBERG_TABLE_NAME: il nome della tabella Apache Iceberg creata nella sezione precedente.

2. Imposta il parallelismo su 1:

   SET 'parallelism.default' = '1';

3. Imposta l'intervallo di checkpoint:

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

4. Imposta il checkpoint:

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

5. Avvia il job di streaming in tempo reale:

   INSERT INTO ICEBERG_TABLE_NAME SELECT * FROM TEMP_TABLE_NAME;

   L'output è simile al seguente:

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

6. Per controllare lo stato del job di streaming:

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

      Vai a Cluster

   2. Seleziona il cluster.

   3. Fai clic sulla scheda Interfacce web.

   4. Fai clic sul link YARN ResourceManager.

   5. Nell'interfaccia YARN ResourceManager , trova la sessione Apache Flink e fai clic sul link ApplicationMaster in UI di monitoraggio.

   6. Nella colonna Stato, verifica che lo stato del job sia In esecuzione.

7. Esegui query sui dati di streaming nel client Apache Flink SQL:

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

8. Esegui query sui dati di streaming in BigQuery:

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

9. Termina il job di streaming nel client Apache Flink SQL:

   STOP JOB 'JOB_ID';

   Sostituisci JOB_ID con l'ID job visualizzato nell'output quando hai creato il job di streaming.

Apache Spark SQL

1. Crea un file SQL con i comandi Apache Spark SQL che vuoi eseguire nel catalogo runtime Lakehouse. Ad esempio, questo comando crea uno spazio dei nomi e una tabella:

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

   Sostituisci quanto segue:

   • CATALOG_NAME: il nome del catalogo che fa riferimento alla tabella Apache Spark.
   • NAMESPACE_NAME: il nome dello spazio dei nomi che fa riferimento alla tabella Apache Spark.
   • TABLE_NAME: un nome di tabella per la tabella Apache Spark.
   • WAREHOUSE_DIRECTORY: l'URI della cartella Cloud Storage in cui è archiviato il data warehouse.

2. Invia un job batch Apache Spark SQL eseguendo il seguente gcloud dataproc batches submit spark-sql comando:

   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"

   Sostituisci quanto segue:

   • SQL_SCRIPT_PATH: il percorso del file SQL utilizzato dal job batch.
   • PROJECT_ID: l'ID del Google Cloud progetto in cui eseguire il job batch.
   • REGION: la regione in cui viene eseguito il workload.
   • SUBNET_NAME (facoltativo): il nome di una subnet VPC nella REGION che soddisfa i requisiti della subnet della sessione.
   • BUCKET_PATH: la località del bucket Cloud Storage in cui caricare le dipendenze del workload. WAREHOUSE_DIRECTORY si trova in questo bucket. Il prefisso URI gs:// del bucket non è obbligatorio. Puoi specificare il percorso del bucket o il nome del bucket, ad esempio mybucketname1.
   • LOCATION: la località in cui eseguire il job batch.

   Per saperne di più sull'invio di job batch Apache Spark, consulta Esegui un workload batch Apache Spark.

PySpark

1. Crea un file Python con i comandi PySpark che vuoi eseguire nel catalogo runtime Lakehouse.

   Ad esempio, il seguente comando configura un ambiente Apache Spark per interagire con le tabelle Apache Iceberg archiviate nel catalogo runtime Lakehouse. Il comando crea quindi un nuovo spazio dei nomi e una tabella Apache Iceberg all'interno di questo spazio dei nomi.

   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';")

   Sostituisci quanto segue:

   • PROJECT_ID: l'ID del Google Cloud progetto in cui eseguire il job batch.
   • LOCATION: la località in cui si trovano le risorse BigQuery.
   • CATALOG_NAME: il nome del catalogo che fa riferimento alla tabella Apache Spark.
   • TABLE_NAME: un nome di tabella per la tabella Apache Spark.
   • WAREHOUSE_DIRECTORY: l'URI della cartella Cloud Storage in cui è archiviato il data warehouse.
   • NAMESPACE_NAME: il nome dello spazio dei nomi che fa riferimento alla tabella Apache Spark.

2. Invia il job batch utilizzando il seguente gcloud dataproc batches submit pyspark comando:

   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"

   Sostituisci quanto segue:

   • PYTHON_SCRIPT_PATH: il percorso dello script Python utilizzato dal job batch.
   • PROJECT_ID: l'ID del Google Cloud progetto in cui eseguire il job batch.
   • REGION: la regione in cui viene eseguito il workload.
   • BUCKET_PATH: la località del bucket Cloud Storage in cui caricare le dipendenze del workload. Il prefisso URI gs:// del bucket non è obbligatorio. Puoi specificare il percorso del bucket o il nome del bucket, ad esempio mybucketname1.

   Per saperne di più sull'invio di job batch PySpark, consulta il riferimento gcloud PySpark.