将 Lakehouse 运行时目录与 Apache Spark 存储过程搭配使用

Apache Spark 存储过程在 Lakehouse for Apache Iceberg 中执行作业。通过连接到 Lakehouse 运行时目录，这些过程可以直接针对底层数据仓库运行 Spark SQL 命令。

准备工作

  1. 为您的 Google Cloud 项目启用结算功能。了解如何 检查项目是否已启用结算功能。

  2. 启用 BigQuery API 和 Dataproc API。

    启用 API

所需的角色

如需使用 Apache Spark 存储过程，请查看 存储 过程所需的角色，并授予 必要的角色。

如需获得将 Apache Spark 和存储过程与 Lakehouse 运行时目录搭配使用作为元数据服务所需的权限，请让管理员向您授予以下 IAM 角色：

  • 在 Apache Spark 中创建 Lakehouse 运行时目录表：
    • 针对项目中 Spark Connection 服务帐号的 BigQuery Data Editor (roles/bigquery.dataEditor) 角色
    • 针对项目中 Spark Connection 服务帐号的 Storage Object User (roles/storage.objectUser) 角色
  • 在 BigQuery 中查询 Lakehouse 运行时目录表：

如需详细了解如何授予角色，请参阅管理对项目、文件夹和组织的访问权限。

您也可以通过自定义角色或其他预定义角色来获取所需的权限。

创建和运行存储过程

以下示例展示了如何使用 Lakehouse 运行时目录创建和运行存储过程。

  1. 转到 BigQuery 页面。

    转到 BigQuery

  2. 在查询编辑器中，为 CREATE PROCEDURE 语句添加以下示例代码。

    CREATE OR REPLACE PROCEDURE
`PROJECT_ID.BQ_DATASET_ID.PROCEDURE_NAME`()
WITH CONNECTION `PROJECT_ID.REGION.SPARK_CONNECTION_ID` OPTIONS (engine='SPARK',
runtime_version='1.1',
properties=[("spark.sql.catalog.CATALOG_NAME.warehouse",
"WAREHOUSE_DIRECTORY"),
("spark.sql.catalog.CATALOG_NAME.gcp_location",
"LOCATION"),
("spark.sql.catalog.CATALOG_NAME.gcp_project",
"PROJECT_ID"),
("spark.sql.catalog.CATALOG_NAME",
"org.apache.iceberg.spark.SparkCatalog"),
("spark.sql.catalog.CATALOG_NAME.catalog-impl",
"org.apache.iceberg.gcp.bigquery.BigQueryMetastoreCatalog"),
("spark.jars.packages",
"org.apache.iceberg:iceberg-spark-runtime-3.5_2.12:1.6.1")],
jar_uris=["gs://spark-lib/bigquery/iceberg-bigquery-catalog-1.6.1-1.0.2.jar"])
LANGUAGE python AS R"""
from pyspark.sql import SparkSession
spark = SparkSession \
.builder \
.appName("Lakehouse runtime catalog Iceberg") \
.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'")
spark.sql("DESCRIBE TABLE_NAME;")
spark.sql("INSERT INTO TABLE_NAME VALUES (1, \"first row\");")
spark.sql("SELECT * from TABLE_NAME;")
spark.sql("ALTER TABLE TABLE_NAME ADD COLUMNS (newDoubleCol double);")
spark.sql("DESCRIBE TABLE_NAME;")
""";
CALL `PROJECT_ID.BQ_DATASET_ID.PROCEDURE_NAME`();

    替换以下内容：

    • PROJECT_ID：您的 Google Cloud 项目的 ID。
    • BQ_DATASET_ID：BigQuery 中包含该过程的数据集的 ID。
    • PROCEDURE_NAME：要创建或替换的过程的名称。
    • REGION：Apache Spark 连接的位置。
    • LOCATION：BigQuery 资源的位置。
    • SPARK_CONNECTION_ID：Apache Spark 连接的 ID。
    • CATALOG_NAME：您要使用的目录的名称。
    • WAREHOUSE_DIRECTORY：包含数据仓库的 Cloud Storage 文件夹的 URI。
    • NAMESPACE_NAME：您使用的命名空间。

后续步骤