"Managed Service for Apache Spark" is the new name for the product formerly known as "Dataproc on Compute Engine" (cluster deployment) and "Google Cloud Serverless for Apache Spark" (serverless deployment).

Google 会使用 AI 技术将内容翻译成您偏好的语言。AI 翻译可能包含错误。

在 Lakehouse 运行时目录中创建包含元数据的 Apache Iceberg 表

本文档介绍了如何运行 Managed Service for Apache Spark SQL 和 PySpark 批处理工作负载，以创建元数据存储在 Lakehouse 运行时目录中的 Apache Iceberg 表。如需了解运行 Spark 代码的其他方式，请参阅在 BigQuery 笔记本中运行 PySpark 代码和运行 Apache Spark 工作负载

准备工作

如果您尚未创建项目和 Cloud Storage 存储桶，请先创建这些资源。 Google Cloud

设置项目
在项目中创建 Cloud Storage 存储桶。
1. 在 Google Cloud 控制台中，前往 Cloud Storage 存储桶页面。
  进入“存储桶”
2. 点击创建。
3. 在创建存储桶页面上，输入您的存储桶信息。要转到下一步，请点击继续。
  1. 在开始使用部分中，执行以下操作：
    - 输入符合存储桶命名要求的全局唯一的名称。
    - 如需添加存储桶标签，请展开标签部分 ()，点击 添加标签，并为标签指定 key 和 value。
  2. 在选择数据存储位置部分，执行以下操作：
    1. 选择位置类型。
    2. 从位置类型下拉菜单中选择一个位置，用于永久存储存储桶的数据。
      - 如果您选择双区域位置类型，还可以通过勾选相关复选框来启用增强型复制。
    3. 如需设置跨存储桶复制，请选择通过 Storage Transfer Service 添加跨存储桶复制，然后按照以下步骤操作：
      设置跨存储桶复制
      
      在存储桶菜单中，选择一个存储桶。
      
      在复制设置部分中，点击配置以配置复制作业的设置。
      
      系统会显示配置跨存储桶复制窗格。
      
      如需按对象名称前缀过滤要复制的对象，请输入要用于包含或排除对象的前缀，然后点击 添加前缀。
      
      如需为复制的对象设置存储类别，请从存储类别菜单中选择一个存储类别。如果您跳过此步骤，则复制的对象会默认使用目标存储桶的存储类别。
      
      点击完成。
  3. 在选择数据存储方式部分中，执行以下操作：
    1. 为存储桶选择默认存储类别，或者选择 Autoclass 对存储桶数据进行自动存储类别管理。
    2. 如需启用分层命名空间，请在针对数据密集型工作负载优化存储部分中，选择在此存储桶上启用分层命名空间。
      注意：您无法在现有存储桶中启用分层命名空间。
  4. 在选择如何控制对对象的访问权限部分中，选择存储桶是否强制执行禁止公开访问，然后为存储桶对象选择访问权限控制方法。
    注意：如果禁止公开访问设置是在组织政策层面强制执行的，则您无法更改此设置。
  5. 在选择如何保护对象数据部分中，执行以下操作：
    - 在数据保护下，选择您要为存储桶设置的任何选项。
      - 如需启用软删除，请选中软删除政策（用于数据恢复）复选框，然后指定您希望在删除对象后保留对象的天数。
      - 如需设置对象版本控制，请点击对象版本控制（用于版本控制）复选框，然后指定每个对象的最大版本数以及非当前版本过期前的天数。
      - 如需为对象和存储桶启用保留政策，请点击保留（合规性）复选框，然后执行以下操作：
        
        如需启用对象保留锁定，请点击启用对象保留复选框。
        
        如需启用存储桶锁定，请点击设置存储桶保留政策复选框，然后为保留期限选择时间单位和时长。
    - 如需选择对象数据的加密方式，请展开数据加密部分 ()，然后选择数据加密方法。
4. 点击创建。
向 Compute Engine 默认服务账号 PROJECT_NUMBER-compute@developer.gserviceaccount.com 授予 BigQuery Data Editor (roles/bigquery.dataEditor) 角色。如需查看相关说明，请参阅授予单个角色。

Google Cloud CLI 示例：
```
gcloud projects add-iam-policy-binding PROJECT_ID \
    --member PROJECT_NUMBER-compute@developer.gserviceaccount.com \
--role roles/bigquery.dataEditor
```
注意：
- PROJECT_ID 和 PROJECT_NUMBER 列在 Google Cloud 控制台信息中心的项目信息部分中。

从 OSS 资源到 BigQuery 资源的映射

请注意以下开源资源与 BigQuery 资源术语之间的映射：

OSS 资源	BigQuery 资源
命名空间、数据库	数据集
分区表或未分区表	表格
视图	视图

创建 Iceberg 表

本部分介绍了如何使用 Managed Service for Apache Spark Spark SQL 和 PySpark 批量工作负载在 Lakehouse 运行时目录中创建包含元数据的 Iceberg 表。

Spark SQL

运行 Spark SQL 工作负载以创建 Iceberg 表

以下步骤介绍了如何运行 Managed Service for Apache Spark SQL 批处理工作负载，以创建包含存储在 Lakehouse 运行时目录中的表元数据的 Iceberg 表。

在本地或在 Cloud Shell 中将以下 Spark SQL 命令复制到 iceberg-table.sql 文件中。

USE CATALOG_NAME;
CREATE NAMESPACE IF NOT EXISTS example_namespace;
USE example_namespace;
DROP TABLE IF EXISTS example_table;
CREATE TABLE example_table (id int, data string) USING ICEBERG LOCATION 'gs://BUCKET/WAREHOUSE_FOLDER';
INSERT INTO example_table VALUES (1, 'first row');
ALTER TABLE example_table ADD COLUMNS (newDoubleCol double);
DESCRIBE TABLE example_table;

替换以下内容：

CATALOG_NAME：Iceberg 目录名称。
BUCKET 和 WAREHOUSE_FOLDER：用作 Iceberg 数据仓库目录的 Cloud Storage 存储桶和文件夹。

在本地或在 Cloud Shell 中从包含 iceberg-table.sql 的目录运行以下命令，以提交 Spark SQL 工作负载。
```
gcloud dataproc batches submit spark-sql iceberg-table.sql \
    --project=PROJECT_ID \
    --region=REGION \
    --deps-bucket=BUCKET_NAME \
    --version=2.2 \
    --subnet=SUBNET_NAME \
    --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=gs://BUCKET/WAREHOUSE_FOLDER"
  
```
注意：
- PROJECT_ID：您的 Google Cloud 项目 ID。项目 ID 列在 Google Cloud 控制台信息中心的项目信息部分中。
- REGION：用于运行工作负载的可用 Compute Engine 区域。
- BUCKET_NAME：Cloud Storage 存储桶的名称。Spark 会在运行批处理工作负载之前，将工作负载依赖项上传到此存储桶中的 /dependencies 文件夹。WAREHOUSE_FOLDER 位于此存储桶中。
- --version：Managed Service for Apache Spark 运行时版本 2.2 或更高版本。
- SUBNET_NAME：REGION 中的 VPC 子网的名称。如果您省略此标志，Managed Service for Apache Spark 会选择会话区域中的 default 子网。Managed Service for Apache Spark 会在子网上启用专用 Google 访问通道 (PGA)。如需了解网络连接要求，请参阅 Managed Service for Apache Spark 网络配置。
- LOCATION：受支持的 BigQuery 位置。默认位置为“US”。
- --properties 目录属性。
查看 BigQuery 中的表元数据
1. 在 Google Cloud 控制台中，前往 BigQuery 页面。
  
  进入 BigQuery Studio
2. 查看 Iceberg 表元数据。

PySpark

以下步骤介绍了如何运行 Managed Service for Apache Spark PySpark 批处理工作负载，以创建包含存储在 Lakehouse 运行时目录中的表元数据的 Iceberg 表。

在本地或在 Cloud Shell 中将以下 PySpark 代码复制到 iceberg-table.py 文件中。

from pyspark.sql import SparkSession
spark = SparkSession.builder.appName("iceberg-table-example").getOrCreate()

catalog = "CATALOG_NAME"
namespace = "NAMESPACE"

spark.sql(f"USE `{catalog}`;")
spark.sql(f"CREATE NAMESPACE IF NOT EXISTS `{namespace}`;")
spark.sql(f"USE `{namespace}`;")

# Create table and display schema
spark.sql("DROP TABLE IF EXISTS example_iceberg_table")
spark.sql("CREATE TABLE example_iceberg_table (id int, data string) USING ICEBERG") 
spark.sql("DESCRIBE example_iceberg_table;")

# Insert table data.
spark.sql("INSERT INTO example_iceberg_table VALUES (1, 'first row');")

# Alter table, then display schema. 
spark.sql("ALTER TABLE example_iceberg_table ADD COLUMNS (newDoubleCol double);")
spark.sql("DESCRIBE example_iceberg_table;")