Eseguire query sui formati di tabelle aperti con manifest

Questo documento descrive come utilizzare i file manifest per eseguire query sui dati archiviati in formati di tabelle aperti come Apache Hudi e Delta Lake.

Alcuni formati di tabella aperti come Hudi e Delta Lake esportano il loro stato attuale come uno o più file manifest. Un file manifest contiene un elenco di file di dati che compongono le tabelle. Grazie al supporto dei manifest in BigQuery, puoi eseguire query e caricare i dati archiviati in formati di tabella aperti.

Prima di iniziare

• Enable the BigQuery Connection, BigQuery Reservation, and BigLake APIs.

  Enable the APIs

• Per creare tabelle BigLake, puoi eseguire i comandi Spark utilizzando uno dei seguenti metodi:

  • Crea un cluster Dataproc. Per eseguire query sulle tabelle Hudi, imposta il campo --optional-components su HUDI. Per eseguire query sulle tabelle Delta, imposta --optional-components su Presto.

  • Utilizza una stored procedure per Spark in BigQuery. Per farlo, segui questi passaggi:

    1. Crea una connessione Spark.
    2. Configura il controllo dell'accesso per la connessione.

• Per archiviare il file manifest in Cloud Storage, crea un bucket Cloud Storage. Per accedere al file manifest, devi connetterti al tuo bucket Cloud Storage. Per farlo, segui questi passaggi:

  1. Crea una connessione risorsa Cloud.
  2. Configura l'accesso per la connessione.

Ruoli obbligatori

Per eseguire query sulle tabelle BigLake in base ai dati Hudi e Delta Lake, assicurati di disporre dei seguenti ruoli:

• Utente connessione BigQuery (roles/bigquery.connectionUser)
• Visualizzatore dati BigQuery (roles/bigquery.dataViewer)
• Utente BigQuery (roles/bigquery.user)

Puoi anche eseguire query su tabelle esterne Hudi. Tuttavia, ti consigliamo di eseguire l'upgrade della tabella esterna a BigLake. Per eseguire query sulle tabelle esterne Hudi, assicurati di disporre dei seguenti ruoli:

• Visualizzatore dati BigQuery (roles/bigquery.dataViewer)
• Utente BigQuery (roles/bigquery.user)
• Storage Object Viewer (roles/storage.objectViewer)

A seconda delle tue autorizzazioni, puoi concederti questi ruoli o chiedere all'amministratore di concederteli. Per ulteriori informazioni sulla concessione dei ruoli, consulta Visualizzazione dei ruoli assegnabili sulle risorse.

Per vedere quali sono esattamente le autorizzazioni richieste per eseguire query sulle tabelle BigLake, espandi la sezione Autorizzazioni obbligatorie:

Potresti anche ottenere queste autorizzazioni con ruoli personalizzati o altri ruoli predefiniti.

Esegui query sui workload Hudi

Per eseguire query sui dati Hudi, segui questi passaggi:

1. Crea una tabella esterna basata sui dati Hudi.
2. Esegui l'upgrade della tabella esterna a BigLake.

Creare tabelle esterne Hudi

Quando sincronizzi le tabelle utilizzando lo strumento di sincronizzazione per Hudi e BigQuery, attiva il flag use-bq-manifest-file per passare all'approccio basato sui file manifest. Questo flag esporta anche un file manifest in un formato supportato da BigQuery e lo utilizza per creare una tabella esterna con il nome specificato nel parametro --table.

Per creare una tabella esterna Hudi:

1. Per creare una tabella esterna Hudi, invia un job a un cluster Dataproc esistente. Quando crei il connettore Hudi-BigQuery, attiva il flag use-bq-manifest-file per passare all'approccio basato sui file manifest. Questo flag esporta un file manifest in un formato supportato da BigQuery e lo utilizza per creare una tabella esterna con il nome specificato nel parametro --table.

   spark-submit \
      --master yarn \
      --packages com.google.cloud:google-cloud-bigquery:2.10.4 \
      --class org.apache.hudi.gcp.bigquery.BigQuerySyncTool  \
      JAR \
      --project-id PROJECT_ID \
      --dataset-name DATASET \
      --dataset-location LOCATION \
      --table TABLE \
      --source-uri URI  \
      --source-uri-prefix URI_PREFIX \
      --base-path BASE_PATH  \
      --partitioned-by PARTITION_BY \
      --use-bq-manifest-file
   

   Sostituisci quanto segue:

   • JAR: se utilizzi il connettore Hudi-BigQuery, specifica hudi-gcp-bundle-0.14.0.jar. Se utilizzi il componente Hudi in Dataproc 2.1, specifica /usr/lib/hudi/tools/bq-sync-tool/hudi-gcp-bundle-0.12.3.1.jar

   • PROJECT_ID: l'ID progetto in cui vuoi creare la tabella BigLake Hudi

   • DATASET: il set di dati in cui vuoi creare la tabella BigLake Hudi

   • LOCATION: la località in cui vuoi creare la tabella BigLake Hudi

   • TABLE: il nome della tabella che vuoi creare

     Se esegui la transizione dalla versione precedente del connettore Hudi-BigQuery (0.13.0 e versioni precedenti) che creava viste sui file manifest, assicurati di utilizzare lo stesso nome della tabella, in modo da mantenere il codice della pipeline downstream esistente.

   • URI: l'URI Cloud Storage che hai creato per archiviare il file manifest Hudi

     Questo URI punta alla partizione di primo livello; assicurati di includere la chiave di partizione. Ad esempio, gs://mybucket/hudi/mydataset/EventDate=*

   • URI_PREFIX: il prefisso del percorso URI di Cloud Storage, di solito è il percorso delle tabelle Hudi

   • BASE_PATH: il percorso di base per le tabelle Hudi

     Ad esempio, gs://mybucket/hudi/mydataset/

   • PARTITION_BY: il valore della partizione

     Ad esempio, EventDate

   Per ulteriori informazioni sulla configurazione del connettore, consulta la sezione Connettore Hudi-BigQuery.

2. Per impostare controlli granulari appropriati o per accelerare le prestazioni attivando la memorizzazione nella cache dei metadati, consulta Esegui l'upgrade delle tabelle BigLake.

Query sui workload Delta

Le tabelle Delta sono ora supportate in modo nativo. Ti consigliamo di creare tabelle BigLake Delta per i carichi di lavoro Delta. Le tabelle BigLake Delta Lake supportano tabelle Delta Lake più avanzate, incluse quelle con il remapping delle colonne e i vettori di eliminazione. Inoltre, le tabelle BigLake Delta leggono direttamente l'ultimo snapshot, quindi gli aggiornamenti sono disponibili immediatamente.

Per interrogare i carichi di lavoro Delta, segui questi passaggi:

1. Genera un file manifest.
2. Crea una tabella BigLake in base al file manifest.
3. Imposta controlli granulari appropriati o accelera le prestazioni attivando la memorizzazione nella cache dei metadati. Per farlo, consulta Eseguire l'upgrade delle tabelle BigLake.

Generare un file manifest

BigQuery supporta il file manifest in formato SymLinkTextInputFormat, che è un elenco di URI delimitati da una nuova riga. Per ulteriori informazioni sulla generazione di un file manifest, consulta Configurare l'integrazione di Presto con Delta Lake ed eseguire query sulle tabelle Delta.

Per generare un file manifest, invia un job a un cluster Dataproc esistente:

GENERATE symlink_format_manifest FOR TABLE delta.`<path-to-delta-table>`

val deltaTable = DeltaTable.forPath(<path-to-delta-table>)
deltaTable.generate("symlink_format_manifest")

DeltaTable deltaTable = DeltaTable.forPath(<path-to-delta-table>);
deltaTable.generate("symlink_format_manifest");

deltaTable = DeltaTable.forPath(<path-to-delta-table>)
deltaTable.generate("symlink_format_manifest")

Crea tabelle BigLake Delta

Per creare una tabella BigLake Delta, utilizza l'istruzione CREATE EXTERNAL TABLE con il campo file_set_spec_type impostato su NEW_LINE_DELIMITED_MANIFEST:

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Nell'editor di query, esegui l'istruzione CREATE EXTERNAL TABLE:

   CREATE EXTERNAL TABLE PROJECT_ID.DATASET_NAME.TABLE_NAME
   WITH PARTITION COLUMNS(
   `PARTITION_COLUMN PARTITION_COLUMN_TYPE`,)
   WITH CONNECTION `PROJECT_IDREGION.CONNECTION_NAME`
   OPTIONS (
      format = "DATA_FORMAT",
      uris = ["URI"],
      file_set_spec_type = 'NEW_LINE_DELIMITED_MANIFEST',
      hive_partition_uri_prefix = "PATH_TO_DELTA_TABLE"
      max_staleness = STALENESS_INTERVAL,
      metadata_cache_mode = 'CACHE_MODE');
   

   Sostituisci quanto segue:

   • DATASET_NAME: il nome del set di dati che hai creato
   • TABLE_NAME: il nome che vuoi assegnare a questa tabella
   • REGION: la posizione in cui si trova la connessione (ad esempio us-east1)
   • CONNECTION_NAME: il nome della connessione che hai creato
   • DATA_FORMAT: uno dei formati supportati (ad esempio PARQUET)
   • URI: il percorso del file manifest (ad esempio gs://mybucket/path)
   • PATH_TO_DELTA_TABLE: un prefisso comune per tutti gli URI di origine prima dell'inizio della codifica della chiave di partizionamento
   • STALENESS_INTERVAL: specifica se i metadati memorizzati nella cache vengono utilizzati dalle operazioni sulla tabella BigLake e quanto devono essere aggiornati i metadati memorizzati nella cache affinché l'operazione li utilizzi. Per ulteriori informazioni sulle considerazioni relative alla memorizzazione nella cache dei metadati, vedi Memorizzazione nella cache dei metadati per il rendimento.

     Per disattivare la memorizzazione nella cache dei metadati, specifica 0. Questa è l'impostazione predefinita.

     Per attivare la memorizzazione nella cache dei metadati, specifica un valore letterale di intervallo compreso tra 30 minuti e 7 giorni. Ad esempio, specifica INTERVAL 4 HOUR per un intervallo di obsolescenza di 4 ore. Con questo valore, le operazioni sulla tabella utilizzano i metadati memorizzati nella cache se sono stati aggiornati nelle ultime 4 ore. Se i metadati memorizzati nella cache sono più vecchi, l'operazione recupera i metadati da Delta Lake.

   • CACHE_MODE: specifica se la cache dei metadati viene aggiornata automaticamente o manualmente. Per ulteriori informazioni sulle considerazioni relative alla memorizzazione nella cache dei metadati, vedi Memorizzazione nella cache dei metadati per il rendimento.

     Imposta su AUTOMATIC per aggiornare la cache dei metadati a un intervallo definito dal sistema, in genere tra 30 e 60 minuti.

     Imposta MANUAL se vuoi aggiornare la cache dei metadati in base a una pianificazione che determini. In questo caso, puoi chiamare la procedura di sistema BQ.REFRESH_EXTERNAL_METADATA_CACHE per aggiornare la cache.

     Devi impostare CACHE_MODE se STALENESS_INTERVAL è impostato su un valore maggiore di 0.

   Esempio:

   CREATE EXTERNAL TABLE mydataset.mytable
   WITH CONNECTION `us-east1.myconnection`
   OPTIONS (
       format="PARQUET",
       uris=["gs://mybucket/path/partitionpath=*"],
       file_set_spec_type = 'NEW_LINE_DELIMITED_MANIFEST'
       hive_partition_uri_prefix = "gs://mybucket/path/"
       max_staleness = INTERVAL 1 DAY,
       metadata_cache_mode = 'AUTOMATIC'
   );

Esegui l'upgrade delle tabelle BigLake

Puoi anche migliorare le prestazioni dei tuoi carichi di lavoro sfruttando la memorizzazione nella cache dei metadati e le viste materializzate. Se vuoi utilizzare la memorizzazione nella cache dei metadati, puoi specificare le impostazioni per questa operazione contemporaneamente. Per ottenere i dettagli della tabella, come il formato e l'URI dell'origine, consulta Recuperare informazioni sulla tabella.

Per aggiornare una tabella esterna a una tabella BigLake o aggiornare una tabella BigLake esistente, seleziona una delle seguenti opzioni:

Eseguire query su tabelle BigLake ed esterne

Dopo aver creato una tabella BigLake, puoi eseguire query utilizzando la sintassi GoogleSQL, come se fosse una tabella BigQuery standard. Ad esempio, SELECT field1, field2 FROM mydataset.my_cloud_storage_table;.

Limitazioni

• BigQuery supporta solo le query sulle tabelle Delta Lake Reader v1.

• L'integrazione di Hudi e BigQuery funziona solo per le tabelle copy-on-write partizionate in stile Hive.

Passaggi successivi

• Scopri di più sull'utilizzo di SQL in BigQuery.
• Scopri di più sulle tabelle BigLake.
• Scopri di più sulle quote di BigQuery.