Связаться с намиПодключиться

Настройка Apache Iceberg™ в кластере Yandex Data Processing

Статья создана
Обновлена 24 июля 2024 г.

Yandex Data Processing версии 2.0 и выше поддерживает использование таблиц Apache Iceberg™ совместно с движком Apache Spark™.

Подробную информацию об Apache Iceberg™ см. в разделе Apache Iceberg™ в Yandex Data Processing и в официальной документации.

Примечание

Apache Iceberg™ не является частью сервиса Yandex Data Processing и не сопровождается командой разработки и службой поддержки Yandex Cloud, а его использование не входит в условия использования Yandex Data Processing.

Настройте свойства компонентов для работы с Apache Iceberg™

  1. Установите свойство spark:spark.sql.extensions в значение org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions. Это можно сделать как на уровне кластера, так и на уровне отдельного задания.

  2. Добавьте библиотеки Apache Iceberg™ в зависимости кластера или отдельного задания. Версии библиотек должны быть совместимы с версией Yandex Data Processing.

    Чтобы добавить библиотеки требуемых версий, воспользуйтесь одним из способов:

    • Настройте доступ к репозиторию Maven и установите свойство spark:spark.jars.packages в значение org.apache.iceberg:iceberg-spark-runtime-3.0_2.12:1.0.0.

      Настроить доступ к Maven можно двумя способами:

    • Скачайте файл библиотеки iceberg-spark-runtime-3.0_2.12-1.0.0.jar и предоставьте доступ к нему одним из способов:

      • Сохраните файл в бакет Yandex Object Storage и передайте URL файла в свойстве spark:spark.jars.

        URL файла имеет формат s3a://<имя_бакета>/<путь_к_файлу>.

        Этот бакет должен быть указан в настройках кластера. Сервисный аккаунт кластера должен иметь доступ на чтение из бакета.

      • Скопируйте файл на все узлы кластера вручную или с помощью скриптов инициализации и передайте полный путь к файлу в свойствах spark:spark.driver.extraClassPath и spark:spark.executor.extraClassPath.

    Чтобы добавить библиотеки требуемых версий, воспользуйтесь одним из способов:

    • Настройте доступ к репозиторию Maven и установите свойство spark:spark.jars.packages в значение org.apache.iceberg:iceberg-spark-runtime-3.2_2.12-1.4.3.

      Настроить доступ к Maven можно двумя способами:

    • Скачайте файл библиотеки iceberg-spark-runtime-3.2_2.12-1.4.3.jar и предоставьте доступ к нему одним из способов:

      • Сохраните файл в бакет Yandex Object Storage и передайте URL файла в свойстве spark:spark.jars.

        URL файла имеет формат s3a://<имя_бакета>/<путь_к_файлу>.

        Этот бакет должен быть указан в настройках кластера. Сервисный аккаунт кластера должен иметь доступ на чтение из бакета.

      • Скопируйте файл на все узлы кластера вручную или с помощью скриптов инициализации и передайте полный путь к файлу в свойствах spark:spark.driver.extraClassPath и spark:spark.executor.extraClassPath.

    Чтобы добавить библиотеки требуемых версий, воспользуйтесь одним из способов:

    • Настройте доступ к репозиторию Maven и установите свойство spark:spark.jars.packages в значение org.apache.iceberg:iceberg-spark-runtime-3.3_2.12:1.5.2.

      Настроить доступ к Maven можно двумя способами:

    • Скачайте файл библиотеки iceberg-spark-runtime-3.3_2.12-1.5.2.jar и предоставьте доступ к нему одним из способов:

      • Сохраните файл в бакет Yandex Object Storage и передайте URL файла в свойстве spark:spark.jars.

        URL файла имеет формат s3a://<имя_бакета>/<путь_к_файлу>.

        Этот бакет должен быть указан в настройках кластера. Сервисный аккаунт кластера должен иметь доступ на чтение из бакета.

      • Скопируйте файл на все узлы кластера вручную или с помощью скриптов инициализации и передайте полный путь к файлу в свойствах spark:spark.driver.extraClassPath и spark:spark.executor.extraClassPath.

    Чтобы добавить библиотеки требуемых версий, воспользуйтесь одним из способов:

    • Настройте доступ к репозиторию Maven и установите свойство spark:spark.jars.packages в значение org.apache.iceberg:iceberg-spark-runtime-3.5_2.12:1.5.2.

      Настроить доступ к Maven можно двумя способами:

    • Скачайте файл библиотеки iceberg-spark-runtime-3.5_2.12-1.5.2.jar и предоставьте доступ к нему одним из способов:

      • Сохраните файл в бакет Yandex Object Storage и передайте URL файла в свойстве spark:spark.jars.

        URL файла имеет формат s3a://<имя_бакета>/<путь_к_файлу>.

        Этот бакет должен быть указан в настройках кластера. Сервисный аккаунт кластера должен иметь доступ на чтение из бакета.

      • Скопируйте файл на все узлы кластера вручную или с помощью скриптов инициализации и передайте полный путь к файлу в свойствах spark:spark.driver.extraClassPath и spark:spark.executor.extraClassPath.

Теперь вы можете использовать Apache Iceberg™ в кластере Yandex Data Processing.

Пример использования Apache Iceberg™

Пример проверялся в кластере Yandex Data Processing версии 2.0, в котором:

  • Установлены компоненты Spark и Hadoop.
  • Подключен бакет Object Storage, и сервисный аккаунт кластера имеет права на чтение и запись в этом бакете.
  • Настроен доступ к репозиторию Maven Central.
  • Необходимые свойства компонентов настроены так, чтобы библиотеки Apache Iceberg™ загружались из Maven Central.

Чтобы создать таблицу в формате Apache Iceberg™ и начать работать с ней:

  1. Укажите настройки каталога, в котором будет находиться таблица.

    Apache Iceberg™ оперирует таблицами на уровне отдельных каталогов. Настройки каталога указываются на уровне отдельного каталога, нельзя указать настройки для всех каталогов сразу.

    Чтобы настроить каталог sample типа Hadoop, установите следующие свойства на уровне кластера или на уровне отдельного задания:

    • Свойство spark:spark.sql.catalog.sample со значением org.apache.iceberg.spark.SparkCatalog.

    • Свойство spark:spark.sql.catalog.sample.type со значением hadoop.

    • Свойство spark:spark.sql.catalog.sample.warehouse со значением s3a://<имя_бакета>/warehouse/.

      Данные таблиц будут храниться в бакете по пути warehouse/.

    Подробнее о свойствах, влияющих на настройки каталога, см. в документации Apache Iceberg™.

  2. Подключитесь по SSH к хосту-мастеру кластера Yandex Data Processing.

  3. Запустите сессию Spark SQL:

    spark-sql

    Все дальнейшие действия будут выполняться в рамках этой сессии.

  4. Переключитесь на базу данных db в каталоге sample:

    USE sample.db;

  5. Создайте таблицу mytable, состоящую из двух колонок:

    CREATE TABLE mytable (id bigint, data string) USING iceberg;

  6. Посмотрите сведения о таблице:

    DESC FORMATTED mytable;

    Пример результата:

    id      bigint
data    string

# Partitioning
Not partitioned

# Detailed Table Information
Name    sample.db.mytable
Location        s3a://<имя_бакета>/warehouse/db/mytable
Provider        iceberg
Owner   ubuntu
Table Properties        [current-snapshot-id=none,format=iceberg/parquet]

  7. Вставьте несколько записей в таблицу:

    INSERT INTO mytable VALUES (1, 'a'), (2, 'b'), (3, 'c');

  8. Выполните тестовый запрос к таблице:

    SELECT count(1), data FROM mytable GROUP BY data;

    Пример результата:

    1       a
1       b
1       c
Предыдущая
Использование Sqoop
Следующая
Настройка Delta Lake в однокластерном режиме