Работа с таблицами Iceberg

В этой лабораторной работе вы обработаете таблицу формата Iceberg с помощью Managed Spark и преобразуете ее в таблицу Parquet.

Постановка задачи

  1. Построить витрину данных, отражающую информацию о продажах.

  2. Результат сохранить в формате Iceberg.

В лабораторной работе вам понадобятся:

  • CSV-таблица, в которой хранятся данные о поездке;

  • JAR-файл Iceberg;

  • Python-скрипт, который:

    • читает CSV-таблицу;

    • создает схему Data Frame;

    • выгружает данные в таблицу Parquet.

Перед началом работы

  1. Зарегистрируйтесь в личном кабинете Cloud.ru.

    Если вы уже зарегистрированы, войдите под своей учетной записью.

  2. Создайте публичный SNAT-шлюз, чтобы обеспечить инстансу доступ в интернет и связь с внешними источниками.

  3. Создайте секрет в сервисе Secret Manager для доступа к Spark UI.

  4. Создайте бакет Object Storage, в котором будут храниться логи, таблицы, JAR-файл Iceberg и скрипт.

  5. Создайте сервисный аккаунт с ролями:

    • s3e.viewer

    • s3e.editor

  6. Установите и запустите CyberDuck.

  7. Сверьте совместимость версий Spark и Iceberg.

Создайте инстанс Spark

  1. Перейдите в раздел Evolution и выберите сервис Managed Spark.

  2. Нажмите Создать инстанс.

  3. В блоке Общие параметры укажите название инстанса, например «spark-iceberg».

  4. В блоке Конфигурация оставьте значения по умолчанию.

  5. В блоке Настройки:

    • Место хранения — выберите Object Storage.

    • Бакет — выберите ранее созданный бакет S3.

  6. В поле Группа логов выберите группу логов по умолчанию.

  7. Нажмите Продолжить.

  8. В блоке Сетевые настройки:

    • Подсеть — выберите подсеть для инстанса Spark.

    • Группа безопасности — выберите группу безопасности по умолчанию.

  9. В блоке Настройки доступа:

    • Подключить публичный хост — активируйте переключатель.

    • Логин — задайте логин для доступа к Spark.

    • Пароль — выберите секрет для доступа к Spark.

  10. Нажмите Создать.

Создание инстанса занимает около 15 минут. Пока создается инстанс, выполните шаги по подготовке структуры бакета Object Storage, данных и скрипта.

Подготовьте файл CSV

  1. Скачайте CSV-таблицу iceberg-table.csv. Нажмите Скачать в правом верхнем углу.

  2. Откройте CyberDuck.

  3. В бакете Object Storage создайте папку «input» и загрузите CSV-таблицу в нее.

Подготовьте скрипт задачи

  1. Скопируйте скрипт и назовите файл «iceberg-script.py».

  2. В 18-й строке скрипта замените your-bucket-name на название бакета Object Storage.

  3. В CyberDuck создайте папку «jobs» и загрузите скрипт в нее.

Подготовьте файл Iceberg JAR

  1. Скачайте JAR-файл Iceberg для соответствующей версии Spark. Например, если версия Spark 3.5., скачайте «1.6.1 Spark 3.5_with Scala 2.12 runtime Jar».

  2. Откройте CyberDuck.

  3. В бакете Object Storage создайте папку «iceberg» и загрузите JAR-файл в нее. В рамках лабораторной работы файл iceberg-spark-runtime-3.5_2.12-1.6.1.jar.

В результате должна получиться следующая структура:

../_images/cyberduck__iceberg-s3-structure.PNG

Создайте задачу Spark

Для продолжения работы убедитесь, что статус инстанса Spark в личном кабинете изменился на «Готов».

  1. В списке инстансов Managed Spark откройте карточку инстанса «spark-iceberg».

  2. Перейдите во вкладку Задачи.

  3. Нажмите Создать задачу.

  4. В блоке Общие параметры введите название задачи, например «iceberg».

  5. В блоке Скрипт приложения выберите Python.

    • Путь к запускамому файлу — укажите путь к скрипту. В данном случае путь s3a://{bucket_name}/jobs/iceberg-script.py, где {bucket_name} — название созданного бакета Object Storage.

  6. В блоке Настройки:

    • Добавить Spark-конфигурацию (–conf) — активируйте переключатель и введите:

      Параметр

      Значение

      spark.sql.catalog.local

      org.apache.iceberg.spark.SparkCatalog

      spark.sql.catalog.local.type

      hadoop

      spark.sql.catalog.local.warehouse

      s3a://{bucket_name}/

      {bucket_name} — название созданного бакета Object Storage

    • Добавить зависимости — укажите путь к JAR-файлу. В данном случае путь s3a://{bucket_name}/iceberg/iceberg-spark-runtime-3.5_2.12-1.6.1.jar, где {bucket_name} — название созданного бакета Object Storage.

  7. Нажмите Создать.

Задача Spark начнет выполняться и отобразится на странице инстанса во вкладке Задачи.

Мониторинг выполнения задачи

Вы можете посмотреть логи задачи, когда задача находится в статусах «Выполняется» и «Готово», то есть как в процессе выполнения, так и по завершению задачи.

Перейдите к логам

  1. Откройте карточку инстанса.

  2. Во вкладке Задачи скопируйте ID задачи.

  3. Нажмите Горизонтальное меню и выберите Перейти к логам.

  4. В поле Запрос введите labels.spark_job_id="ID", где ID — идентификатор задачи, скопированный ранее.

  5. Нажмите Обновить.

В таблице отобразятся логи задачи. Нажмите на строку, чтобы развернуть запись.

Перейдите в Spark UI

  1. Откройте карточку инстанса.

  2. Во вкладке Задачи нажмите Spark UI.

    В соседней вкладке откроется интерфейс Spark UI.

  3. Вернитесь на карточку инстанса и откройте вкладку Информация.

  4. Скопируйте данные из блока Настройки доступа.

  5. Введите данные инстанса:

    • Username — значение поля Пользователь.

    • Password — значение секрета в поле Пароль.

В интерфейсе Spark UI вы найдете информацию о ходе выполнения задачи.

../_images/spark-ui__iceberg-timeline.PNG ../_images/spark-ui__iceberg-completed-jobs.png

Проверьте результат

Когда задача перейдет в статус «Выполнено», откройте CyberDuck. В бакете появится новая папка с названием формата db_<YYYY_MM_DD_hrs_min_sec>. Внутри этой папки находятся две папки:

  • metadata с описательной частью данных;

  • data с таблицей Parquet с результатом работы скрипта.

../_images/cyberduck__iceberg-s3-result.PNG
Была ли статья полезной ?
Предыдущая статья
Работа с пользовательским образом
Следующая статья
Работа с таблицами Delta Lake
/ DOCS
Evolution