在 AWS Glue 中使用 Iceberg 架構 - AWS Glue

本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。

在 AWS Glue 中使用 Iceberg 架構

AWS Glue 3.0 及更高版本支援適用於資料湖的 Apache Iceberg 架構。Iceberg 提供高效能的資料表格式,其運作方式就像 SQL 資料表一樣。本主題說明在 Iceberg 資料表中傳輸或存放資料時,在 AWS Glue 中使用資料的可用功能。若要進一步了解 Iceberg,請參閱官方 Apache Iceberg 文件

您可以使用 AWS Glue,在 Amazon S3 中的 Iceberg 資料表上執行讀取和寫入操作,或搭配 AWS Glue Data Catalog 使用 Iceberg 資料表。插入、更新和所有 Spark 查詢 Spark 寫入等操作也受到支援。

注意

ALTER TABLE … RENAME TO 不適用於 AWS Glue 3.0 的 Apache Iceberg 0.13.1。

下表列出了每個 AWS Glue 版本中包含的 Iceberg 版本。

AWS Glue 版本 支援的 Iceberg 版本
4.0 1.0.0
3.0 0.13.1

若要進一步了解 AWS Glue 支援的資料湖架構,請參閱將資料湖架構與 AWS Glue ETL 任務搭配使用

啟用 Iceberg 架構

若要為 AWS Glue 啟用 Iceberg,請完成下列任務:

  • 指定 iceberg 作為 --datalake-formats 任務參數的值。如需詳細資訊,請參閱 在 Glue AWS 任務中使用任務參數

  • 為 AWS Glue 任務建立名為 --conf 的索引鍵,並將其設定為下列值。您也可以選擇在指令碼中使用 SparkConf 設定以下組態。這些設定有助於 Apache Spark 正確處理 Iceberg 資料表。

    spark.sql.extensions=org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions --conf spark.sql.catalog.glue_catalog=org.apache.iceberg.spark.SparkCatalog --conf spark.sql.catalog.glue_catalog.warehouse=s3://<your-warehouse-dir>/ --conf spark.sql.catalog.glue_catalog.catalog-impl=org.apache.iceberg.aws.glue.GlueCatalog --conf spark.sql.catalog.glue_catalog.io-impl=org.apache.iceberg.aws.s3.S3FileIO

    如果您正在讀取或寫入向 Lake Formation 註冊的 Iceberg 資料表,請新增下列組態以啟用 Lake Formation 支援。請注意,僅有 AWS Glue 4.0 支援向 Lake Formation 註冊的 Iceberg 資料表:

    --conf spark.sql.catalog.glue_catalog.glue.lakeformation-enabled=true --conf spark.sql.catalog.glue_catalog.glue.id=<table-catalog-id>

    如果您將 AWS Glue 3.0 與 Iceberg 0.13.1 搭配使用,則必須設定下列其他組態,才能使用 Amazon DynamoDB 鎖定管理程式來確保不可部分完成的交易。AWSGlue 4.0 依預設使用樂觀鎖定。如需詳細資訊,請參閱官方 Apache Iceberg 文件中的 Iceberg AWS 整合

    --conf spark.sql.catalog.glue_catalog.lock-impl=org.apache.iceberg.aws.glue.DynamoLockManager --conf spark.sql.catalog.glue_catalog.lock.table=<your-dynamodb-table-name>

使用不同的 Iceberg 版本

若要使用 AWS Glue 不支援的 Iceberg 版本,請使用 --extra-jars 任務參數指定您自己的 Iceberg JAR 檔案。請勿包括 iceberg 作為 --datalake-formats 參數的值。

啟用 Iceberg 資料表的加密

注意

Iceberg 資料表具有自己的機制來啟用伺服器端加密。除了 AWS Glue 的安全組態之外,您還應啟用此組態。

若要在 Iceberg 資料表上啟用伺服器端加密,請檢閱 Iceberg 文件中的指引。

範例:將 Iceberg 資料表寫入 Amazon S3,並將其註冊到 AWS Glue Data Catalog

此範例指令碼示範如何將 Iceberg 資料表寫入 Amazon S3。此範例使用 Iceberg AWS 整合,將資料表註冊到 AWS Glue Data Catalog。

Python
# Example: Create an Iceberg table from a DataFrame # and register the table to Glue Data Catalog dataFrame.createOrReplaceTempView("tmp_<your_table_name>") query = f""" CREATE TABLE glue_catalog.<your_database_name>.<your_table_name> USING iceberg TBLPROPERTIES ("format-version"="2") AS SELECT * FROM tmp_<your_table_name> """ spark.sql(query)
Scala
// Example: Example: Create an Iceberg table from a DataFrame // and register the table to Glue Data Catalog dataFrame.createOrReplaceTempView("tmp_<your_table_name>") val query = """CREATE TABLE glue_catalog.<your_database_name>.<your_table_name> USING iceberg TBLPROPERTIES ("format-version"="2") AS SELECT * FROM tmp_<your_table_name> """ spark.sql(query)

或者,您可使用 Spark 方法將 Iceberg 資料表寫入 Amazon S3 和 Data Catalog。

先決條件:您需要佈建型錄才能使用 Iceberg 程式庫。使用 AWS Glue Data Catalog 時,AWS Glue 會簡化此操作。AWS Glue Data Catalog 已預先設定,以供 Spark 程式庫作為 glue_catalog 使用。資料型錄資料表由 databaseNametableName 識別。如需有關 AWS Glue Data Catalog 的詳細資訊,請參閱 數據發現和編目 AWS Glue

如果您未使用 AWS Glue Data Catalog,則需要透過 Spark API 佈建型錄。如需詳細資訊,請參閱 Iceberg 文件中的 Spark 組態

此範例使用 Spark 將 Iceberg 資料表寫入至 Amazon S3和 Data Catalog。

Python
# Example: Write an Iceberg table to S3 on the Glue Data Catalog # Create (equivalent to CREATE TABLE AS SELECT) dataFrame.writeTo("glue_catalog.databaseName.tableName") \ .tableProperty("format-version", "2") \ .create() # Append (equivalent to INSERT INTO) dataFrame.writeTo("glue_catalog.databaseName.tableName") \ .tableProperty("format-version", "2") \ .append()
Scala
// Example: Write an Iceberg table to S3 on the Glue Data Catalog // Create (equivalent to CREATE TABLE AS SELECT) dataFrame.writeTo("glue_catalog.databaseName.tableName") .tableProperty("format-version", "2") .create() // Append (equivalent to INSERT INTO) dataFrame.writeTo("glue_catalog.databaseName.tableName") .tableProperty("format-version", "2") .append()

範例:使用 AWS Glue Data Catalog 從 Amazon S3 讀取 Iceberg 資料表

此範例會讀取您在 範例:將 Iceberg 資料表寫入 Amazon S3,並將其註冊到 AWS Glue Data Catalog 中建立的 Iceberg 資料表。

Python

在此範例中,使用 GlueContext.create_data_frame.from_catalog() 方法。

# Example: Read an Iceberg table from Glue Data Catalog from awsglue.context import GlueContext from pyspark.context import SparkContext sc = SparkContext() glueContext = GlueContext(sc) df = glueContext.create_data_frame.from_catalog( database="<your_database_name>", table_name="<your_table_name>", additional_options=additional_options )
Scala

在此範例中,使用 getCatalogSource 方法。

// Example: Read an Iceberg table from Glue Data Catalog import com.amazonaws.services.glue.GlueContext import org.apacke.spark.SparkContext object GlueApp { def main(sysArgs: Array[String]): Unit = { val spark: SparkContext = new SparkContext() val glueContext: GlueContext = new GlueContext(spark) val df = glueContext.getCatalogSource("<your_database_name>", "<your_table_name>", additionalOptions = additionalOptions) .getDataFrame() } }

範例:使用 AWS Glue Data Catalog 將 DataFrame 插入 Amazon S3 中的 Iceberg 資料表

此範例會將資料插入您在 範例:將 Iceberg 資料表寫入 Amazon S3,並將其註冊到 AWS Glue Data Catalog 中建立的 Iceberg 資料表中。

注意

此範例要求您設定 --enable-glue-datacatalog 任務參數,才能使用 AWS Glue Data Catalog 作為 Apache Spark Hive 中繼存放區。如需進一步了解,請參閱 在 Glue AWS 任務中使用任務參數

Python

在此範例中,使用 GlueContext.write_data_frame.from_catalog() 方法。

# Example: Insert into an Iceberg table from Glue Data Catalog from awsglue.context import GlueContext from pyspark.context import SparkContext sc = SparkContext() glueContext = GlueContext(sc) glueContext.write_data_frame.from_catalog( frame=dataFrame, database="<your_database_name>", table_name="<your_table_name>", additional_options=additional_options )
Scala

在此範例中,使用 getCatalogSink 方法。

// Example: Insert into an Iceberg table from Glue Data Catalog import com.amazonaws.services.glue.GlueContext import org.apacke.spark.SparkContext object GlueApp { def main(sysArgs: Array[String]): Unit = { val spark: SparkContext = new SparkContext() val glueContext: GlueContext = new GlueContext(spark) glueContext.getCatalogSink("<your_database_name>", "<your_table_name>", additionalOptions = additionalOptions) .writeDataFrame(dataFrame, glueContext) } }

範例:使用 Spark 從 Amazon S3 讀取 Iceberg 資料表

先決條件:您需要佈建型錄才能使用 Iceberg 程式庫。使用 AWS Glue Data Catalog 時,AWS Glue 會簡化此操作。AWS Glue Data Catalog 已預先設定,以供 Spark 程式庫作為 glue_catalog 使用。資料型錄資料表由 databaseNametableName 識別。如需有關 AWS Glue Data Catalog 的詳細資訊,請參閱 數據發現和編目 AWS Glue

如果您未使用 AWS Glue Data Catalog,則需要透過 Spark API 佈建型錄。如需詳細資訊,請參閱 Iceberg 文件中的 Spark 組態

此範例使用 Spark 從資料型錄讀取 Amazon S3 中的 Iceberg 資料表。

Python
# Example: Read an Iceberg table on S3 as a DataFrame from the Glue Data Catalog dataFrame = spark.read.format("iceberg").load("glue_catalog.databaseName.tableName")
Scala
// Example: Read an Iceberg table on S3 as a DataFrame from the Glue Data Catalog val dataFrame = spark.read.format("iceberg").load("glue_catalog.databaseName.tableName")

範例:使用 Lake Formation 權限控制讀取和寫入 Iceberg 資料表

此範例會使用 Lake Formation 權限控制讀取和寫入 Iceberg 資料表。

  1. 建立 Iceberg 資料表,並在 Lake Formation 進行註冊:

    1. 若要啟用 Lake Formation 權限控制,您將需要先在 Lake Formation 中註冊資料表 Amazon S3 路徑。如需詳細資訊,請參閱 Registering an Amazon S3 location (註冊 Amazon S3 位置)。您可以從 Lake Formation 主控台或透過使用 AWS CLI 進行註冊:

      aws lakeformation register-resource --resource-arn arn:aws:s3:::<s3-bucket>/<s3-folder> --use-service-linked-role --region <REGION>

      註冊 Amazon S3 位置後,任何指向該位置 (或其任何子位置) 的 AWS Glue 資料表將會在 GetTable 呼叫中傳回 IsRegisteredWithLakeFormation 參數值 true。

    2. 建立透過 Spark SQL 指向註冊之路徑的 Iceberg 資料表:

      注意

      下列為 Python 範例。

      dataFrame.createOrReplaceTempView("tmp_<your_table_name>") query = f""" CREATE TABLE glue_catalog.<your_database_name>.<your_table_name> USING iceberg AS SELECT * FROM tmp_<your_table_name> """ spark.sql(query)

      您也可以透過 AWS Glue CreateTable API 手動建立資料表。如需詳細資訊,請參閱建立 Apache Iceberg 資料表

  2. 將 Lake Formation 權限授予工作 IAM 角色。您可以從 Lake Formation 主控台或使用 AWS CLI 授予權限。如需詳細資訊,請參閱:https://docs.aws.amazon.com/lake-formation/latest/dg/granting-table-permissions.html

  3. 讀取向 Lake Formation 註冊的 Iceberg 資料表。該程式碼與讀取未註冊之 Iceberg 資料表的程式碼相同。請注意,AWS Glue 工作 IAM 角色需要具有 SELECT 權限,才能成功讀取。

    # Example: Read an Iceberg table from the AWS Glue Data Catalog from awsglue.context import GlueContextfrom pyspark.context import SparkContext sc = SparkContext() glueContext = GlueContext(sc) df = glueContext.create_data_frame.from_catalog( database="<your_database_name>", table_name="<your_table_name>", additional_options=additional_options )
  4. 寫入向 Lake Formation 註冊的 Iceberg 資料表。該程式碼與寫入未註冊之 Iceberg 資料表的程式碼相同。請注意,AWS Glue 工作 IAM 角色需要具有 SUPER 權限,才能成功寫入。

    glueContext.write_data_frame.from_catalog( frame=dataFrame, database="<your_database_name>", table_name="<your_table_name>", additional_options=additional_options )