Voraussetzungen

• Erstellen Sie Cloud Object Storage, um die in der Spark-Anwendung verwendeten Daten zu speichern. Um Cloud Object Storage und einen Bucket zu erstellen, siehe Erstellen eines Speicher-Buckets. Sie können zwei Buckets bereitstellen: den Daten-Bucket zum Speichern von watsonx.data-Tabellen und den Anwendungs-Bucket zum Verwalten des Spark-Anwendungscodes.
• Registrieren Sie Cloud Object Storage Bucket in watsonx.data. Weitere Informationen finden Sie unter Eimer-Katalogpaar hinzufügen.
• Laden Sie die Spark-Anwendung in den Speicher hoch, siehe Daten hochladen.
• Sie müssen die IAM-Administratorrolle oder die MetastoreAdmin-Rolle haben, um ein Schema oder eine Tabelle innerhalb von watsonx.data zu erstellen.

Vorgehensweise

Die Spark-Zugriffskontrollerweiterung unterstützt die native Spark-Engine.

1. Um die Spark-Zugriffskontrollerweiterung zu aktivieren, müssen Sie die Spark-Konfiguration mit add authz.IBMSparkACExtension to spark.sql.extensions aktualisieren.

2. Speichern Sie die folgende Python-Anwendung als iceberg.py.

Eisberg wird als Beispiel betrachtet. Sie können auch die Kataloge Hive, Hudi und Delta Lake verwenden.

from pyspark.sql import SparkSession
import os

def init_spark():
    spark = SparkSession.builder \
        .appName("lh-spark-app") \
        .enableHiveSupport() \
        .getOrCreate()
    return spark

def create_database(spark):
    # Create a database in the lakehouse catalog
    spark.sql("create database if not exists lakehouse.demodb LOCATION 's3a://lakehouse-bucket/'")

def list_databases(spark):
    # list the database under lakehouse catalog
    spark.sql("show databases from lakehouse").show()

def basic_iceberg_table_operations(spark):
    # demonstration: Create a basic Iceberg table, insert some data and then query table
    spark.sql("create table if not exists lakehouse.demodb.testTable(id INTEGER, name VARCHAR(10), age INTEGER, salary DECIMAL(10, 2)) using iceberg").show()
    spark.sql("insert into lakehouse.demodb.testTable values(1,'Alan',23,3400.00),(2,'Ben',30,5500.00),(3,'Chen',35,6500.00)")
    spark.sql("select * from lakehouse.demodb.testTable").show()

def create_table_from_parquet_data(spark):
    # load parquet data into dataframe
    df = spark.read.option("header",True).parquet("file:///spark-vol/yellow_tripdata_2022-01.parquet")
    # write the dataframe into an Iceberg table
    df.writeTo("lakehouse.demodb.yellow_taxi_2022").create()
    # describe the table created
    spark.sql('describe table lakehouse.demodb.yellow_taxi_2022').show(25)
    # query the table
    spark.sql('select * from lakehouse.demodb.yellow_taxi_2022').count()

def ingest_from_csv_temp_table(spark):
    # load csv data into a dataframe
    csvDF = spark.read.option("header",True).csv("file:///spark-vol/zipcodes.csv")
    csvDF.createOrReplaceTempView("tempCSVTable")
    # load temporary table into an Iceberg table
    spark.sql('create or replace table lakehouse.demodb.zipcodes using iceberg as select * from tempCSVTable')
    # describe the table created
    spark.sql('describe table lakehouse.demodb.zipcodes').show(25)
    # query the table
    spark.sql('select * from lakehouse.demodb.zipcodes').show()

def ingest_monthly_data(spark):
    df_feb = spark.read.option("header",True).parquet("file:///spark-vol/yellow_tripdata_2022-02.parquet")
    df_march = spark.read.option("header",True).parquet("file:///spark-vol/yellow_tripdata_2022-03.parquet")
    df_april = spark.read.option("header",True).parquet("file:///spark-vol/yellow_tripdata_2022-04.parquet")
    df_may = spark.read.option("header",True).parquet("file:///spark-vol/yellow_tripdata_2022-05.parquet")
    df_june = spark.read.option("header",True).parquet("file:///spark-vol/yellow_tripdata_2022-06.parquet")
    df_q1_q2 = df_feb.union(df_march).union(df_april).union(df_may).union(df_june)
    df_q1_q2.write.insertInto("lakehouse.demodb.yellow_taxi_2022")

def perform_table_maintenance_operations(spark):
    # Query the metadata files table to list underlying data files
    spark.sql("SELECT file_path, file_size_in_bytes FROM lakehouse.demodb.yellow_taxi_2022.files").show()
    # There are many smaller files compact them into files of 200MB each using the
    # `rewrite_data_files` Iceberg Spark procedure
    spark.sql(f"CALL lakehouse.system.rewrite_data_files(table => 'demodb.yellow_taxi_2022', options => map('target-file-size-bytes','209715200'))").show()
    # Again, query the metadata files table to list underlying data files; 6 files are compacted
    # to 3 files
    spark.sql("SELECT file_path, file_size_in_bytes FROM lakehouse.demodb.yellow_taxi_2022.files").show()
    # List all the snapshots
    # Expire earlier snapshots. Only latest one with compacted data is required
    # Again, List all the snapshots to see only 1 left
    spark.sql("SELECT committed_at, snapshot_id, operation FROM lakehouse.demodb.yellow_taxi_2022.snapshots").show()
    #retain only the latest one
    latest_snapshot_committed_at = spark.sql("SELECT committed_at, snapshot_id, operation FROM lakehouse.demodb.yellow_taxi_2022.snapshots").tail(1)[0].committed_at
    print (latest_snapshot_committed_at)
    spark.sql(f"CALL lakehouse.system.expire_snapshots(table => 'demodb.yellow_taxi_2022',older_than => TIMESTAMP '{latest_snapshot_committed_at}',retain_last => 1)").show()
    spark.sql("SELECT committed_at, snapshot_id, operation FROM lakehouse.demodb.yellow_taxi_2022.snapshots").show()
    # Removing Orphan data files
    spark.sql(f"CALL lakehouse.system.remove_orphan_files(table => 'demodb.yellow_taxi_2022')").show(truncate=False)
    # Rewriting Manifest Files
    spark.sql(f"CALL lakehouse.system.rewrite_manifests('demodb.yellow_taxi_2022')").show()

def evolve_schema(spark):
    # demonstration: Schema evolution
    # Add column fare_per_mile to the table
    spark.sql('ALTER TABLE lakehouse.demodb.yellow_taxi_2022 ADD COLUMN(fare_per_mile double)')
    # describe the table
    spark.sql('describe table lakehouse.demodb.yellow_taxi_2022').show(25)

def clean_database(spark):
    # clean-up the demo database
    spark.sql('drop table if exists lakehouse.demodb.testTable purge')
    spark.sql('drop table if exists lakehouse.demodb.zipcodes purge')
    spark.sql('drop table if exists lakehouse.demodb.yellow_taxi_2022 purge')
    spark.sql('drop database if exists lakehouse.demodb cascade')

def main():
    try:
        spark = init_spark()
        create_database(spark)
        list_databases(spark)
        basic_iceberg_table_operations(spark)
        # demonstration: Ingest parquet and csv data into a watsonx.data Iceberg table
        create_table_from_parquet_data(spark)
        ingest_from_csv_temp_table(spark)
        # load data for the month of February to June into the table yellow_taxi_2022 created above
        ingest_monthly_data(spark)
        # demonstration: Table maintenance
        perform_table_maintenance_operations(spark)
        # demonstration: Schema evolution
        evolve_schema(spark)
    finally:
        # clean-up the demo database
        clean_database(spark)
        spark.stop()

if __name__ == '__main__':
    main()

3. Um die Spark-Anwendung zu übermitteln, geben Sie die Parameterwerte an und führen den folgenden curl-Befehl aus. Das folgende Beispiel zeigt den Befehl zur Übermittlung der Anwendung iceberg.py.

curl --request POST   --url https://<region>/lakehouse/api/<api_version>/spark_engines/<spark_engine_id>/applications \
   --header 'Authorization: Bearer <token>'   --header 'Content-Type: application/json'   --header 'Lhinstanceid: <instance_id>'   --data '{
  "application_details": {
  "conf": {
      "spark.hadoop.fs.s3a.bucket.<wxd-data-bucket-name>.endpoint": "<wxd-data-bucket-endpoint>",
      "spark.hadoop.fs.cos.<COS_SERVICE_NAME>.endpoint": "<COS_ENDPOINT>",
      "spark.hadoop.fs.cos.<COS_SERVICE_NAME>.secret.key": "<COS_SECRET_KEY>",
      "spark.hadoop.fs.cos.<COS_SERVICE_NAME>.access.key": "<COS_ACCESS_KEY>"
        "spark.hadoop.wxd.apiKey":"Basic xxx",
        "spark.sql.extensions":"<required-storage-support-extension>,authz.IBMSparkACExtension"

    },
    "application": "cos://<BUCKET_NAME>.<COS_SERVICE_NAME>/<python_file_name>",
  }
}

Parameterwerte:

• <token> um das Zugriffs-Token für Ihre Service-Instanz zu erhalten. Weitere Informationen zum Generieren des Tokens finden Sie unter "Generieren eines Tokens ".
• <instance_id> instanz-ID: Die Instanz-ID aus der URL der watsonx.data. Beispiel, crn:v1:staging:public:lakehouse:us-south:a/7bb9e380dc0c4bc284592b97d5095d3c:5b602d6a-847a-469d-bece-0a29124588c0::.
• <wxd-data-bucket-endpoint>: Der Hostname des Endpunkts für den Zugriff auf den oben genannten Dateneimer. Beispiel: s3.us-south.cloud-object-storage.appdomain.cloud für einen Cloud Object Storage Bucket in der Region us-south.
• <COS_SERVICE_NAME>: Geben Sie einen Cloud-Objekt-Speicherdienstnamen an.
• <COS_ENDPOINT> bereitstellen des öffentlichen Endpunkts. Weitere Informationen finden Sie unter Endpoint.
• <access_key>: Geben Sie die access_key_id an. Weitere Informationen finden Sie unter "Credentials ".
• <secret_key>: Geben Sie den secret_access_key an. Weitere Informationen finden Sie unter "Credentials ".
• <BUCKET_NAME>: Der Speicherbereich, in dem sich die Anwendungsdatei befindet.
• <python_file_name> der Name der Spark-Anwendungsdatei.
• <api_version> wenn Sie die API v2 verwenden, setzen Sie den Parameter <api_version> auf v2; für die API v3 setzen Sie ihn auf v3.

Einschränkungen:

• Der Benutzer muss vollen Zugriff auf das Erstellen von Schema und Tabelle haben.
• Um eine Datenrichtlinie zu erstellen, müssen Sie den Katalog mit der Presto-Engine verknüpfen.
• Wenn Sie versuchen, ein Schema anzuzeigen, das nicht existiert, löst das System ein Nullpointer-Problem aus.
• Sie können die Spark-Zugangskontrollerweiterung für die Kataloge Iceberg, Hive, Hudi und Delta Lake aktivieren.