Prerequisiti

• Creare Cloud Object Storage per memorizzare i dati utilizzati nell'applicazione Spark. Per creare Cloud Object Storage e un bucket, vedere Creazione di un bucket di archiviazione. È possibile fornire due bucket, data-bucket per memorizzare le tabelle watsonx.data e application bucket per mantenere il codice dell'applicazione Spark.
• Registra il bucket Cloud Object Storage in watsonx.data. Per ulteriori informazioni, vedere Aggiungi una coppia di cataloghi di bucket.
• Caricare l'applicazione Spark sullo storage, vedere Caricamento dei dati.
• È necessario avere il ruolo di amministratore IAM o il ruolo MetastoreAdmin, per creare uno schema o una tabella all'interno di watsonx.data.

Procedura

L'estensione del controllo degli accessi di Spark supporta il motore Spark esterno.

1. Per abilitare l'estensione del controllo degli accessi di Spark, è necessario aggiornare la configurazione di Spark con add authz.IBMSparkACExtension to spark.sql.extensions.

2. Salvate la seguente applicazione Python come iceberg.py.

Iceberg è considerato un esempio. È possibile utilizzare anche i cataloghi Hive e Hudi.

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. Per inviare l'applicazione Spark, specificare i valori dei parametri ed eseguire il seguente comando curl. L'esempio seguente mostra il comando per inviare l'applicazione iceberg.py.

curl --request POST   --url https://<region>/lakehouse/api/v2/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.sql.catalogImplementation": "hive",
      "spark.sql.iceberg.vectorization.enabled":"false",
        "spark.sql.catalog.<wxd-bucket-catalog-name>":"org.apache.iceberg.spark.SparkCatalog",
      "spark.sql.catalog.<wxd-bucket-catalog-name>.type":"hive",
      "spark.sql.catalog.<wxd-bucket-catalog-name>.uri":"thrift://<wxd-catalog-metastore-host>",
      "spark.hive.metastore.client.auth.mode":"PLAIN",
      "spark.hive.metastore.client.plain.username":"<username>",
      "spark.hive.metastore.client.plain.password":"xxx",
      "spark.hive.metastore.use.SSL":"true",
      "spark.hive.metastore.truststore.type":"JKS",
      "spark.hive.metastore.truststore.path":"<truststore_path>",
      "spark.hive.metastore.truststore.password":"changeit",
        "spark.hadoop.fs.s3a.bucket.<wxd-data-bucket-name>.aws.credentials.provider":"com.ibm.iae.s3.credentialprovider.WatsonxCredentialsProvider",
        "spark.hadoop.fs.s3a.bucket.<wxd-data-bucket-name>.custom.signers":"WatsonxAWSV4Signer:com.ibm.iae.s3.credentialprovider.WatsonxAWSV4Signer",
        "spark.hadoop.fs.s3a.bucket.<wxd-data-bucket-name>.s3.signing-algorithm":"WatsonxAWSV4Signer",
        "spark.hadoop.wxd.cas.endpoint":"<cas_endpoint>/cas/v1/signature",
        "spark.hadoop.wxd.instanceId":"<instance_crn>",
        "spark.hadoop.wxd.apiKey":"Basic xxx",
        "spark.wxd.api.endpoint":"<wxd-endpoint>",
        "spark.driver.extraClassPath":"opt/ibm/connectors/wxd/spark-authz/cpg-client-1.0-jar-with-dependencies.jar:/opt/ibm/connectors/wxd/spark-authz/ibmsparkacextension_2.12-1.0.jar",
        "spark.sql.extensions":"<required-storage-support-extension>,authz.IBMSparkACExtension"

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

Valori di parametro:

• <region> regione in cui l'istanza è stata fornita. Esempio, regione dell' us-south.
• <spark_engine_id> l'identificatore univoco dell'istanza Spark. Per informazioni su come recuperare l'ID, vedere Gestione dei dettagli del motore Spark.
• <token> per ottenere il token di accesso per l'istanza del servizio. Per ulteriori informazioni sulla generazione del token, vedere Generazione di un token.
• <instance_id> l'ID dell'istanza dall' URL dell'istanza del cluster watsonx.data. Esempio, crn:v1:staging:public:lakehouse:us-south:a/7bb9e380dc0c4bc284592b97d5095d3c:5b602d6a-847a-469d-bece-0a29124588c0::.
• <wxd-data-bucket-name> : Il nome del bucket di dati associato al motore a scoppio dal gestore dell'infrastruttura.
• <wxd-data-bucket-endpoint>: Il nome dell'host dell'endpoint per l'accesso al bucket dei dati di cui sopra. Esempio, s3.us-south.cloud-object-storage.appdomain.cloud per un bucket di archiviazione di oggetti Cloud nella regione us-south.
• <wxd-bucket-catalog-name>: Il nome del catalogo associato al bucket dei dati.
• <wxd-catalog-metastore-host>: Il metastore associato al bucket registrato.
• <cos_bucket_endpoint> : fornire il valore dell'host del metastore. Per ulteriori informazioni, vedere dettagli sulla memorizzazione.
• <access_key> : fornire l'access_key_id. Per ulteriori informazioni, vedere dettagli sulla memorizzazione.
• <secret_key> : fornire la chiave_di_accesso_segreta. Per ulteriori informazioni, vedere dettagli sulla memorizzazione.
• <truststore_path> : fornire il percorso COS in cui viene caricato il certificato trustore. Ad esempio cos://di-bucket.di-test/1902xx-truststore.jks. Per ulteriori informazioni sulla generazione del trustore, vedere Importazione di certificati autofirmati.
• <cas_endpoint> : L'endpoint del Data Access Service (DAS). Per ottenere l'endpoint DAS, vedere Attribuzione dell'endpoint DAS.
• <username> : Il nome utente dell'istanza watsonx.data. Qui, ibmlhapikey.
• <apikey> : La codifica base64 `ibmlhapikey_<user_id>:<IAM_APIKEY>. Qui, <user_id> è l'id IBM Cloud dell'utente la cui apikey è usata per accedere al bucket dei dati. Per generare la chiave API, accedere alla console watsonx.data e navigare in Profilo > Profilo e impostazioni > Chiavi API e generare una nuova chiave API.
• <OBJECT_NAME>: Il nome IBM Cloud Object Storage.
• <BUCKET_NAME>: Il bucket di archiviazione in cui risiede il file dell'applicazione.
• <COS_SERVICE_NAME>: Il nome del servizio Cloud object Storage.
• <python file name> il nome del file dell'applicazione Spark.

Limitazioni:

• L'utente deve avere accesso completo alla creazione di schemi e tabelle.
• Per creare un criterio di dati, è necessario associare il catalogo al motore Presto.
• Se si tenta di visualizzare uno schema che non esiste, il sistema lancia un problema di nullpointer.
• È possibile abilitare l'estensione di controllo degli accessi di Spark per i cataloghi Iceberg, Hive e Hudi.