Eseguire query federate in Google BigQuery

Articolo
12/26/2024

Importante

Questa funzionalità è disponibile in anteprima pubblica.

Questo articolo descrive come set up Lakehouse Federation per eseguire query federate sui dati BigQuery non gestiti da Azure Databricks. Per altre informazioni sulla federazione di lakehouse, si veda Che cos'è Lakehouse Federation?.

Per connettersi al database BigQuery tramite Lakehouse Federation, è necessario creare quanto segue nel metastore di Azure Databricks Unity Catalog:

Connessione al database BigQuery.
Un catalog esterno che rispecchia il database BigQuery in Unity Catalog, in modo da poter usare la sintassi delle query di Unity Catalog e gli strumenti di governance dei dati per gestire l'accesso degli utenti di Azure Databricks al database.

Operazioni preliminari

Requisiti dell'area di lavoro:

Area di lavoro abilitata per Unity Catalog.

Requisiti dell’ambiente di calcolo:

Connettività di rete dal cluster Databricks Runtime o dal warehouse SQL ai sistemi di database di destinazione. Si veda Raccomandazioni di rete per Lakehouse Federation.
I cluster di Azure Databricks devono usare Databricks Runtime 13.3 LTS o versione successiva e la modalità di accesso condiviso o singolo utente.
I warehouse SQL devono essere Pro o Serverless.

Autorizzazioni necessarie:

Per creare una connessione, è necessario essere un amministratore del metastore o un utente con il privilegio CREATE CONNECTION sul metastore Unity Catalog collegato all'area di lavoro.
Per creare un catalogesterno, è necessario disporre dell'autorizzazione CREATE CATALOG nel metastore ed essere il proprietario della connessione o avere il privilegio CREATE FOREIGN CATALOG sulla connessione.

In ogni sezione basata su attività che segue vengono specificati requisiti di autorizzazione aggiuntivi.

Crea una connessione

Una connessione specifica un percorso e credentials per l'accesso a un sistema di database esterno. Per creare una connessione, è possibile usare Catalog Explorer o il comando SQL CREATE CONNECTION in un notebook di Azure Databricks o nell'editor di query SQL di Databricks.

Nota

È anche possibile usare l'API REST di Databricks o l'interfaccia della riga di comando di Databricks per creare una connessione. Vedere post /api/2.1/unity-catalog/connections e comandi Catalog Unity.

Autorizzazioni necessarie: amministratore o utente metastore con il privilegio CREATE CONNECTION.

Catalog Explorer

Nell'area di lavoro di Azure Databricks fare clic sull'icona Catalog.
Nella parte superiore del riquadro Catalog fare clic sull'icona Aggiungi o più Icona Aggiungi e selectAggiungi una connessione dal menu.

In alternativa, nella pagina accesso rapido, fare clic sul pulsante Dati esterni >, andare alla scheda Connections e fare clic su Crea connessione.
Immettere un nome di connessione semplice.
Select un tipo di connessione di BigQuery.

Immettere la proprietà di connessione seguente per l'istanza di BigQuery.

GoogleServiceAccountKeyJson: oggetto JSON non elaborato usato per specificare il progetto BigQuery e fornire l'autenticazione. È possibile generate questo oggetto JSON e scaricarlo dalla pagina dei dettagli dell'account del servizio in Google Cloud in "KEYS". L'account del servizio deve disporre delle autorizzazioni appropriate concesse in BigQuery, inclusi l'utente BigQuery e il Visualizzatore dati BigQuery. Di seguito viene riportato un esempio.

{
  "type": "service_account",
  "project_id": "PROJECT_ID",
  "private_key_id": "KEY_ID",
  "private_key": "PRIVATE_KEY",
  "client_email": "SERVICE_ACCOUNT_EMAIL",
  "client_id": "CLIENT_ID",
  "auth_uri": "https://accounts.google.com/o/oauth2/auth",
  "token_uri": "https://accounts.google.com/o/oauth2/token",
  "auth_provider_x509_cert_url": "https://www.googleapis.com/oauth2/v1/certs",
  "client_x509_cert_url": "https://www.googleapis.com/robot/v1/metadata/x509/SERVICE_ACCOUNT_EMAIL",
  "universe_domain": "googleapis.com"
}

(Facoltativo) Immettere la proprietà di connessione seguente per l'istanza di BigQuery:

ID progetto: nome del progetto BigQuery usato per la fatturazione per tutte le query eseguite in questa connessione. L'impostazione predefinita è l'ID progetto dell'account del servizio.
(Facoltativo) Fare clic su Test connessione per confermare la connettività di rete. Questa azione non testa l'autenticazione.
(Facoltativo) Aggiungere un commento.
Cliccare su Crea.

SQL

Eseguire il seguente comando in un notebook o nell'editor di query SQL di Databricks. Sostituire <GoogleServiceAccountKeyJson> con un oggetto JSON non elaborato che specifica il progetto BigQuery e fornisce l'autenticazione. È possibile generate questo oggetto JSON e scaricarlo dai dettagli dell'account del servizio in Google Cloud nella sezione "CHIAVI". L'account del servizio deve disporre delle autorizzazioni appropriate concesse in BigQuery, inclusi l'utente BigQuery e il Visualizzatore dati BigQuery. Per un esempio di oggetto JSON, visualizzare la scheda Catalog Explorer in questa pagina.

CREATE CONNECTION <connection-name> TYPE bigquery
OPTIONS (
  GoogleServiceAccountKeyJson '<GoogleServiceAccountKeyJson>'
);

È consigliabile usare i segreti di Azure Databricks anziché le stringhe di testo non crittografato per values sensibili, ad esempio credentials. Ad esempio:

CREATE CONNECTION <connection-name> TYPE bigquery
OPTIONS (
  GoogleServiceAccountKeyJson secret ('<secret-scope>','<secret-key-user>')
)

Per informazioni sulla configurazione dei segreti, vedere Gestione dei segreti.

Creare un catalog esterno

Un catalog esterno esegue il mirroring di un database in un sistema dati esterno in modo da poter eseguire query e gestire l'accesso ai dati in tale database usando Azure Databricks e Unity Catalog. Per creare un catalogesterno, usare una connessione all'origine dati già definita.

Per creare un catalogesterno, puoi utilizzare Catalog Explorer o CREATE FOREIGN CATALOG in un notebook di Azure Databricks oppure nell'editor di query SQL di Databricks.

Nota

È anche possibile usare l'API REST di Databricks o il CLI di Databricks per creare un catalog. Vedere POST /api/2.1/unity-catalog/catalogs o comandi di Unity Catalog.

Autorizzazioni necessarie: autorizzazione CREATE CATALOG per il metastore e la proprietà della connessione o il privilegio CREATE FOREIGN CATALOG per la connessione.

Esploratore Catalog

Nell'area di lavoro di Azure Databricks fare clic sull'icona Catalog per aprire Esplora Catalog.
Nella parte superiore del riquadro Catalog fare clic sull'icona aggiungi o segno più icona Aggiungi e selectAggiungi una catalog dal menu.

In alternativa, sulla pagina di accesso rapido , fare clic sul pulsante Catalogs e quindi sul pulsante Crea catalog.
(Facoltativo) Immettere la proprietà catalog seguente:

ID del progetto dati: un nome per il progetto BigQuery contenente i dati che verranno mappati su questo catalog. Per impostazione predefinita, l'ID del progetto di fatturazione è set a livello della connessione.
Seguire le istruzioni per la creazione delle catalogs esterne in Creare catalogs.

SQL

Eseguire il seguente comando SQL in un notebook o nell'editor Databricks SQL. Gli elementi tra parentesi sono facoltativi. Sostituire il segnaposto values.

<catalog-name>: nome del catalog in Azure Databricks.
<connection-name>: l'oggetto di connessione che specifica l'origine dei dati, il percorso e l'accesso credentials.

CREATE FOREIGN CATALOG [IF NOT EXISTS] <catalog-name> USING CONNECTION <connection-name>;

Pushdown supportati

Sono supportati i seguenti pushdown:

Filtri
Proiezioni
Limit
Funzioni: parziale, solo per le espressioni di filtro. (Funzioni stringa, Funzioni matematiche, Dati, Time e Timestamp e altre funzioni varie, ad esempio Alias, Cast, SortOrder)
Aggregazioni
Ordinamento, se usato con limit

Non sono supportati i seguenti pushdown:

Join
Funzioni finestra

Mapping di tipi di dati

Il seguente table mostra il mapping dei tipi di dati da BigQuery a Spark.

Tipo BigQuery	Tipo Spark
bignumeric, numeric	DecimalType
int64	LongType
float64	DoubleType
array, geography, interval, json, string, struct	VarcharType
bytes	BinaryType
bool	BooleanType
data	DateType
DATA, ORA o DATA E ORA.	TimestampType/TimestampNTZType

Quando si legge da BigQuery, Timestamp BigQuery viene mappato a TimestampType Spark se preferTimestampNTZ = false (impostazione predefinita). Viene eseguito il mapping di Timestamp BigQuery a TimestampNTZType se preferTimestampNTZ = true.

Condividi tramite