Data Lake Formation:Akses DLF dengan PyIceberg

Prasyarat dan instalasi

Instal pyiceberg-dlf

pyiceberg-dlf adalah distribusi PyIceberg yang kompatibel dengan DLF dan dipublikasikan ke PyPI. Distribusi ini mencakup perbaikan REST sigv4, kredensial penyimpanan OSS yang disediakan, serta pembaruan kredensial otomatis sebelum kedaluwarsa.

Persyaratan: Python 3.10 atau versi lebih baru.

python3 -m venv venv
source venv/bin/activate
pip install -U pip
# Uninstal paket resmi (tidak dapat berjalan bersamaan dengan pyiceberg-dlf)
pip uninstall -y pyiceberg
# rest-sigv4 diperlukan (menginstal boto3 untuk penandatanganan REST sigv4)
pip install "pyiceberg-dlf[rest-sigv4,pyarrow,pandas]"

Contoh kode

Skrip Python berikut menunjukkan cara menghubungkan ke katalog, membuat tabel, menulis data, membaca data, lalu menghapus tabel tersebut.

Ganti placeholder dalam skrip dengan kredensial dan konfigurasi spesifik Anda.

• ${regionId}: Wilayah layanan DLF Anda, misalnya cn-hangzhou. Untuk informasi selengkapnya, lihat Titik akhir layanan Iceberg REST.

• ${catalogName}: Nama katalog DLF Anda.

• ${accessKey}: ID AccessKey Anda.

• ${accessKeySecret}: Rahasia AccessKey Anda.

import pyarrow as pa
from pyiceberg.catalog import load_catalog
from pyiceberg.exceptions import TableAlreadyExistsError, NoSuchTableError
from pyiceberg.io.pyarrow import schema_to_pyarrow
from pyiceberg.partitioning import PartitionField, PartitionSpec
from pyiceberg.schema import Schema
from pyiceberg.transforms import IdentityTransform
from pyiceberg.types import LongType, NestedField
# 1. Konfigurasikan dan hubungkan ke katalog
catalog = load_catalog(
    "default",
    **{
        "type": "rest",
        "uri": "http://${regionId}-vpc.dlf.aliyuncs.com/iceberg",
        "warehouse": "${catalogName}",
        "rest.signing-name": "DlfNext",
        "rest.signing-region": "${regionId}",
        "rest.sigv4-enabled": "true",
        "client.access-key-id": "${accessKey}",
        "client.secret-access-key": "${accessKeySecret}",
        "client.region": "${regionId}",
    },
)
# ---------------------------------------------------
# 2. Definisikan skema tabel dan metadata
# ---------------------------------------------------
TEST_TABLE_SCHEMA = Schema(
    NestedField(1, "x", LongType(), required=True),
    NestedField(2, "y", LongType(), doc="comment", required=True),
    NestedField(3, "z", LongType(), required=True),
)
TEST_TABLE_IDENTIFIER = ("default", "my_table")
TEST_TABLE_PARTITION_SPEC = PartitionSpec(
    PartitionField(name="x", transform=IdentityTransform(), source_id=1, field_id=1000)
)
TEST_TABLE_PROPERTIES = {"read.split.target.size": "134217728"}  # 128MB
# ---------------------------------------------------
# 3. Jalankan prosedur pengujian
# ---------------------------------------------------
# Hapus tabel lama jika ada
try:
    catalog.drop_table(identifier=TEST_TABLE_IDENTIFIER)
    print("Tabel yang ada telah dihapus.")
except NoSuchTableError:
    print("Tidak ada tabel yang perlu dihapus.")
# Buat tabel baru
try:
    catalog.create_table(
        identifier=TEST_TABLE_IDENTIFIER,
        schema=TEST_TABLE_SCHEMA,
        partition_spec=TEST_TABLE_PARTITION_SPEC,
        properties=TEST_TABLE_PROPERTIES,
    )
    print("Tabel berhasil dibuat.")
except TableAlreadyExistsError:
    print("Tabel sudah ada, data akan ditambahkan.")
# Muat tabel
table = catalog.load_table(identifier=TEST_TABLE_IDENTIFIER)
print(f"Tabel dimuat: {table}")
# Buat tabel PyArrow
arrow_schema = schema_to_pyarrow(table.schema())
data = pa.Table.from_pydict(
    {
        "x": [1, 2, 3],
        "y": [10, 20, 30],
        "z": [100, 200, 300],
    },
    schema=arrow_schema,
)
# Tulis data
print(f"Menyisipkan {data.num_rows} baris...")
table.append(data)
print("Penyisipan selesai.")
# Baca dan tampilkan data
scan = table.scan()
df = scan.to_pandas()
print("10 baris pertama melalui to_pandas():")
print(df.head(10))
# Bersihkan tabel uji
try:
    catalog.drop_table(identifier=TEST_TABLE_IDENTIFIER)
    print("Tabel dihapus setelah pengujian.")
except NoSuchTableError:
    print("Tabel sudah dihapus.")

Contoh output:

(myenv) root@iZbp1h4zr65vjcvz9w3080Z:~/workspace# python test.py
Existing table dropped.
Table created.
Loaded table: my_table(
    1: x: required long,
    2: y: required long (comment),
    3: z: required long
),
partition by: [x],
sort order: [],
snapshot: null
Inserting 3 rows...
Insert finished.
First 10 rows via to_pandas():
   x   y    z
0  1  10  100
1  2  20  200
2  3  30  300
Table dropped after test.
(myenv) root@iZbp1h4zr65vjcvz9w3080Z:~/workspace# pip list|grep -E "pyarrow|pyiceberg|boto3|pandas"
boto3                 1.42.15
pandas                2.3.3
pyarrow               19.0.0
pyiceberg             0.10.0.dev0
(myenv) root@iZbp1h4zr65vjcvz9w3080Z:~/workspace#