Acesse o DLF com PyIceberg - Data Lake Formation: Central de Documentação do Alibaba Cloud

Este tópico descreve como instalar o PyIceberg em um cluster EMR on ECS e configurá-lo para acessar o DLF usando o protocolo REST do Iceberg.

Pré-requisitos e instalação

Instale o pyiceberg-dlf

O pyiceberg-dlf é uma distribuição do PyIceberg compatível com o DLF, publicada no PyPI. Ela inclui correções para assinatura sigv4 via REST, credenciais de armazenamento OSS fornecidas pelo service e renovação automática de credenciais antes da expiração.

Requisitos: Python 3.10 ou superior.

python3 -m venv venv
source venv/bin/activate
pip install -U pip
# Uninstall the official package (cannot coexist with pyiceberg-dlf)
pip uninstall -y pyiceberg
# rest-sigv4 is required (installs boto3 for REST sigv4 signing)
pip install "pyiceberg-dlf[rest-sigv4,pyarrow,pandas]"

Nota

Nome do pacote diferente do nome de importação: O pacote chama-se pyiceberg-dlf, mas a importação continua sendo pyiceberg.
Incompatibilidade entre pyiceberg-dlf e pyiceberg oficial: Ambos os pacotes fornecem import pyiceberg. Instalar um substitui silenciosamente o outro. Use um ambiente virtual dedicado ou execute pip uninstall -y pyiceberg antes da instalação.
Obrigatório: extra rest-sigv4: Este extra instala o boto3 e outras dependências de assinatura. Sem ele, load_catalog() gera o erro ModuleNotFoundError: No module named 'boto3'.
Opcional: pandas: O exemplo usa scan.to_pandas(). Inclua o extra pandas se precisar de saída em DataFrame.
Versão do pyarrow inferior a 22: O pacote pyiceberg-dlf[pyarrow] fixa o pyarrow na versão 21.x. O pyarrow 22 ou superior causa o erro aws-chunked encoding is not supported ao fazer upload para o OSS.

Exemplo de código

O script Python a seguir demonstra como conectar-se a um catálogo, criar uma tabela, gravar dados, ler dados e excluir a tabela.

Substitua os espaços reservados no script pelas suas credenciais e configurações específicas.

${regionId}: Região do seu service DLF, como cn-hangzhou. Para mais informações, consulte Endpoints do service REST do Iceberg.
${catalogName}: Nome do seu catálogo DLF.
${accessKey}: Seu AccessKey ID.
${accessKeySecret}: Seu AccessKey Secret.

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. Configure and connect to the catalog
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. Define the table schema and 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. Run the test procedure
# ---------------------------------------------------
# Drop the old table if it exists
try:
    catalog.drop_table(identifier=TEST_TABLE_IDENTIFIER)
    print("Existing table dropped.")
except NoSuchTableError:
    print("No existing table to drop.")
# Create a new table
try:
    catalog.create_table(
        identifier=TEST_TABLE_IDENTIFIER,
        schema=TEST_TABLE_SCHEMA,
        partition_spec=TEST_TABLE_PARTITION_SPEC,
        properties=TEST_TABLE_PROPERTIES,
    )
    print("Table created.")
except TableAlreadyExistsError:
    print("Table already exists, will append data.")
# Load the table
table = catalog.load_table(identifier=TEST_TABLE_IDENTIFIER)
print(f"Loaded table: {table}")
# Build a PyArrow table
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,
)
# Write data
print(f"Inserting {data.num_rows} rows...")
table.append(data)
print("Insert finished.")
# Read and display the data
scan = table.scan()
df = scan.to_pandas()
print("First 10 rows via to_pandas():")
print(df.head(10))
# Clean up the test table
try:
    catalog.drop_table(identifier=TEST_TABLE_IDENTIFIER)
    print("Table dropped after test.")
except NoSuchTableError:
    print("Table already dropped.")

Exemplo de saída:

(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#