本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
# 使用使用 Iceberg 表来处理冰山表 PyIceberg
本节介绍如何使用[PyIceberg](https://py.iceberg.apache.org/)与 Iceberg 表进行交互。[提供的示例是样板代码，您可以使用正确配置的凭证在 A [mazon Linux 2023 EC2](https://aws.amazon.com/linux/amazon-linux-2023/) 实例、[AWS Lambda](https://aws.amazon.com/lambda/)函数或任何 Pyth [on](https://www.python.org/) 环境上运行这些代码。AWS](https://docs.aws.amazon.com/IAM/latest/UserGuide/security-creds.html)
## 先决条件
**注意**
这些示例使用 [PyIceberg 1.9.1](https://github.com/apache/iceberg/releases/tag/apache-iceberg-1.9.1)。
要使用 PyIceberg，您需要 PyIceberg 并 适用于 Python (Boto3) 的 AWS SDK 安装。以下是如何设置要使用的 Python 虚拟环境的示例， PyIceberg 以及 AWS Glue Data Catalog：
1. 使用 [pip python 软件包安装程序](https://pypi.org/project/pip/)进行下载[PyIceberg](https://pypi.org/project/pyiceberg/)。您还需要与 [Boto3](https://boto3.amazonaws.com/v1/documentation/api/latest/index.html) 进行交互。 AWS 服务您可以使用以下命令配置本地 Python 虚拟环境进行测试：
```
python3 -m venv my_env
cd my_env/bin/
source activate
pip install "pyiceberg[pyarrow,pandas,glue]"
pip install boto3
```
1. 运行打开 `python` Python 外壳并测试命令。
## 连接到数据目录
要开始在中使用 Iceberg 表 AWS Glue，您首先需要连接到。 AWS Glue Data Catalog
该`load_catalog`函数通过创建一个作为所有 Iceberg 操作的主接口的[目录](https://py.iceberg.apache.org/reference/pyiceberg/catalog/)对象来初始化与数据目录的连接：
```
from pyiceberg.catalog import load_catalog
region = "us-east-1"
glue_catalog = load_catalog(
'default',
**{
'client.region': region
},
type='glue'
)
```
## 列出和创建数据库
要列出现有数据库，请使用以下`list_namespaces`函数：
```
databases = glue_catalog.list_namespaces()
print(databases)
```
要创建新数据库，请使用以下`create_namespace`函数：
```
database_name="mydb"
s3_db_path=f"s3://amzn-s3-demo-bucket/{database_name}"
glue_catalog.create_namespace(database_name, properties={"location": s3_db_path})
```
## 创建和写作 Iceberg 表
### 未分区的表
以下是使用函数创建未分区的 Iceberg 表的示例：`create_table`
```
from pyiceberg.schema import Schema
from pyiceberg.types import NestedField, StringType, DoubleType
database_name="mydb"
table_name="pyiceberg_table"
s3_table_path=f"s3://amzn-s3-demo-bucket/{database_name}/{table_name}"
schema = Schema(
NestedField(1, "city", StringType(), required=False),
NestedField(2, "lat", DoubleType(), required=False),
NestedField(3, "long", DoubleType(), required=False),
)
glue_catalog.create_table(f"{database_name}.{table_name}", schema=schema, location=s3_table_path)
```
你可以使用该`list_tables`函数来检查数据库中的表列表：
```
tables = glue_catalog.list_tables(namespace=database_name)
print(tables)
```
你可以使用`append`函数 and 在 Iceberg 表中插入数据： PyArrow
```
import pyarrow as pa
df = pa.Table.from_pylist(
[
{"city": "Amsterdam", "lat": 52.371807, "long": 4.896029},
{"city": "San Francisco", "lat": 37.773972, "long": -122.431297},
{"city": "Drachten", "lat": 53.11254, "long": 6.0989},
{"city": "Paris", "lat": 48.864716, "long": 2.349014},
],
)
table = glue_catalog.load_table(f"{database_name}.{table_name}")
table.append(df)
```
### 分区表
以下是使用函数和创建带有[隐藏[分区的分](https://iceberg.apache.org/docs/1.4.0/partitioning/)区](https://iceberg.apache.org/docs/1.4.0/partitioning/#icebergs-hidden-partitioning) Iceberg 表的示例：`create_table``PartitionSpec`
```
from pyiceberg.schema import Schema
from pyiceberg.types import (
NestedField,
StringType,
FloatType,
DoubleType,
TimestampType,
)
# Define the schema
schema = Schema(
NestedField(field_id=1, name="datetime", field_type=TimestampType(), required=True),
NestedField(field_id=2, name="drone_id", field_type=StringType(), required=True),
NestedField(field_id=3, name="lat", field_type=DoubleType(), required=False),
NestedField(field_id=4, name="lon", field_type=DoubleType(), required=False),
NestedField(field_id=5, name="height", field_type=FloatType(), required=False),
)
from pyiceberg.partitioning import PartitionSpec, PartitionField
from pyiceberg.transforms import DayTransform
partition_spec = PartitionSpec(
PartitionField(
source_id=1, # Refers to "datetime"
field_id=1000,
transform=DayTransform(),
name="datetime_day"
)
)
database_name="mydb"
partitioned_table_name="pyiceberg_table_partitioned"
s3_table_path=f"s3://amzn-s3-demo-bucket/{database_name}/{partitioned_table_name}"
glue_catalog.create_table(
identifier=f"{database_name}.{partitioned_table_name}",
schema=schema,
location=s3_table_path,
partition_spec=partition_spec
)
```
您可以采用与未分区表相同的方式向分区表中插入数据。分区是自动处理的。
```
from datetime import datetime
arrow_schema = pa.schema([
pa.field("datetime", pa.timestamp("us"), nullable=False),
pa.field("drone_id", pa.string(), nullable=False),
pa.field("lat", pa.float64()),
pa.field("lon", pa.float64()),
pa.field("height", pa.float32()),
])
data = [
{
"datetime": datetime(2024, 6, 1, 12, 0, 0),
"drone_id": "drone_001",
"lat": 52.371807,
"lon": 4.896029,
"height": 120.5,
},
{
"datetime": datetime(2024, 6, 1, 12, 5, 0),
"drone_id": "drone_002",
"lat": 37.773972,
"lon": -122.431297,
"height": 150.0,
},
{
"datetime": datetime(2024, 6, 2, 9, 0, 0),
"drone_id": "drone_001",
"lat": 53.11254,
"lon": 6.0989,
"height": 110.2,
},
{
"datetime": datetime(2024, 6, 2, 9, 30, 0),
"drone_id": "drone_003",
"lat": 48.864716,
"lon": 2.349014,
"height": 145.7,
},
]
df = pa.Table.from_pylist(data, schema=arrow_schema)
table = glue_catalog.load_table(f"{database_name}.{partitioned_table_name}")
table.append(df)
```
## 读取数据
您可以使用该 PyIceberg `scan`函数从 Iceberg 表中读取数据。您可以筛选行、选择特定列并限制返回的记录数。
```
table= glue_catalog.load_table(f"{database_name}.{table_name}")
scan_df = table.scan(
row_filter=(
f"city = 'Amsterdam'"
),
selected_fields=("city", "lat"),
limit=100,
).to_pandas()
print(scan_df)
```
## 删除数据
该 PyIceberg `delete`函数允许您使用以下方法从表中删除记录`delete_filter`：
```
table = glue_catalog.load_table(f"{database_name}.{table_name}")
table.delete(delete_filter="city == 'Paris'")
```
## 访问元数据
PyIceberg 提供了多种访问表元数据的函数。您可以通过以下方式查看有关表快照的信息：
```
#List of snapshots
table.snapshots()
#Current snapshot
table.current_snapshot()
#Take a previous snapshot
second_last_snapshot_id=table.snapshots()[-2].snapshot_id
print(f"Second last SnapshotID: {second_last_snapshot_id}")
```
有关可用元数据的详细列表，请参阅 PyIceberg 文档的[元数据](https://py.iceberg.apache.org/reference/pyiceberg/table/metadata/)代码参考部分。
## 使用时空旅行
您可以使用时空旅行的表快照来访问表的先前状态。以下是查看上次操作之前的表状态的方法：
```
second_last_snapshot_id=table.snapshots()[-2].snapshot_id
time_travel_df = table.scan(
limit=100,
snapshot_id=second_last_snapshot_id
).to_pandas()
print(time_travel_df)
```
有关可用函数的完整列表，请参阅 PyIceberg [Python API](https://py.iceberg.apache.org/api/) 文档。