本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 使用 PyIceberg 處理 Iceberg 資料表
本節說明如何使用 [PyIceberg](https://py.iceberg.apache.org/) 與 Iceberg 資料表互動。提供的範例是樣板程式碼，您可以在 [Amazon Linux 2023 EC2 ](https://aws.amazon.com/linux/amazon-linux-2023/)執行個體、[AWS Lambda](https://aws.amazon.com/lambda/)函數或任何具有正確設定[AWS 憑證](https://docs.aws.amazon.com/IAM/latest/UserGuide/security-creds.html)的 [Python](https://www.python.org/) 環境中執行。
## 先決條件
**注意**
這些範例使用 [PyIceberg 1.9.1。](https://github.com/apache/iceberg/releases/tag/apache-iceberg-1.9.1)
若要使用 PyIceberg，您需要 適用於 Python (Boto3) 的 AWS SDK 安裝 PyIceberg 和 。以下是如何設定 Python 虛擬環境以使用 PyIceberg 和 的範例 AWS Glue Data Catalog：
1. 使用 [pip python 套件安裝程式](https://pypi.org/project/pip/)下載 [PyIceberg](https://pypi.org/project/pyiceberg/)。您也需要 [Boto3](https://boto3.amazonaws.com/v1/documentation/api/latest/index.html) 才能與 互動 AWS 服務。您可以使用下列命令，設定要測試的本機 Python 虛擬環境：
```
python3 -m venv my_env
cd my_env/bin/
source activate
pip install "pyiceberg[pyarrow,pandas,glue]"
pip install boto3
```
1. 執行`python` 以開啟 Python shell 並測試命令。
## 連線至 Data Catalog
若要開始在 中使用 Iceberg 資料表 AWS Glue，您必須先連線到 AWS Glue Data Catalog。
`load_catalog`函數會建立[目錄](https://py.iceberg.apache.org/reference/pyiceberg/catalog/)物件，做為所有 Iceberg 操作的主要界面，以初始化與 Data Catalog 的連線：
```
from pyiceberg.catalog import load_catalog
region = "us-east-1"
glue_catalog = load_catalog(
'default',
**{
'client.region': region
},
type='glue'
)
```
## 列出和建立資料庫
若要列出現有的資料庫，請使用 `list_namespaces`函數：
```
databases = glue_catalog.list_namespaces()
print(databases)
```
若要建立新的資料庫，請使用 `create_namespace`函數：
```
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})
```
## 建立和寫入 Iceberg 資料表
### 未分割的資料表
以下是使用 `create_table`函數建立未分割 Iceberg 資料表的範例：
```
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)
```
您可以使用 `list_tables`函數來檢查資料庫內的資料表清單：
```
tables = glue_catalog.list_tables(namespace=database_name)
print(tables)
```
您可以使用 `append`函數和 PyArrow 在 Iceberg 資料表中插入資料：
```
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)
```
### 分割的資料表
以下是使用 `create_table`函數和 建立具有[隱藏分割](https://iceberg.apache.org/docs/1.4.0/partitioning/#icebergs-hidden-partitioning)[的分割](https://iceberg.apache.org/docs/1.4.0/partitioning/) Iceberg 資料表的範例`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
)
```
您可以將資料插入分割資料表的方式與未分割資料表相同。分割會自動處理。
```
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)
```
## 讀取資料
您可以使用 PyIceberg `scan`函數從 Iceberg 資料表讀取資料。您可以篩選資料列、選取特定資料欄，以及限制傳回的記錄數目。
```
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)
```
## 刪除資料
PyIceberg `delete`函數可讓您使用 從資料表中移除記錄`delete_filter`：
```
table = glue_catalog.load_table(f"{database_name}.{table_name}")
table.delete(delete_filter="city == 'Paris'")
```
## 存取中繼資料
PyIceberg 提供多種函數來存取資料表中繼資料。以下是您可以檢視資料表快照相關資訊的方式：
```
#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}")
```
如需可用中繼資料的詳細清單，請參閱 PyIceberg 文件的[中繼資料](https://py.iceberg.apache.org/reference/pyiceberg/table/metadata/)程式碼參考區段。
## 使用時間歷程
您可以使用資料表快照進行時間歷程，以存取資料表的先前狀態。以下是在上次操作之前檢視資料表狀態的方法：
```
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)
```
如需可用函數的完整清單，請參閱 PyIceberg[Python API](https://py.iceberg.apache.org/api/) 文件。