---
title: "BigQuery consulta tabelas Iceberg do Databricks sem cópia"
author: "Ignácio Afonso"
date: "2026-11-16 06:22:10.38-03"
category: "Inteligência Artificial & Dados"
url: "https://desbugados.com.br/post/2026/11/16/bigquery-consulta-tabelas-iceberg-do-databricks-sem-copia"
---

## Resumo
- BigQuery passa a consultar tabelas Apache Iceberg gerenciadas pelo Databricks sem copiar os dados.
- Unity Catalog funciona como camada central de metadados para o acesso.
- O BigQuery lê arquivos Parquet diretamente do armazenamento.
- Tokens de curta duração e atualizações de metadados a cada cinco minutos fazem parte da integração.
- A consulta pode alcançar dados no Amazon S3 e no Azure Blob Storage.
- A consulta sem cópia não garante tráfego gratuito; é necessário verificar possíveis tarifas entre nuvens.

---

Uma consulta analítica no **BigQuery** agora pode acessar uma tabela Apache Iceberg gerenciada pelo Databricks sem que os dados precisem ser copiados para outro ambiente. O Google Cloud anunciou a integração como parte de uma proposta de consultas federadas entre nuvens, baseada no catálogo REST do Apache Iceberg. Para equipes de dados, a mudança permite consultar informações no local em que estão, sem criar uma cópia apenas para fazer a análise. [A proposta do Google Cloud](https://cloud.google.com/blog/products/data-analytics/cross-cloud-conversational-analytics-with-borderless-lakehouse/) também abrange consultas em dados mantidos fora da própria plataforma.


## O catálogo organiza o acesso; os dados ficam na origem


Por trás dessa leitura está o **Unity Catalog**, do Databricks, que funciona como camada central de metadados. Em termos simples, o catálogo guarda informações que ajudam a localizar e interpretar as tabelas. O BigQuery consulta esses metadados e lê os arquivos Parquet diretamente no armazenamento, em vez de importar o conjunto de dados para uma cópia própria. Assim, o motor de análise e os arquivos não precisam ocupar o mesmo ambiente.


Na etapa de acesso, a integração usa tokens de curta duração, fornecidos por um mecanismo chamado credential vending, para liberar a leitura sem depender de credenciais permanentes. Os metadados podem ser atualizados a cada **cinco minutos**, mantendo o catálogo alinhado às mudanças registradas na tabela. O BigQuery também aplica poda de partições, técnica que evita ler partes da tabela que não são necessárias para uma consulta. [A descrição técnica da integração](https://itbrief.asia/story/google-cloud-lets-bigquery-query-databricks-iceberg) detalha esses componentes.


## Consultar entre nuvens não elimina a conta de tráfego


Esse acesso também pode alcançar dados armazenados em serviços de outras nuvens, incluindo **Amazon S3** e **Azure Blob Storage**. O anúncio descreve a leitura dos arquivos no armazenamento remoto, sem migração ou cópia dos conjuntos de dados. Também prevê controles de governança, como regras que limitam o acesso a determinadas linhas ou colunas. Para quem administra dados, isso significa que a localização dos arquivos e as permissões continuam fazendo parte do desenho da consulta.


É aí que a economia precisa ser calculada com cuidado. Evitar uma cópia não garante que o tráfego entre nuvens seja gratuito: o material do anúncio não detalha tarifas, então as equipes devem verificar os custos aplicáveis com os provedores antes de estimar a despesa da operação. O ponto a acompanhar é justamente essa combinação entre acesso direto, permissões e cobrança de transferência. A única cópia que vale manter é a da planilha de custos. Piada ruim, eu sei.