Esta página se ha traducido con Cloud Translation API.

Procesar un flujo de cambios de Bigtable

En este tutorial se muestra cómo implementar una canalización de datos en Dataflow para obtener un flujo en tiempo real de los cambios de una base de datos procedentes del flujo de cambios de una tabla de Bigtable. La salida del flujo de procesamiento se escribe en una serie de archivos de Cloud Storage.

Se proporciona un conjunto de datos de ejemplo para una aplicación de escucha de música. En este tutorial, se monitorizan las canciones que se escuchan y, a continuación, se clasifican las cinco más populares durante un periodo determinado.

Este tutorial está dirigido a usuarios técnicos que sepan escribir código y desplegar flujos de procesamiento de datos en Google Cloud.

Preparar el entorno

Obtén el código

Clona el repositorio que contiene el código de ejemplo. Si ya has descargado este repositorio, haz un pull para obtener la versión más reciente.

git clone https://github.com/GoogleCloudPlatform/java-docs-samples.git
cd java-docs-samples/bigtable/beam/change-streams

Crear un segmento

Create a Cloud Storage bucket:

gcloud storage buckets create gs://BUCKET_NAME

Replace BUCKET_NAME with a bucket name that meets the bucket naming requirements.

Crear una instancia de Bigtable

Puedes usar una instancia que ya tengas para este tutorial o crear una con las configuraciones predeterminadas en una región cercana.

Crear una tabla

La aplicación de ejemplo monitoriza las canciones que escuchan los usuarios y almacena los eventos de escucha en Bigtable. Crea una tabla con un flujo de cambios habilitado que tenga una familia de columnas (cf) y una columna (canción), y que use IDs de usuario como claves de fila.

Crea la tabla.

gcloud bigtable instances tables create song-rank \
--column-families=cf --change-stream-retention-period=7d \
--instance=BIGTABLE_INSTANCE_ID --project=PROJECT_ID

Haz los cambios siguientes:

PROJECT_ID: el ID del proyecto que estás usando
BIGTABLE_INSTANCE_ID: el ID de la instancia que contendrá la nueva tabla

Iniciar el flujo de procesamiento

Esta canalización transforma el flujo de cambios de la siguiente manera:

Lee el flujo de cambios
Obtiene el nombre de la canción.
Agrupa los eventos de escucha de canciones en ventanas de N segundos.
Cuenta las cinco canciones más escuchadas
Muestra los resultados

Ejecuta el flujo de procesamiento.

mvn compile exec:java -Dexec.mainClass=SongRank \
"-Dexec.args=--project=PROJECT_ID --bigtableProjectId=PROJECT_ID \
--bigtableInstanceId=BIGTABLE_INSTANCE_ID --bigtableTableId=song-rank \
--outputLocation=gs://BUCKET_NAME/ \
--runner=dataflow --region=BIGTABLE_REGION --experiments=use_runner_v2"

Sustituye BIGTABLE_REGION por el ID de la región en la que se encuentra tu instancia de Bigtable, como us-east5.

Información sobre el flujo de trabajo

Los siguientes fragmentos de código de la canalización pueden ayudarte a entender el código que estás ejecutando.

Leer el flujo de cambios

El código de este ejemplo configura el flujo de origen con los parámetros de la instancia y la tabla de Bigtable específicas.

p.apply(
        "Stream from Bigtable",
        BigtableIO.readChangeStream()
            .withProjectId(options.getBigtableProjectId())
            .withInstanceId(options.getBigtableInstanceId())
            .withTableId(options.getBigtableTableId())
            .withAppProfileId(options.getBigtableAppProfile())

    )

Obtener el nombre de la canción

Cuando se escucha una canción, el nombre de la canción se escribe en la familia de columnas cf y en el calificador de columna song, por lo que el código extrae el valor de la mutación del flujo de cambios y lo envía al siguiente paso de la canalización.

private static class ExtractSongName extends DoFn<KV<ByteString, ChangeStreamMutation>, String> {

  @DoFn.ProcessElement
  public void processElement(ProcessContext c) {

    for (Entry e : Objects.requireNonNull(Objects.requireNonNull(c.element()).getValue())
        .getEntries()) {
      if (e instanceof SetCell) {
        SetCell setCell = (SetCell) e;
        if ("cf".equals(setCell.getFamilyName())
            && "song".equals(setCell.getQualifier().toStringUtf8())) {
          c.output(setCell.getValue().toStringUtf8());
        }
      }
    }
  }
}

Contar las cinco canciones más escuchadas

Puedes usar las funciones integradas de Beam Count y Top.of para obtener las cinco canciones más populares de la ventana actual.

.apply(Count.perElement())
.apply("Top songs", Top.of(5, new SongComparator()).withoutDefaults())

Generar los resultados

Esta canalización escribe los resultados en la salida estándar, así como en archivos. En el caso de los archivos, las escrituras se agrupan en grupos de 10 elementos o en segmentos de un minuto.

.apply("Print", ParDo.of(new PrintFn()))
.apply(
    "Collect at least 10 elements or 1 minute of elements",
    Window.<String>into(new GlobalWindows())
        .triggering(
            Repeatedly.forever(
                AfterFirst.of(
                    AfterPane.elementCountAtLeast(10),
                    AfterProcessingTime
                        .pastFirstElementInPane()
                        .plusDelayOf(Duration.standardMinutes(1)
                        )
                )
            ))
        .discardingFiredPanes())
.apply(
    "Output top songs",
    TextIO.write()
        .to(options.getOutputLocation() + "song-charts/")
        .withSuffix(".txt")
        .withNumShards(1)
        .withWindowedWrites()
);

Ver el flujo de procesamiento

En la Google Cloud consola, ve a la página Dataflow.

Ir a Dataflow
Haz clic en el trabajo cuyo nombre empiece por song-rank.
En la parte inferior de la pantalla, haz clic en Mostrar para abrir el panel de registros.
Haz clic en Registros de trabajador para monitorizar los registros de salida del flujo de cambios.

Nota: El registro puede tardar unos minutos en aparecer mientras se inicializa el trabajo.

Operaciones de escritura de flujos

Usa la cbtCLI para escribir el número de escuchas de canciones de varios usuarios en la tabla song-rank. Está diseñada para escribir durante unos minutos y simular que se escuchan canciones en streaming a lo largo del tiempo.

cbt -instance=BIGTABLE_INSTANCE_ID -project=PROJECT_ID import \
song-rank song-rank-data.csv  column-family=cf batch-size=1

Ver el resultado

Lee el resultado en Cloud Storage para ver las canciones más populares.

gcloud storage cat gs://BUCKET_NAME/song-charts/GlobalWindow-pane-0-00000-of-00001.txt

Ejemplo:

2023-07-06T19:53:38.232Z [KV{The Wheels on the Bus, 199}, KV{Twinkle, Twinkle, Little Star, 199}, KV{Ode to Joy , 192}, KV{Row, Row, Row Your Boat, 186}, KV{Take Me Out to the Ball Game, 182}]
2023-07-06T19:53:49.536Z [KV{Old MacDonald Had a Farm, 20}, KV{Take Me Out to the Ball Game, 18}, KV{Für Elise, 17}, KV{Ode to Joy , 15}, KV{Mary Had a Little Lamb, 12}]
2023-07-06T19:53:50.425Z [KV{Twinkle, Twinkle, Little Star, 20}, KV{The Wheels on the Bus, 17}, KV{Row, Row, Row Your Boat, 13}, KV{Happy Birthday to You, 12}, KV{Over the Rainbow, 9}]