Esegui un DAG di Data Analytics in Google Cloud utilizzando i dati di AWS

Managed Airflow (Gen 3) | Managed Airflow (Gen 2) | Managed Airflow (Legacy Gen 1)

Questo tutorial è una modifica di Esegui un DAG di analisi dei dati in Google Cloud che mostra come connettere l'ambiente Managed Airflow ad Amazon Web Services per utilizzare i dati archiviati. Mostra come utilizzare Managed Airflow per creare un DAG Apache Airflow. Il DAG unisce i dati di un set di dati pubblico BigQuery e di un file CSV archiviato in un bucket Amazon Web Services (AWS) S3 e poi esegue un job batch Managed Service for Apache Spark per elaborare i dati uniti.

Il set di dati pubblico BigQuery in questo tutorial è ghcn_d, un database integrato di riepiloghi climatici in tutto il mondo. Il file CSV contiene informazioni sulle date e sui nomi delle festività statunitensi dal 1997 al 2021.

La domanda a cui vogliamo rispondere utilizzando il DAG è: "Che temperatura c'era a Chicago il giorno del Ringraziamento negli ultimi 25 anni?"

Obiettivi

  • Crea un ambiente Managed Airflow nella configurazione predefinita
  • Crea un bucket in AWS S3
  • crea un set di dati BigQuery vuoto
  • Crea un nuovo bucket Cloud Storage
  • Crea ed esegui un DAG che includa le seguenti attività:
    • Caricare un set di dati esterno da S3 a Cloud Storage
    • Carica un set di dati esterno da Cloud Storage a BigQuery
    • Unire due set di dati in BigQuery
    • Esegui un job PySpark di analisi dei dati

Prima di iniziare

Gestire le autorizzazioni in AWS

  1. Crea un account AWS.

  2. Segui la sezione "Creazione di policy con l'editor visivo" del tutorial AWS sulla creazione di policy IAM per creare una policy IAM personalizzata per AWS S3 con la seguente configurazione:

    • Servizio: S3
    • ListAllMyBuckets (s3:ListAllMyBuckets), per visualizzare il bucket S3
    • CreateBucket (s3:CreateBucket), per creare un bucket
    • PutBucketOwnershipControls (s3:PutBucketOwnershipControls), per la creazione di un bucket
    • ListBucket (s3:ListBucket), per concedere l'autorizzazione a elencare gli oggetti in un bucket S3
    • PutObject (s3:PutObject), per caricare file in un bucket
    • GetBucketVersioning (s3:GetBucketVersioning), per eliminare un oggetto in un bucket
    • DeleteObject (s3:DeleteObject), per eliminare un oggetto in un bucket
    • ListBucketVersions (s3:ListBucketVersions), per eliminare un bucket
    • DeleteBucket (s3:DeleteBucket), per eliminare un bucket
    • Risorse:scegli "Qualsiasi" accanto a "bucket" e "oggetto" per concedere autorizzazioni a qualsiasi risorsa di quel tipo.
    • Tag: nessuno
    • Nome:TutorialPolicy

    Per saperne di più su ogni configurazione, consulta l'elenco delle azioni supportate in Amazon S3.

  3. Aggiungi la policy IAM TutorialPolicy alla tua identità.

Abilita API

Abilita le seguenti API:

Console

Abilita le API Managed Service for Apache Spark, Managed Airflow, BigQuery e Cloud Storage.

Ruoli richiesti per abilitare le API

Per abilitare le API, devi disporre del ruolo IAM Amministratore utilizzo dei servizi (roles/serviceusage.serviceUsageAdmin), che include l'autorizzazione serviceusage.services.enable. Scopri come concedere i ruoli.

Abilita le API

gcloud

Abilita le API Managed Service for Apache Spark, Managed Airflow, BigQuery e Cloud Storage:

Ruoli richiesti per abilitare le API

Per abilitare le API, devi disporre del ruolo IAM Amministratore utilizzo dei servizi (roles/serviceusage.serviceUsageAdmin), che include l'autorizzazione serviceusage.services.enable. Scopri come concedere i ruoli. 

gcloud services enable dataproc.googleapis.com  composer.googleapis.com  bigquery.googleapis.com  storage.googleapis.com

Concedi le autorizzazioni

Concedi i seguenti ruoli e autorizzazioni al tuo account utente:

Crea e prepara l'ambiente Managed Airflow

  1. Crea un ambiente Managed Airflow con parametri predefiniti:

  2. Concedi i seguenti ruoli al account di servizio utilizzato nel tuo ambiente Managed Airflow affinché i worker Airflow eseguano correttamente le attività DAG:

    • Utente BigQuery (roles/bigquery.user)
    • Proprietario dati BigQuery (roles/bigquery.dataOwner)
    • Service Account User (roles/iam.serviceAccountUser)
    • Editor Dataproc (roles/dataproc.editor)
    • Dataproc Worker (roles/dataproc.worker)

Creare e modificare le risorse correlate in Google Cloud

  1. Installa il apache-airflow-providers-amazon pacchetto PyPI nel tuo ambiente Managed Airflow.

  2. Crea un set di dati BigQuery vuoto con i seguenti parametri:

    • Nome: holiday_weather
    • Regione: US

  3. Crea un nuovo bucket Cloud Storage nella multiregione US.

  4. Esegui questo comando per abilitare l'accesso privato Google nella subnet predefinita della regione in cui vuoi eseguire Managed Service for Apache Spark per soddisfare i requisiti di rete. Ti consigliamo di utilizzare la stessa regione del tuo ambiente Managed Airflow.

    gcloud compute networks subnets update default \
    --region DATAPROC_SERVERLESS_REGION \
    --enable-private-ip-google-access

Crea risorse correlate in AWS

Crea un bucket S3 con le impostazioni predefinite nella tua regione preferita.

Connettiti ad AWS da Managed Airflow

  1. Recuperare l'ID chiave di accesso e la chiave di accesso segreta di AWS

  2. Aggiungi la tua connessione AWS S3 utilizzando la UI di Airflow:

    1. Vai ad Amministrazione > Connessioni.

    2. Crea una nuova connessione con la seguente configurazione:

      • ID connessione: aws_s3_connection
      • Tipo di connessione: Amazon S3
      • Extra (o JSON dei campi extra): {"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}

Elaborazione dei dati utilizzando Managed Service for Apache Spark

Questa sezione descrive l'elaborazione dei dati con Managed Service for Apache Spark.

Esplora il job PySpark di esempio

Il codice mostrato di seguito è un esempio di job PySpark che converte la temperatura da decimi di grado Celsius a gradi Celsius. Questo job converte i dati di temperatura del set di dati in un formato diverso.

import sys


from py4j.protocol import Py4JJavaError
from pyspark.sql import SparkSession
from pyspark.sql.functions import col


if __name__ == "__main__":
    BUCKET_NAME = sys.argv[1]
    READ_TABLE = sys.argv[2]
    WRITE_TABLE = sys.argv[3]

    # Create a SparkSession, viewable via the Spark UI
    spark = SparkSession.builder.appName("data_processing").getOrCreate()

    # Load data into dataframe if READ_TABLE exists
    try:
        df = spark.read.format("bigquery").load(READ_TABLE)
    except Py4JJavaError as e:
        raise Exception(f"Error reading {READ_TABLE}") from e

    # Convert temperature from tenths of a degree in celsius to degrees celsius
    df = df.withColumn("value", col("value") / 10)
    # Display sample of rows
    df.show(n=20)

    # Write results to GCS
    if "--dry-run" in sys.argv:
        print("Data will not be uploaded to BigQuery")
    else:
        # Set GCS temp location
        temp_path = BUCKET_NAME

        # Saving the data to BigQuery using the "indirect path" method and the spark-bigquery connector
        # Uses the "overwrite" SaveMode to ensure DAG doesn't fail when being re-run
        # See https://spark.apache.org/docs/latest/sql-data-sources-load-save-functions.html#save-modes
        # for other save mode options
        df.write.format("bigquery").option("temporaryGcsBucket", temp_path).mode(
            "overwrite"
        ).save(WRITE_TABLE)
        print("Data written to BigQuery")

Carica il file PySpark su Cloud Storage

Per caricare il file PySpark su Cloud Storage:

  1. Salva data_analytics_process.py sulla tua macchina locale.

  2. Nella console Google Cloud , vai alla pagina Browser Cloud Storage:

    Vai al browser Cloud Storage

  3. Fai clic sul nome del bucket che hai creato in precedenza.

  4. Nella scheda Oggetti del bucket, fai clic sul pulsante Carica i file, seleziona data_analytics_process.py nella finestra di dialogo che viene visualizzata e fai clic su Apri.

Carica il file CSV su AWS S3

Per caricare il file holidays.csv:

  1. Salva holidays.csv sulla tua macchina locale.
  2. Segui la guida di AWS per caricare il file nel tuo bucket.

DAG di analisi dei dati

Questa sezione descrive la configurazione e l'utilizzo del DAG di analisi dei dati.

Esplora il DAG di esempio

Il DAG utilizza più operatori per trasformare e unificare i dati:

  • Il S3ToGCSOperator trasferisce il file holidays.csv dal bucket AWS S3 al bucket Cloud Storage.

  • GCSToBigQueryOperator importa il file holidays.csv da Cloud Storage in una nuova tabella nel set di dati BigQuery holidays_weather che hai creato in precedenza.

  • DataprocCreateBatchOperator crea ed esegue un job batch PySpark utilizzando Managed Service for Apache Spark.

  • BigQueryInsertJobOperator unisce i dati di holidays.csv nella colonna "Date" con i dati meteo del set di dati pubblico BigQuery ghcn_d. Le attività BigQueryInsertJobOperator vengono generate dinamicamente utilizzando un ciclo for e si trovano in un TaskGroup per una migliore leggibilità nella visualizzazione Grafico dell'interfaccia utente di Airflow.

import datetime

from airflow import models
from airflow.providers.google.cloud.operators import dataproc
from airflow.providers.google.cloud.operators.bigquery import BigQueryInsertJobOperator
from airflow.providers.google.cloud.transfers.gcs_to_bigquery import (
    GCSToBigQueryOperator,
)
from airflow.providers.google.cloud.transfers.s3_to_gcs import S3ToGCSOperator
from airflow.utils.task_group import TaskGroup

PROJECT_NAME = "{{var.value.gcp_project}}"
REGION = "{{var.value.gce_region}}"

# BigQuery configs
BQ_DESTINATION_DATASET_NAME = "holiday_weather"
BQ_DESTINATION_TABLE_NAME = "holidays_weather_joined"
BQ_NORMALIZED_TABLE_NAME = "holidays_weather_normalized"

# Dataproc configs
BUCKET_NAME = "{{var.value.gcs_bucket}}"
PYSPARK_JAR = "gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar"
PROCESSING_PYTHON_FILE = f"gs://{BUCKET_NAME}/data_analytics_process.py"

# S3 configs
S3_BUCKET_NAME = "{{var.value.s3_bucket}}"

BATCH_ID = "data-processing-{{ ts_nodash | lower}}"  # Dataproc serverless only allows lowercase characters
BATCH_CONFIG = {
    "pyspark_batch": {
        "jar_file_uris": [PYSPARK_JAR],
        "main_python_file_uri": PROCESSING_PYTHON_FILE,
        "args": [
            BUCKET_NAME,
            f"{BQ_DESTINATION_DATASET_NAME}.{BQ_DESTINATION_TABLE_NAME}",
            f"{BQ_DESTINATION_DATASET_NAME}.{BQ_NORMALIZED_TABLE_NAME}",
        ],
    },
    "environment_config": {
        "execution_config": {
            "service_account": "{{var.value.dataproc_service_account}}"
        }
    },
}

yesterday = datetime.datetime.combine(
    datetime.datetime.today() - datetime.timedelta(1), datetime.datetime.min.time()
)

default_dag_args = {
    # Setting start date as yesterday starts the DAG immediately when it is
    # detected in the Cloud Storage bucket.
    "start_date": yesterday,
    # To email on failure or retry set 'email' arg to your email and enable
    # emailing here.
    "email_on_failure": False,
    "email_on_retry": False,
}

with models.DAG(
    "s3_to_gcs_dag",
    # Continue to run DAG once per day
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    s3_to_gcs_op = S3ToGCSOperator(
        task_id="s3_to_gcs",
        bucket=S3_BUCKET_NAME,
        gcp_conn_id="google_cloud_default",
        aws_conn_id="aws_s3_connection",
        dest_gcs=f"gs://{BUCKET_NAME}",
    )

    create_batch = dataproc.DataprocCreateBatchOperator(
        task_id="create_batch",
        project_id=PROJECT_NAME,
        region=REGION,
        batch=BATCH_CONFIG,
        batch_id=BATCH_ID,
    )

    load_external_dataset = GCSToBigQueryOperator(
        task_id="run_bq_external_ingestion",
        bucket=BUCKET_NAME,
        source_objects=["holidays.csv"],
        destination_project_dataset_table=f"{BQ_DESTINATION_DATASET_NAME}.holidays",
        source_format="CSV",
        schema_fields=[
            {"name": "Date", "type": "DATE"},
            {"name": "Holiday", "type": "STRING"},
        ],
        skip_leading_rows=1,
        write_disposition="WRITE_TRUNCATE",
    )

    with TaskGroup("join_bq_datasets") as bq_join_group:
        for year in range(1997, 2022):
            BQ_DATASET_NAME = f"bigquery-public-data.ghcn_d.ghcnd_{str(year)}"
            BQ_DESTINATION_TABLE_NAME = "holidays_weather_joined"
            # Specifically query a Chicago weather station
            WEATHER_HOLIDAYS_JOIN_QUERY = f"""
            SELECT Holidays.Date, Holiday, id, element, value
            FROM `{PROJECT_NAME}.holiday_weather.holidays` AS Holidays
            JOIN (SELECT id, date, element, value FROM {BQ_DATASET_NAME} AS Table
            WHERE Table.element="TMAX" AND Table.id="USW00094846") AS Weather
            ON Holidays.Date = Weather.Date;
            """

            # For demo purposes we are using WRITE_APPEND
            # but if you run the DAG repeatedly it will continue to append
            # Your use case may be different, see the Job docs
            # https://cloud.google.com/bigquery/docs/reference/rest/v2/Job
            # for alternative values for the writeDisposition
            # or consider using partitioned tables
            # https://cloud.google.com/bigquery/docs/partitioned-tables
            bq_join_holidays_weather_data = BigQueryInsertJobOperator(
                task_id=f"bq_join_holidays_weather_data_{str(year)}",
                configuration={
                    "query": {
                        "query": WEATHER_HOLIDAYS_JOIN_QUERY,
                        "useLegacySql": False,
                        "destinationTable": {
                            "projectId": PROJECT_NAME,
                            "datasetId": BQ_DESTINATION_DATASET_NAME,
                            "tableId": BQ_DESTINATION_TABLE_NAME,
                        },
                        "writeDisposition": "WRITE_APPEND",
                    }
                },
                location="US",
            )

        s3_to_gcs_op >> load_external_dataset >> bq_join_group >> create_batch

Utilizzare la UI di Airflow per aggiungere variabili

In Airflow, le variabili sono un modo universale per archiviare e recuperare impostazioni o configurazioni arbitrarie come un semplice archivio chiave-valore. Questo DAG utilizza le variabili Airflow per archiviare i valori comuni. Per aggiungerli al tuo ambiente:

  1. Accedi all'interfaccia utente di Airflow dalla consoleGoogle Cloud .

  2. Vai ad Amministrazione > Variabili.

  3. Aggiungi le seguenti variabili:

    • s3_bucket: il nome del bucket S3 che hai creato in precedenza.

    • gcp_project: il tuo ID progetto.

    • gcs_bucket: il nome del bucket creato in precedenza (senza il prefisso gs://).

    • gce_region: la regione in cui vuoi che il job Managed Service for Apache Spark soddisfi i requisiti di rete di Managed Service for Apache Spark. Questa è la regione in cui hai abilitato l'accesso privato Google in precedenza.

    • dataproc_service_account: il account di servizio per il tuo ambiente Managed Airflow. Puoi trovare questo service account nella scheda di configurazione dell'ambiente per il tuo ambiente Managed Airflow.

Carica il DAG nel bucket del tuo ambiente

Managed Airflow pianifica i DAG che si trovano nella cartella /dags del bucket del tuo ambiente. Per caricare il DAG utilizzando la consoleGoogle Cloud :

  1. Sulla tua macchina locale, salva s3togcsoperator_tutorial.py.

  2. Nella console Google Cloud , vai alla pagina Ambienti.

    Vai ad Ambienti

  3. Nell'elenco degli ambienti, nella colonna Cartella DAG, fai clic sul link DAG. Si apre la cartella DAG del tuo ambiente.

  4. Fai clic su Carica file.

  5. Seleziona s3togcsoperator_tutorial.py sulla macchina locale e fai clic su Apri.

Attiva il DAG

  1. Nell'ambiente Managed Airflow, fai clic sulla scheda DAG.

  2. Fai clic sull'ID DAG s3_to_gcs_dag.

  3. Fai clic su Attiva DAG.

  4. Attendi circa 5-10 minuti finché non viene visualizzato un segno di spunta verde che indica che le attività sono state completate correttamente.

Convalida l'esito positivo del DAG

  1. Nella console Google Cloud , vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nel riquadro Explorer, fai clic sul nome del progetto.

  3. Fai clic su holidays_weather_joined.

  4. Fai clic su Anteprima per visualizzare la tabella risultante. Tieni presente che i numeri nella colonna dei valori sono in decimi di grado Celsius.

  5. Fai clic su holidays_weather_normalized.

  6. Fai clic su Anteprima per visualizzare la tabella risultante. Tieni presente che i numeri nella colonna dei valori sono in gradi Celsius.

Esegui la pulizia

Elimina le singole risorse che hai creato per questo tutorial:

Passaggi successivi