使用来自 Azure 的数据在 Google Cloud 中运行数据分析 DAG

Managed Airflow（第 3 代） | Managed Airflow（第 2 代） | Managed Airflow（旧版第 1 代）

本教程是对 在 Google Cloud中运行数据分析 DAG 的修改，介绍了如何将 Managed Airflow 环境连接到 Microsoft Azure 以利用存储在那里的数据。它展示了如何使用 Managed Airflow 创建一个 Apache Airflow DAG。该 DAG 将 BigQuery 公共数据集和存储在 Azure Blob Storage 中的 CSV 文件中的数据联接起来，然后运行 Managed Service for Apache Spark 批量作业来处理联接的数据。

本教程中的 BigQuery 公共数据集是 ghcn_d，这是一个全球气候摘要的集成数据库。CSV 文件包含 1997 年至 2021 年美国节假日的日期和名称信息 。

我们希望使用 DAG 回答的问题是：“过去 25 年来，芝加哥感恩节的天气有多暖和？”

目标

• 使用默认配置创建 Managed Airflow 环境
• 在 Azure 中创建 Blob
• 创建空的 BigQuery 数据集
• 创建新的 Cloud Storage 存储桶
• 创建和运行包含以下任务的 DAG：
  • 将外部数据集从 Azure Blob Storage 加载到 Cloud Storage
  • 将外部数据集从 Cloud Storage 加载到 BigQuery
  • 在 BigQuery 中联接两个数据集
  • 运行数据分析 PySpark 作业

准备工作

启用 API

启用以下 API：

控制台

启用 Managed Service for Apache Spark、Managed Airflow、BigQuery、Cloud Storage API。

启用 API 所需的角色

如需启用 API，您需要拥有 Service Usage Admin IAM 角色 (roles/serviceusage.serviceUsageAdmin)，该角色包含 serviceusage.services.enable 权限。了解如何授予 角色。

启用 API

gcloud

启用 Managed Service for Apache Spark、Managed Airflow、BigQuery、Cloud Storage API：

启用 API 所需的角色

如需启用 API，您需要拥有 Service Usage Admin IAM 角色 (roles/serviceusage.serviceUsageAdmin)，该角色包含 serviceusage.services.enable 权限。了解如何授予 角色。

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

授予权限

向您的用户账号授予以下角色和权限：

• 授予用于管理 Managed Airflow 环境和环境存储分区的角色。

• 授予 BigQuery Data Owner (roles/bigquery.dataOwner) 角色以 创建 BigQuery 数据集。

• 授予 Storage Admin (roles/storage.admin) 角色以 创建 Cloud Storage 存储桶。

创建和准备 Managed Airflow 环境

1. 使用默认 参数创建 Managed Airflow 环境：

   • 选择美国境内的区域。
   • 选择最新的 Managed Airflow 版本。
   注意 ：本教程的 BigQuery 部分必须在 US 多区域中运行。我们建议您为 Managed Airflow 环境选择美国境内的区域，以降低费用和缩短延迟时间，但如果您的 Managed Airflow 环境位于其他区域，本教程仍然可以运行。

2. 向 Managed Airflow 环境中使用的服务帐号授予以下角色，以便 Airflow 工作器成功运行 DAG 任务：

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

在 中创建和修改相关资源 Google Cloud

1. 在 Managed Airflow 环境中安装 apache-airflow-providers-microsoft-azure PyPI 软件包。

2. 创建空的 BigQuery 数据集 使用以下参数：

   • 名称: holiday_weather
   • 区域：US

3. 创建新的 Cloud Storage 存储桶 在 US 多区域中。

4. 运行以下命令，在您想要运行 Managed Service for Apache Spark 的区域的默认子网上 启用专用 Google 访问通道 ，以满足 网络要求。我们建议您使用与 Managed Airflow 环境相同的区域。

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

注意 ：空的 BigQuery 数据集必须位于美国境内的区域，以满足 同地托管要求 ，以便传输 BigQuery 公共数据集 ghcn_d。

在 Azure 中创建相关资源

1. 创建存储账号 使用默认设置。

2. 获取存储账号的 访问密钥和连接字符串。

3. 创建容器 在新创建的存储账号中使用默认选项。

4. 为上一步中创建的容器授予 Storage Blob Delegator 角色。

5. 上传 holidays.csv 以 创建块 Blob 在 Azure 门户中使用默认选项。

6. 创建 SAS 令牌 在 Azure 门户中为上一步中创建的块 Blob。

   • 签名方法：用户委托密钥
   • 权限：读取
   • 允许使用的 IP 地址：无
   • 允许的协议：仅限 HTTPS

注意： SAS 令牌是一种安全且 有据可查的访问 Azure 存储账号的方式。 不过，它们具有时效性，并且每个令牌都有失效日期。请相应地选择失效日期。

从 Managed Airflow 连接到 Azure

注意： 我们建议您将所有连接的凭据存储在 Secret Manager 中。如果您计划将本教程用于生产用途，请考虑为您的环境配置 Secret Manager。如需了解详情，请参阅 为您的环境配置 Secret Manager。

使用 Airflow 界面添加 Microsoft Azure 连接 ：

1. 前往管理员 > 连接。

2. 使用以下配置创建新连接：

   • 连接 ID： azure_blob_connection
   • 连接类型： Azure Blob Storage
   • Blob Storage 登录名： 您的存储账号名称
   • Blob Storage 密钥： 您的存储账号的访问密钥
   • Blob Storage 账号连接字符串： 您的存储账号连接字符串
   • SAS 令牌： 从 Blob 生成的 SAS 令牌

使用 Managed Service for Apache Spark 进行数据处理

探索示例 PySpark 作业

以下代码是一个示例 PySpark 作业，用于将温度从摄氏度十分之一转换为摄氏度。此作业将数据集中的温度数据转换为不同的格式。

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")

将 PySpark 文件上传到 Cloud Storage

如需将 PySpark 文件上传到 Cloud Storage，请执行以下操作：

1. 将 data_analytics_process.py 保存到本地机器。

2. 在 Google Cloud 控制台中，前往 Cloud Storage 浏览器 页面：

   前往 Cloud Storage 浏览器

3. 点击您之前创建的存储桶的名称。

4. 在存储桶的对象 标签页中，点击上传文件 按钮，在随即显示的对话框中选择 data_analytics_process.py，然后点击打开 。

数据分析 DAG

探索示例 DAG

该 DAG 使用多个运算符来转换和统一数据：

• The AzureBlobStorageToGCSOperator 将 holidays.csv 文件从您的 Azure 块 Blob 传输到 Cloud Storage 存储桶。

• GCSToBigQueryOperator 将 holidays.csv 文件从 Cloud Storage 注入到您之前创建的 BigQuery holidays_weather 数据集的新表中。

• The DataprocCreateBatchOperator 使用 Managed Service for Apache Spark 创建并运行 PySpark 批量作业。

• The BigQueryInsertJobOperator 将 holidays.csv 中 "Date" 列的数据与 BigQuery 公共数据集 ghcn_d 中的天气数据联接起来。BigQueryInsertJobOperator 任务是 使用 for 循环动态生成的，这些任务位于 TaskGroup 中，以便在 Airflow 界面的 Graph View 中获得更好的可读性。

重要提示 ：DataprocCreateBatchOperator 在 apache-airflow-providers-google 软件包版本 6.2.0 及更高版本中提供。从 Managed Airflow 版本 1.17.10 和 2.0.3 开始，您的环境中预安装了此软件包的必需版本。

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.microsoft.azure.transfers.azure_blob_to_gcs import (
    AzureBlobStorageToGCSOperator,
)
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"

# Azure configs
AZURE_BLOB_NAME = "{{var.value.azure_blob_name}}"
AZURE_CONTAINER_NAME = "{{var.value.azure_container_name}}"

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(
    "azure_to_gcs_dag",
    # Continue to run DAG once per day
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    azure_blob_to_gcs = AzureBlobStorageToGCSOperator(
        task_id="azure_blob_to_gcs",
        # Azure args
        blob_name=AZURE_BLOB_NAME,
        container_name=AZURE_CONTAINER_NAME,
        wasb_conn_id="azure_blob_connection",
        filename=f"https://console.cloud.google.com/storage/browser/{BUCKET_NAME}/",
        # GCP args
        gcp_conn_id="google_cloud_default",
        object_name="holidays.csv",
        bucket_name=BUCKET_NAME,
        gzip=False,
        impersonation_chain=None,
    )

    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",
            )

        azure_blob_to_gcs >> load_external_dataset >> bq_join_group >> create_batch

使用 Airflow 界面添加变量

在 Airflow 中， 变量 是一种通用方式，用于将任意设置或 配置存储为简单的键值存储并从中检索。此 DAG 使用 Airflow 变量来存储常见值。如需将它们添加到您的环境，请执行以下操作：

1. 从 Managed Airflow 控制台访问 Airflow 界面。

2. 前往管理员 > 变量。

3. 添加以下变量：

   • gcp_project：您的项目 ID。

   • gcs_bucket：您之前创建的存储桶的名称（不带 gs:// 前缀）。

   • gce_region：您希望 Managed Service for Apache Spark 作业所在的区域，该作业满足 Managed Service for Apache Spark 网络要求。 这是您之前启用专用 Google 访问通道的区域。

   • dataproc_service_account：Managed Airflow 环境的服务帐号。您可以在 Managed Airflow 环境的环境配置标签页上找到此服务账号。

   • azure_blob_name：您之前创建的 Blob 的名称。

   • azure_container_name：您之前创建的容器的名称。

将 DAG 上传到环境的存储桶

Managed Airflow 会安排位于环境存储桶的 /dags 文件夹中的 DAG。如需使用 Google Cloud 控制台上传 DAG，请执行以下操作：

1. 在本地机器上，保存 azureblobstoretogcsoperator_tutorial.py。

2. 在 Google Cloud 控制台中，前往环境 页面。

   前往“环境”

3. 在环境列表中，点击 DAG 文件夹 列中的 DAG 链接。系统会打开您环境的 DAG 文件夹。

4. 点击上传文件 。

5. 在本地机器上选择 azureblobstoretogcsoperator_tutorial.py，然后点击打开 。

触发 DAG

1. 在 Managed Airflow 环境中，点击 DAG 标签页。

2. 点击 DAG ID azure_blob_to_gcs_dag。

3. 点击触发 DAG 。

4. 等待大约 5 到 10 分钟，直到看到绿色对勾，表示任务已成功完成。

验证 DAG 是否成功

1. 在 Google Cloud 控制台中，前往 BigQuery 页面。

   转到 BigQuery

2. 在Explorer 面板中，点击您的项目名称。

3. 点击 holidays_weather_joined。

4. 点击“预览”以查看结果表。请注意，值列中的数字以摄氏度十分之一为单位。

5. 点击 holidays_weather_normalized。

6. 点击“预览”以查看结果表。请注意，值列中的数字以摄氏度为单位。

清理

删除您为本教程创建的各个资源：

• 删除您在 Azure 中创建的容器。

• 删除 Cloud Storage 存储桶，该存储分区是您 为本教程创建的。

• 删除 BigQuery 数据集。

• 删除 Managed Airflow 环境，包括 手动删除环境的存储桶。

后续步骤

• 在 Google Cloud中运行数据分析 DAG。
• 在 AWS 中运行数据分析 DAG。