Exécuter un DAG d'analyse de données dans Google Cloud à l'aide de données AWS

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

Ce tutoriel est une modification de Exécuter un DAG d'analyse de données dans Google Cloud qui explique comment connecter votre environnement Cloud Composer à Amazon Web Services pour utiliser les données qui y sont stockées. Il explique comment utiliser Cloud Composer pour créer un DAG Apache Airflow. Le DAG joint les données d'un ensemble de données public BigQuery et d'un fichier CSV stocké dans un bucket Amazon Web Services (AWS) S3, puis exécute une job par lot Managed Service pour Apache Spark afin de traiter les données jointes.

L'ensemble de données public BigQuery de ce tutoriel est ghcn_d, une base de données intégrée de résumés climatiques dans le monde entier. Le fichier CSV contient des informations sur les dates et les noms des jours fériés aux États-Unis de 1997 à 2021.

La question à laquelle nous voulons répondre à l'aide du DAG est la suivante : "Quelle était la température à Chicago le jour de Thanksgiving au cours des 25 dernières années ?"

Objectifs

  • Créer un environnement Cloud Composer avec la configuration par défaut
  • Créer un bucket dans AWS S3
  • Créer un ensemble de données BigQuery vide
  • Créer un bucket Cloud Storage
  • Créer et exécuter un DAG qui inclut les tâches suivantes :
    • Charger un ensemble de données externe depuis S3 vers Cloud Storage
    • Charger un ensemble de données externe depuis Cloud Storage vers BigQuery
    • Joindre deux ensembles de données dans BigQuery
    • Exécuter une tâche PySpark d'analyse de données

Avant de commencer

Gérer les autorisations dans AWS

  1. Créez un compte AWS.

  2. Suivez la section "Créer des stratégies avec l'éditeur visuel" du tutoriel AWS Créer des stratégies IAM pour créer une stratégie IAM personnalisée pour AWS S3 avec la configuration suivante :

    • Service : S3
    • ListAllMyBuckets (s3:ListAllMyBuckets) : pour afficher votre bucket S3
    • CreateBucket (s3:CreateBucket) : pour créer un bucket
    • PutBucketOwnershipControls (s3:PutBucketOwnershipControls) : pour créer un bucket
    • ListBucket (s3:ListBucket) : pour accorder l'autorisation de lister les objets dans un bucket S3
    • PutObject (s3:PutObject) : pour importer des fichiers dans un bucket
    • GetBucketVersioning (s3:GetBucketVersioning) : pour supprimer un objet dans un bucket
    • DeleteObject (s3:DeleteObject) : pour supprimer un objet dans un bucket
    • ListBucketVersions (s3:ListBucketVersions) : pour supprimer un bucket
    • DeleteBucket (s3:DeleteBucket) : pour supprimer un bucket
    • Ressources : choisissez "Tout" à côté de "bucket" et "objet" pour accorder des autorisations à toutes les ressources de ce type.
    • Balise : aucune
    • Nom : TutorialPolicy

    Pour en savoir plus sur chaque configuration, consultez la liste des actions compatibles dans Amazon S3.

  3. Ajoutez la stratégie IAM TutorialPolicy à votre identité.

Activer les API

Activez les API suivantes :

Console

Activez les API Managed Service pour Apache Spark, Cloud Composer, BigQuery et Cloud Storage.

Rôles requis pour activer les API

Pour activer les API, vous avez besoin du rôle IAM Administrateur d'utilisation du service (roles/serviceusage.serviceUsageAdmin), qui contient l'autorisation serviceusage.services.enable. Découvrez comment attribuer des rôles.

Activer les API

gcloud

Activez les API Managed Service pour Apache Spark, Cloud Composer, BigQuery et Cloud Storage :

Rôles requis pour activer les API

Pour activer les API, vous avez besoin du rôle IAM Administrateur d'utilisation du service (roles/serviceusage.serviceUsageAdmin), qui contient l' serviceusage.services.enable autorisation. Découvrez comment attribuer des rôles. 

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

Accorder des autorisations

Accordez les rôles et autorisations suivants à votre compte utilisateur :

Créer et préparer votre environnement Cloud Composer

  1. Créez un environnement Cloud Composer avec les paramètres par défaut :

    • Choisissez une région basée aux États-Unis.
    • Choisissez la dernière version de Cloud Composer.

  2. Attribuez les rôles suivants au compte de service utilisé dans votre environnement Cloud Composer afin que les nœuds de calcul Airflow puissent exécuter correctement les tâches DAG :

    • Utilisateur BigQuery (roles/bigquery.user)
    • Propriétaire de données BigQuery (roles/bigquery.dataOwner)
    • Utilisateur du compte de service (roles/iam.serviceAccountUser)
    • Éditeur Dataproc (roles/dataproc.editor)
    • Nœud de calcul Dataproc (roles/dataproc.worker)

Créer et modifier des ressources associées dans Google Cloud

  1. Installez le apache-airflow-providers-amazon package PyPI dans votre environnement Cloud Composer.

  2. Créez un ensemble de données BigQuery vide avec les paramètres suivants :

    • Nom : holiday_weather
    • Région : US

  3. Créez un bucket Cloud Storage dans la zone multirégionale US.

  4. Exécutez la commande suivante pour activer l'accès privé à Google sur le sous-réseau par défaut dans la région où vous souhaitez exécuter Managed Service pour Apache Spark afin de répondre aux exigences réseau. Nous vous recommandons d'utiliser la même région que votre environnement Cloud Composer.

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

Créer des ressources associées dans AWS

Créez un bucket S3 avec les paramètres par défaut dans la région de votre choix.

Se connecter à AWS depuis Cloud Composer

  1. Obtenez votre ID de clé d'accès AWS et votre clé d'accès secrète.

  2. Ajoutez votre connexion AWS S3 connection à l'aide de l'UI Airflow :

    1. Accédez à Admin > Connexions.

    2. Créez une connexion avec la configuration suivante :

      • ID de connexion : aws_s3_connection
      • Type de connexion : Amazon S3
      • Extras (ou champs supplémentaires JSON) : {"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}

Traitement des données à l'aide de Managed Service pour Apache Spark

Cette section décrit le traitement des données avec Managed Service pour Apache Spark.

Explorer l'exemple de tâche PySpark

Le code ci-dessous est un exemple de tâche PySpark qui convertit la température de dixièmes de degrés Celsius en degrés Celsius. Cette tâche convertit les données de température de l'ensemble de données dans un format différent.

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")

Importer le fichier PySpark dans Cloud Storage

Pour importer le fichier PySpark dans Cloud Storage :

  1. Enregistrez data_analytics_process.py sur votre ordinateur local.

  2. Dans la Google Cloud console, accédez à la page du Navigateur Cloud Storage :

    Accéder au navigateur Cloud Storage

  3. Cliquez sur le nom du bucket que vous avez créé précédemment.

  4. Dans l'onglet Objets du bucket, cliquez sur le bouton Importer des fichiers , sélectionnez data_analytics_process.py dans la boîte de dialogue qui s'affiche, puis cliquez sur Ouvrir.

Importer le fichier CSV dans AWS S3

Pour importer le fichier holidays.csv :

  1. Enregistrez holidays.csv sur votre ordinateur local.
  2. Suivez le guide AWS pour importer le fichier dans votre bucket.

DAG d'analyse de données

Cette section explique comment configurer et utiliser le DAG d'analyse de données.

Explorer l'exemple de DAG

Le DAG utilise plusieurs opérateurs pour transformer et unifier les données :

  • Le S3ToGCSOperator transfère le fichier holidays.csv de votre bucket AWS S3 vers votre bucket Cloud Storage.

  • Le GCSToBigQueryOperator ingère le fichier holidays.csv de Cloud Storage dans une nouvelle table de l'ensemble de données BigQuery holidays_weather que vous avez créé précédemment.

  • Le DataprocCreateBatchOperator crée et exécute une job par lot PySpark à l'aide de Managed Service pour Apache Spark.

  • The BigQueryInsertJobOperator joint les données de holidays.csv dans la colonne "Date" aux données météorologiques de l'ensemble de données public BigQuery ghcn_d. Les tâches BigQueryInsertJobOperator sont générées de manière dynamique à l'aide d'une boucle for, et ces tâches se trouvent dans un TaskGroup pour une meilleure lisibilité dans la vue Graphique de l'UI 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

Utiliser l'UI Airflow pour ajouter des variables

Dans Airflow, les variables sont un moyen universel de stocker et de récupérer des paramètres ou des configurations arbitraires sous la forme d'un simple magasin de valeurs clés. Ce DAG utilise des variables Airflow pour stocker des valeurs communes. Pour les ajouter à votre environnement :

  1. Accédez à l'UI Airflow depuis Google Cloud la console.

  2. Accédez à Admin > Variables.

  3. Ajoutez les variables suivantes :

    • s3_bucket : nom du bucket S3 que vous avez créé précédemment.

    • gcp_project : ID de votre projet.

    • gcs_bucket: nom du bucket que vous avez créé précédemment (sans le préfixe gs://).

    • gce_region : région dans laquelle vous souhaitez que votre tâche Managed Service pour Apache Spark réponde aux exigences réseau de Managed Service pour Apache Spark . Il s'agit de la région dans laquelle vous avez activé l'accès privé à Google précédemment.

    • dataproc_service_account: compte de service de votre environnement Cloud Composer. Vous trouverez ce compte de service dans l'onglet de configuration de l'environnement de votre environnement Cloud Composer.

Importer le DAG dans le bucket de votre environnement

Cloud Composer planifie les DAG qui se trouvent dans le dossier /dags du bucket de votre environnement. Pour importer le DAG à l'aide de la Google Cloud console :

  1. Sur votre machine locale, enregistrez s3togcsoperator_tutorial.py.

  2. Dans la Google Cloud console, accédez à la page Environnements.

    Accéder à la page Environnements

  3. Dans la liste des environnements, dans la colonne Dossier DAG , cliquez sur le lien DAG. Le dossier DAG de votre environnement s'ouvre.

  4. Cliquez sur Importer des fichiers.

  5. Sélectionnez s3togcsoperator_tutorial.py sur votre machine locale, puis cliquez sur Ouvrir.

Déclencher le DAG

  1. Dans votre environnement Cloud Composer, cliquez sur l'onglet DAG.

  2. Cliquez sur l'ID de DAG s3_to_gcs_dag.

  3. Cliquez sur Déclencher le DAG.

  4. Attendez environ cinq à dix minutes jusqu'à ce qu'une coche verte s'affiche, indiquant que les tâches ont été effectuées correctement.

Valider la réussite du DAG

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à BigQuery

  2. Dans le panneau Explorateur, cliquez sur le nom de votre projet.

  3. Cliquez sur holidays_weather_joined.

  4. Cliquez sur "Aperçu" pour afficher la table résultante. Notez que les nombres de la colonne de valeurs sont exprimés en dixièmes de degrés Celsius.

  5. Cliquez sur holidays_weather_normalized.

  6. Cliquez sur "Aperçu" pour afficher la table résultante. Notez que les nombres de la colonne de valeurs sont exprimés en degrés Celsius.

Nettoyage

Supprimez les ressources individuelles que vous avez créées pour ce tutoriel :

Étape suivante