Exécuter un DAG d'analyse de données dans Google Cloud

Managed Airflow (3e génération) | Managed Airflow (2e génération) | Managed Airflow (1re génération, version héritée)

Ce tutoriel explique comment utiliser Managed Airflow pour créer un Apache Airflow DAG. Le DAG joint des données provenant d'un ensemble de données public BigQuery et d'un fichier CSV stocké dans un bucket Cloud Storage, puis exécute un 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 a été la température à Chicago le jour de Thanksgiving au cours des 25 dernières années ?"

Objectifs

  • Créer un environnement Managed Airflow avec la configuration par défaut
  • Créer un ensemble de données BigQuery vide
  • Créer un bucket Cloud Storage
  • Créer et exécuter un DAG comprenant les tâches suivantes :
    • Charger un ensemble de données externe de Cloud Storage vers BigQuery
    • Joindre deux ensembles de données dans BigQuery
    • Exécuter un job PySpark d'analyse de données

Avant de commencer

Activer les API

Activez les API suivantes :

Console

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

Rôles requis pour activer les API

Pour activer les API, vous devez disposer de l'autorisation serviceusage.services.enable. Si vous avez créé le projet, vous disposez probablement déjà de cette autorisation via le rôle Propriétaire (roles/owner). Sinon, vous pouvez l'obtenir via le rôle Administrateur d'utilisation du service (roles/serviceusage.serviceUsageAdmin). Découvrez comment attribuer des rôles.

Activer les API

gcloud

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

Rôles requis pour activer les API

Pour activer les API, vous devez disposer de l'autorisation serviceusage.services.enable. Si vous avez créé le projet, vous disposez probablement déjà de cette autorisation via le rôle Propriétaire (roles/owner). Sinon, vous pouvez l'obtenir via le rôle Administrateur d'utilisation du service (roles/serviceusage.serviceUsageAdmin). Découvrez comment attribuer des rôles. 

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

Octroyer des autorisations

Attribuez les rôles et autorisations suivants à votre compte utilisateur :

Créer et préparer votre environnement Managed Airflow

  1. Créez un environnement Managed Airflow avec les paramètres par défaut :

    • Choisissez une région basée aux États-Unis.
    • Choisissez la dernière version de Managed Airflow.

  2. Attribuez les rôles suivants au compte de service utilisé dans votre environnement Managed Airflow 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)

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

    • Nom : holiday_weather
    • Région : US

  2. Créez un bucket Cloud Storage dans la multirégion US.

  3. 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 Managed Airflow.

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

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

Explorer l'exemple de job PySpark

Le code ci-dessous est un exemple de job PySpark qui convertit la température de dixièmes de degré Celsius en degrés Celsius. Ce job 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 des fichiers de prise en charge dans Cloud Storage

Pour importer le fichier PySpark et l'ensemble de données stockés dans holidays.csv :

  1. Enregistrez data_analytics_process.py sur votre ordinateur local.

  2. Enregistrez holidays.csv sur votre ordinateur local.

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

    Accéder au navigateur Cloud Storage

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

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

DAG d'analyse de données

Explorer l'exemple de DAG

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

  • The 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.

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

  • Le 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.utils.task_group import TaskGroup

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

# 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}}"
PROCESSING_PYTHON_FILE = f"gs://{BUCKET_NAME}/data_analytics_process.py"

BATCH_ID = "data-processing-{{ ts_nodash | lower}}"  # Dataproc serverless only allows lowercase characters
BATCH_CONFIG = {
    "runtime_config": {"version": "1.1"},
    "pyspark_batch": {
        "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(
    "data_analytics_dag",
    # Continue to run DAG once per day
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    create_batch = dataproc.DataprocCreateBatchOperator(
        task_id="create_batch",
        project_id=PROJECT_NAME,
        region="{{ var.value.gce_region }}",
        batch=BATCH_CONFIG,
        batch_id=BATCH_ID,
    )
    # This data is static and it is safe to use WRITE_TRUNCATE
    # to reduce chance of 409 duplicate errors
    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):
            # BigQuery configs
            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",
            )

        load_external_dataset >> bq_join_group >> create_batch

Utiliser l'UI Airflow pour ajouter des variables

Dans Airflow, variables constituent 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 la console Managed Airflow.

  2. Accédez à Admin > Variables.

  3. Ajoutez les variables suivantes :

    • gcp_project : ID du projet.

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

    • gce_region : région dans laquelle vous souhaitez que votre job 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 Managed Airflow. Vous trouverez ce compte de service dans l'onglet de configuration de l'environnement de votre environnement Managed Airflow.

Importer le DAG dans le bucket de votre environnement

Managed Airflow planifie les DAG situés dans le dossier /dags du bucket de votre environnement. Pour importer le DAG à l'aide de la Google Cloud console :

  1. Sur votre ordinateur local, enregistrez data_analytics_dag.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 data_analytics_dag.py sur votre ordinateur local, puis cliquez sur Ouvrir.

Déclencher le DAG

  1. Dans votre environnement Managed Airflow, cliquez sur l'onglet DAG.

  2. Cliquez sur l'ID de DAG data_analytics_dag.

  3. Cliquez sur Déclencher le DAG.

  4. Attendez environ cinq à dix minutes jusqu'à ce qu'une coche verte indique 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 degré 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.

Approfondir vos connaissances avec Managed Service pour Apache Spark (facultatif)

Vous pouvez essayer une version avancée de ce DAG avec un flux de traitement des données PySpark plus complexe. Consultez l'extension Managed Service pour Apache Spark pour l'exemple d'analyse de données sur GitHub.

Nettoyage

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

Étape suivante