Menjalankan DAG analisis data di Google Cloud

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

Tutorial ini menunjukkan cara menggunakan Managed Airflow untuk membuat sebuah Apache Airflow DAG. DAG ini menggabungkan data dari set data publik BigQuery dan file CSV yang disimpan dalam bucket Cloud Storage, lalu menjalankan tugas batch Managed Service untuk Apache Spark untuk memproses data gabungan.

Set data publik BigQuery dalam tutorial ini adalah ghcn_d, database terintegrasi ringkasan iklim di seluruh dunia. File CSV berisi informasi tentang tanggal dan nama hari libur Amerika Serikat dari tahun 1997 hingga 2021.

Pertanyaan yang ingin kami jawab menggunakan DAG adalah: "Seberapa hangat suhu di Chicago pada hari Thanksgiving selama 25 tahun terakhir?"

Tujuan

  • Membuat lingkungan Managed Airflow dalam konfigurasi default
  • Membuat set data BigQuery kosong
  • Membuat bucket Cloud Storage baru
  • Membuat dan menjalankan DAG yang mencakup tugas berikut:
    • Memuat set data eksternal dari Cloud Storage ke BigQuery
    • Menggabungkan dua set data di BigQuery
    • Menjalankan tugas PySpark analisis data

Sebelum memulai

Mengaktifkan API

Aktifkan API berikut:

Konsol

Aktifkan Managed Service untuk Apache Spark, Managed Airflow, BigQuery, Cloud Storage API.

Peran yang diperlukan untuk mengaktifkan API

Untuk mengaktifkan API, Anda memerlukan peran IAM Service Usage Admin (roles/serviceusage.serviceUsageAdmin), yang berisi izin serviceusage.services.enable. Pelajari cara memberikan peran.

Aktifkan API

gcloud

Aktifkan Managed Service untuk Apache Spark, Managed Airflow, BigQuery, Cloud Storage API:

Peran yang diperlukan untuk mengaktifkan API

Untuk mengaktifkan API, Anda memerlukan peran IAM Service Usage Admin (roles/serviceusage.serviceUsageAdmin), yang berisi izin serviceusage.services.enable. Pelajari cara memberikan peran. 

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

Memberikan izin

Berikan peran dan izin berikut ke akun pengguna Anda:

Membuat dan menyiapkan lingkungan Managed Airflow

  1. Buat lingkungan Managed Airflow dengan parameter default:

    • Pilih region berbasis Amerika Serikat.
    • Pilih versi Managed Airflow terbaru.

  2. Berikan peran berikut ke akun layanan yang digunakan di lingkungan Managed Airflow Anda agar worker Airflow dapat menjalankan tugas DAG dengan berhasil:

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

  1. Buat set data BigQuery kosong dengan parameter berikut:

    • Nama: holiday_weather
    • Region: US

  2. Buat bucket Cloud Storage baru di multiregion US.

  3. Jalankan perintah berikut untuk mengaktifkan akses Google pribadi di subnet default di region tempat Anda ingin menjalankan Managed Service untuk Apache Spark guna memenuhi persyaratan jaringan. Sebaiknya gunakan region yang sama dengan lingkungan Managed Airflow Anda.

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

Pemrosesan data menggunakan Managed Service untuk Apache Spark

Mempelajari contoh Tugas PySpark

Kode yang ditampilkan di bawah adalah contoh tugas PySpark yang mengonversi suhu dari persepuluh derajat Celsius menjadi derajat Celsius. Tugas ini mengonversi data suhu dari set data ke format yang berbeda.

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")

Mengupload file pendukung ke Cloud Storage

Untuk mengupload file PySpark dan set data yang disimpan di holidays.csv:

  1. Simpan data_analytics_process.py ke komputer lokal Anda.

  2. Simpan holidays.csv ke komputer lokal Anda.

  3. Di Google Cloud konsol, buka halaman Browser Cloud Storage:

    Buka browser Cloud Storage

  4. Klik nama bucket yang Anda buat sebelumnya.

  5. Di tab Objek untuk bucket, klik tombol Upload file , pilih data_analytics_process.py dan holidays.csv dalam dialog yang muncul, lalu klik Buka.

DAG analisis data

Mempelajari contoh DAG

DAG ini menggunakan beberapa operator untuk mengubah dan menyatukan data:

  • The GCSToBigQueryOperator menyerap file holidays.csv dari Cloud Storage ke tabel baru di set data BigQuery holidays_weather yang Anda buat sebelumnya.

  • DataprocCreateBatchOperator membuat dan menjalankan tugas batch PySpark menggunakan Managed Service untuk Apache Spark.

  • The BigQueryInsertJobOperator menggabungkan data dari holidays.csv di kolom "Date" dengan data cuaca dari set data publik BigQuery ghcn_d. Tugas BigQueryInsertJobOperator dibuat secara dinamis menggunakan loop for, dan tugas ini berada di TaskGroup untuk meningkatkan keterbacaan di Tampilan Grafik 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

Menggunakan UI Airflow untuk menambahkan variabel

Di Airflow, variabel adalah cara universal untuk menyimpan dan mengambil setelan atau konfigurasi arbitrer sebagai penyimpanan nilai kunci sederhana. DAG ini menggunakan variabel Airflow untuk menyimpan nilai umum. Untuk menambahkannya ke lingkungan Anda:

  1. Akses UI Airflow dari konsol Managed Airflow.

  2. Buka Admin > Variables.

  3. Tambahkan variabel berikut:

    • gcp_project: project ID Anda.

    • gcs_bucket: nama bucket yang Anda buat sebelumnya (tanpa awalan gs://).

    • gce_region: region tempat Anda ingin menjalankan tugas Managed Service untuk Apache Spark yang memenuhi persyaratan jaringan Managed Service untuk Apache Spark. Ini adalah region tempat Anda mengaktifkan akses Google pribadi sebelumnya.

    • dataproc_service_account: akun layanan untuk lingkungan Managed Airflow Anda. Anda dapat menemukan akun layanan ini di tab konfigurasi lingkungan untuk lingkungan Managed Airflow Anda.

Mengupload DAG ke bucket lingkungan Anda

Managed Airflow menjadwalkan DAG yang berada di folder /dags di bucket lingkungan Anda. Untuk mengupload DAG menggunakan Google Cloud konsol:

  1. Di komputer lokal Anda, simpan data_analytics_dag.py.

  2. Di Google Cloud konsol, buka halaman Environments.

    Buka Environments

  3. Dalam daftar lingkungan, di kolom DAG folder , klik link DAGs. Folder DAG lingkungan Anda akan terbuka.

  4. Klik Upload files.

  5. Pilih data_analytics_dag.py di komputer lokal Anda, lalu klik Open.

Memicu DAG

  1. Di lingkungan Managed Airflow Anda, klik tab DAGs.

  2. Klik DAG ID data_analytics_dag.

  3. Klik Trigger DAG.

  4. Tunggu sekitar lima hingga sepuluh menit hingga Anda melihat tanda centang hijau yang menunjukkan bahwa tugas telah berhasil diselesaikan.

Memvalidasi keberhasilan DAG

  1. Di Google Cloud konsol, buka halaman BigQuery.

    Buka BigQuery

  2. Di panel Explorer, klik nama project Anda.

  3. Klik holidays_weather_joined.

  4. Klik pratinjau untuk melihat tabel hasil. Perhatikan bahwa angka di kolom nilai dalam persepuluh derajat Celsius.

  5. Klik holidays_weather_normalized.

  6. Klik pratinjau untuk melihat tabel hasil. Perhatikan bahwa angka di kolom nilai dalam derajat Celsius.

Mempelajari lebih lanjut Managed Service untuk Apache Spark (opsional)

Anda dapat mencoba versi lanjutan DAG ini dengan alur pemrosesan data PySpark yang lebih kompleks. Lihat ekstensi Managed Service untuk Apache Spark untuk Contoh Analisis Data di GitHub.

Pembersihan

Hapus setiap resource yang Anda buat untuk tutorial ini:

Langkah berikutnya