Introdução ao Cloud Data Fusion: Studio

Esta página apresenta o Cloud Data Fusion: Studio, que é uma interface visual de clicar e arrastar para criar pipelines de dados com base em uma biblioteca de plug-ins pré-criados e uma interface em que você configura, executa e gerencia seus pipelines. A criação de um pipeline no Studio geralmente segue este processo:

  1. Conecte-se a uma fonte de dados local ou na nuvem.
  2. Prepare e transforme seus dados.
  3. Conecte-se ao destino.
  4. Teste o pipeline.
  5. Execute o pipeline.
  6. Programe e acione seus pipelines.

Depois de projetar e executar o pipeline, é possível gerenciá-lo na página Pipeline Studio do Cloud Data Fusion:

  • Reutilize pipelines parametrizando-os com preferências e argumentos de tempo de execução.
  • Gerenciar a execução do pipeline personalizando perfis de computação, gerenciando recursos e ajustando o desempenho do pipeline.
  • Gerenciar o ciclo de vida do pipeline editando-o.
  • Gerencie o controle de origem do pipeline usando a integração do Git.

Jornada do usuário no Cloud Data Fusion Studio

Antes de começar

Cloud Data Fusion: visão geral do Studio

O Studio inclui os seguintes componentes:

Administração

O Cloud Data Fusion permite ter vários namespaces em cada instância. No Studio, os administradores podem gerenciar todos os namespaces de forma centralizada ou individualmente.

O Studio oferece os seguintes controles de administrador:

Administração do sistema
O módulo Administrador do sistema no Studio permite criar novos namespaces e definir as configurações centrais do perfil de computação no nível do sistema, que são aplicáveis a cada namespace nessa instância. Para mais informações, consulte Gerenciar a administração do Studio.
Administração de namespace
O módulo Administrador de namespace no Studio permite gerenciar as configurações do namespace específico. Para cada namespace, é possível definir perfis de computação, preferências de tempo de execução, drivers, contas de serviço e configurações do Git. Para mais informações, consulte Gerenciar a administração do Studio.

Pipeline Design Studio

Você cria e executa pipelines no Pipeline Design Studio na interface da Web do Cloud Data Fusion. O design e a execução de pipelines de dados incluem as seguintes etapas:

  • Conectar a uma fonte: o Cloud Data Fusion permite conexões com fontes de dados locais e na nuvem. A interface do Studio tem plug-ins padrão do sistema, que vêm pré-instalados no Studio. É possível fazer o download de outros plug-ins em um repositório, conhecido como Hub. Para mais informações, consulte a Visão geral dos plug-ins.
  • Preparação de dados: o Cloud Data Fusion permite preparar seus dados usando o plug-in de preparação de dados Wrangler. O Wrangler ajuda você a visualizar, analisar e transformar uma pequena amostra dos dados em um só lugar antes de executar a lógica em todo o conjunto de dados no Studio. Isso permite aplicar transformações rapidamente para entender como elas afetam todo o conjunto de dados. É possível criar várias transformações e adicioná-las a um roteiro. Para mais informações, consulte a Visão geral do Wrangler.
  • Transformar: os plug-ins de transformação mudam os dados depois que eles são carregados de uma fonte. Por exemplo, é possível clonar um registro, mudar o formato do arquivo para JSON ou usar o plug-in Javascript para criar uma transformação personalizada. Para mais informações, consulte a Visão geral dos plug-ins.
  • Conectar a um destino: depois de preparar os dados e aplicar transformações, você pode se conectar ao destino em que planeja carregar os dados. O Cloud Data Fusion é compatível com conexões a vários destinos. Para mais informações, consulte Visão geral dos plug-ins.
  • Visualização: depois de criar o pipeline, para depurar problemas antes de implantar e executar um pipeline, execute um job de visualização. Se você encontrar algum erro, poderá corrigi-lo no modo Rascunho. O Studio usa as primeiras 100 linhas do conjunto de dados de origem para gerar a prévia. O Studio mostra o status e a duração do job de prévia. Você pode interromper o job a qualquer momento. Também é possível monitorar os eventos de registro enquanto o job de prévia é executado. Para mais informações, consulte Visualizar dados.

  • Gerenciar configurações de pipeline: depois de visualizar os dados, você pode implantar o pipeline e gerenciar as seguintes configurações:

    • Configuração de computação: é possível mudar o perfil de computação que executa o pipeline. Por exemplo, se você quiser executar o pipeline em um cluster personalizado do Managed Service para Apache Spark em vez do cluster padrão.
    • Configuração do pipeline: para cada pipeline, é possível ativar ou desativar a instrumentação, como métricas de tempo. Por padrão, a instrumentação fica ativada.
    • Configuração do mecanismo: o Spark é o mecanismo de execução padrão. É possível transmitir parâmetros personalizados para o Spark.
    • Recursos: é possível especificar a memória e o número de CPUs para o driver e o executor do Spark. O driver orquestra o job do Spark. O executor processa os dados no Spark.
    • Alerta de pipeline: é possível configurar o pipeline para enviar alertas e iniciar tarefas de pós-processamento após a conclusão da execução. Você cria alertas de pipeline ao projetar o pipeline. Depois de implantar o pipeline, você pode conferir os alertas. Para mudar as configurações de alerta, edite o pipeline.
    • Pushdown de transformação: é possível ativar o pushdown de transformação se você quiser que um pipeline execute determinadas transformações no BigQuery.

    Para mais informações, consulte Gerenciar configurações de pipeline.

  • Reutilizar pipelines usando macros, preferências e argumentos de execução: o Cloud Data Fusion permite reutilizar pipelines de dados. Com pipelines de dados reutilizáveis, é possível ter um único pipeline que aplica um padrão de integração de dados a vários casos de uso e conjuntos de dados. Pipelines reutilizáveis oferecem melhor capacidade de gerenciamento. Eles permitem definir a maior parte da configuração de um pipeline no momento da execução, em vez de codificá-la no momento do design. No Pipeline Design Studio, é possível usar macros para adicionar variáveis às configurações de plug-ins e especificar as substituições de variáveis em tempo de execução. Para mais informações, consulte Gerenciar macros, preferências e argumentos de tempo de execução.

  • Executar: depois de revisar as configurações do pipeline, você pode iniciar a execução dele. É possível conferir a mudança de status durante as fases da execução do pipeline, como provisionamento, início, execução e conclusão.

  • Programar e orquestrar: os pipelines de dados em lote podem ser configurados para serem executados em uma programação e frequência específicas. Depois de criar e implantar um pipeline, é possível criar uma programação. No Pipeline Design Studio, é possível orquestrar pipelines criando um gatilho em um pipeline de dados em lote para que ele seja executado quando uma ou mais execuções de pipeline forem concluídas. Eles são chamados de pipelines downstream e upstream. Você cria um gatilho no pipeline downstream para que ele seja executado com base na conclusão de um ou mais pipelines upstream.

    Recomendado: também é possível usar o Composer para orquestrar pipelines no Cloud Data Fusion. Para mais informações, consulte Programar pipelines e Orquestrar pipelines.

  • Editar pipelines: o Cloud Data Fusion permite editar um pipeline implantado. Quando você edita um pipeline implantado, uma nova versão dele é criada com o mesmo nome e marcada como a mais recente. Isso permite desenvolver pipelines de maneira iterativa em vez de duplicá-los, o que cria um novo pipeline com um nome diferente. Para mais informações, consulte Editar pipelines.

  • Gerenciamento de controle de origem: o Cloud Data Fusion permite gerenciar melhor os pipelines entre desenvolvimento e produção com o gerenciamento de controle de origem dos pipelines usando o GitHub.

  • Registro e monitoramento: para monitorar métricas e registros de pipeline, é recomendável ativar o serviço de registro do Stackdriver para usar o Cloud Logging com o pipeline do Cloud Data Fusion.

A seguir