Wiederverwendbare Pipeline entwerfen und erstellen

In dieser Anleitung wird gezeigt, wie Sie eine wiederverwendbare Pipeline erstellen, die Daten aus Cloud Storage liest, Qualitätsprüfungen durchführt und in Cloud Storage schreibt.

Wiederverwendbare Pipelines haben eine reguläre Pipelinestruktur. Sie können jedoch die Konfiguration für jeden Pipelineknoten entsprechend den von einem HTTP-Server bereitgestellten Konfigurationen ändern. Beispielsweise kann eine statische Pipeline Daten aus Cloud Storage lesen, Transformationen anwenden und in eine BigQuery-Ausgabetabelle schreiben. Wenn Sie die Transformation und die BigQuery-Ausgabetabelle basierend auf der Cloud Storage-Datei, die die Pipeline liest, ändern möchten, erstellen Sie eine wiederverwendbare Pipeline.

Ziele

  • Verwenden Sie das Plug-in „Cloud Storage Argument Setter“, damit die Pipeline bei jeder Ausführung andere Eingaben lesen kann.
  • Verwenden Sie das Plug-in „Cloud Storage Argument Setter“, damit die Pipeline bei jeder Ausführung verschiedene Qualitätsprüfungen vornehmen kann.
  • Schreiben Sie die Ausgabedaten jeder Ausführung in Cloud Storage.

Kosten

In diesem Dokument verwenden Sie die folgenden kostenpflichtigen Komponenten von Google Cloud:

  • Cloud Data Fusion
  • Cloud Storage

Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen. Verwenden Sie den Preisrechner.

Neuen Nutzern von Google Cloud steht möglicherweise eine kostenlose Testversion zur Verfügung.

Hinweis

  1. Melden Sie sich in Ihrem Google Cloud -Konto an. Wenn Sie mit Google Cloudnoch nicht vertraut sind, erstellen Sie ein Konto, um die Leistung unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  3. Verify that billing is enabled for your Google Cloud project.

  4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  5. Verify that billing is enabled for your Google Cloud project.

  6. Aktivieren Sie die Cloud Data Fusion, Cloud Storage, BigQuery und Dataproc APIs.

    Rollen, die zum Aktivieren von APIs erforderlich sind

    Zum Aktivieren von APIs benötigen Sie die IAM-Rolle „Service Usage-Administrator“ (roles/serviceusage.serviceUsageAdmin), die die Berechtigung serviceusage.services.enable enthält. Informationen zum Zuweisen von Rollen.

    APIs aktivieren

  7. Erstellen Sie eine Cloud Data Fusion-Instanz.

Bei Verwendung von Cloud Data Fusion verwenden Sie sowohl die Google Cloud console als auch die separate Weboberfläche von Cloud Data Fusion. In der Google Cloud console können Sie ein Google Cloud console-Projekt erstellen und Cloud Data Fusion-Instanzen erstellen und löschen. In der Weboberfläche von Cloud Data Fusion können Sie die verschiedenen Seiten wie Pipeline Studio oder Wrangler nutzen, um Features von Cloud Data Fusion zu nutzen.

  1. Öffnen Sie in der Google Cloud console die Seite Instanzen.

    Zur Seite "Instanzen"

  2. Klicken Sie in der Spalte Aktionen für die Instanz auf den Link Instanz aufrufen. Die Weboberfläche von Cloud Data Fusion wird in einem neuen Browsertab geöffnet.

Plug-in „Cloud Storage Argument Setter“ bereitstellen

  1. Rufen Sie in der Weboberfläche von Cloud Data Fusion die Seite Studio auf.

  2. Klicken Sie im Menü Aktionen auf GCS Argument Setter.

Aus Cloud Storage lesen

  1. Rufen Sie in der Weboberfläche von Cloud Data Fusion die Seite Studio auf.
  2. Klicken Sie auf Quelle und wählen Sie „Cloud Storage“ aus. Der Knoten für eine Cloud Storage-Quelle wird in der Pipeline angezeigt.

  3. Klicken Sie auf dem Cloud Storage-Knoten auf Attribute.

  4. Geben Sie im Feld Referenzname einen Namen ein.

  5. Geben Sie im Feld Pfad ${input.path} ein. Dieses Makro steuert, was der Cloud Storage-Eingabepfad in den verschiedenen Pipelineausführungen sein wird.

  6. Entfernen Sie im rechten Feld „Ausgabeschema“ das Feld offset aus dem Ausgabeschema, indem Sie in der Zeile mit dem Offset-Feld auf das Papierkorbsymbol klicken.

  7. Klicken Sie auf Validieren und beheben Sie alle Fehler.

  8. Klicken Sie auf das , um das Dialogfeld Attribute zu schließen.

Daten transformieren

  1. Rufen Sie in der Weboberfläche von Cloud Data Fusion auf der Seite Studio Ihre Datenpipeline auf.
  2. Wählen Sie im Transformieren-Drop-down-Menü die Option Wrangler aus.
  3. Ziehen Sie im Pipeline Studio-Canvas einen Pfeil vom Cloud Storage-Knoten zum Wrangler-Knoten.
  4. Rufen Sie in Ihrer Pipeline den Wrangler-Knoten auf und klicken Sie auf Attribute.
  5. Geben Sie in das Feld Name des Eingabefelds den Wert body ein.
  6. Geben Sie im Feld Schema den Wert ${directives} ein. Dieses Makro steuert, was die Transformationslogik in den verschiedenen Pipelineausführungen sein wird.
  7. Klicken Sie auf Validieren und beheben Sie alle Fehler.
  8. Klicken Sie auf das , um das Dialogfeld Attribute zu schließen.

In Cloud Storage schreiben

  1. Rufen Sie in der Weboberfläche von Cloud Data Fusion auf der Seite Studio Ihre Datenpipeline auf.
  2. Wählen Sie im Drop-down-Menü Senke , die Option „Cloud Storage“ aus.
  3. Ziehen Sie im Pipeline Studio-Canvas einen Pfeil vom Wrangler-Knoten zum Cloud Storage-Knoten, den Sie gerade hinzugefügt haben.
  4. Rufen Sie in Ihrer Pipeline den Cloud Storage-Senkenknoten auf und klicken Sie auf Attribute.
  5. Geben Sie im Feld Referenzname einen Namen ein.
  6. Geben Sie im Feld Pfad den Pfad eines Cloud Storage-Buckets in Ihrem Projekt ein, in den die Pipeline die Ausgabedateien schreiben kann. Wenn Sie keinen Cloud Storage-Bucket haben, erstellen Sie einen.
  7. Klicken Sie auf Validieren und beheben Sie alle Fehler.
  8. Klicken Sie auf das , um das Dialogfeld Attribute zu schließen.

Die Makroargumente festlegen

  1. Rufen Sie in der Weboberfläche von Cloud Data Fusion auf der Seite Studio Ihre Datenpipeline auf.
  2. Klicken Sie im Drop-down-Menü Bedingungen und Aktionen auf GCS Argument Setter.
  3. Ziehen Sie im Pipeline Studio-Canvas einen Pfeil vom Knoten „Cloud Storage Argument Setter“ zum Quellknoten von Cloud Storage.
  4. Rufen Sie in Ihrer Pipeline den Knoten „Cloud Storage Argument Setter“ auf und klicken Sie auf Attribute.

  5. Geben Sie im Feld URL die folgende URL ein:

    gs://reusable-pipeline-tutorial/args.json

    Die URL entspricht einem öffentlich zugänglichen Objekt in Cloud Storage, das die folgenden Inhalte enthält:

    {
  "arguments" : [
    {
      "name": "input.path",
      "value": "gs://reusable-pipeline-tutorial/user-emails.txt"
    },
    {
      "name": "directives",
      "value": "send-to-error !dq:isEmail(body)"
    }
  ]
}

    Das erste der beiden Argumente ist der Wert für input.path. Der Pfad gs://reusable-pipeline-tutorial/user-emails.txt ist ein öffentlich zugängliches Objekt in Cloud Storage, das die folgenden Testdaten enthält:

    alice@example.com
bob@example.com
craig@invalid@example.com

    Das zweite Argument ist der Wert für directives. Mit dem Wert send-to-error !dq:isEmail(body) wird Wrangler so konfiguriert, dass alle Zeilen herausgefiltert werden, die keine gültige E-Mail-Adresse sind. Beispiel: craig@invalid@example.com wird herausgefiltert.

  6. Klicken Sie auf Validieren , um sicherzustellen, dass keine Fehler vorliegen.

  7. Klicken Sie auf das , um das Dialogfeld Attribute zu schließen.

Ihre Pipeline bereitstellen und ausführen

  1. Klicken Sie in der oberen Leiste der Seite Pipeline Studio auf Pipeline benennen. Benennen Sie die Pipeline und klicken Sie auf Speichern.

  2. Klicken Sie auf Bereitstellen.

  3. Klicken Sie neben Ausführen auf das Drop-down-Menü, um die Laufzeitargumente zu öffnen und die Argumente input.path und directives des Makros (Laufzeit) anzuzeigen.

    Lassen Sie die Wertfelder leer, um Cloud Data Fusion zu informieren, dass der Knoten „Cloud Storage Argument Setter“ in der Pipeline die Werte dieser Argumente während der Laufzeit festlegt.

  4. Klicken Sie auf Ausführen.

Bereinigen

Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.

Bereinigen Sie nach Abschluss der Anleitung die erstellten Ressourcen, damit Ihnen diese nicht weiter in Rechnung gestellt werden. Google Cloud In den folgenden Abschnitten erfahren Sie, wie Sie diese Ressourcen löschen oder deaktivieren.

Löschen Sie die Cloud Data Fusion-Instanz.

Folgen Sie der Anleitung zum Löschen Ihrer Cloud Data Fusion-Instanz.

Projekt löschen

Am einfachsten vermeiden Sie weitere Kosten durch Löschen des für die Anleitung erstellten Projekts.

So löschen Sie das Projekt:

  1. Wechseln Sie in der Google Cloud console zur Seite Ressourcen verwalten.

    Zur Seite „Ressourcen verwalten“

  2. Wählen Sie in der Projektliste das Projekt aus, das Sie löschen möchten, und klicken Sie dann auf Löschen.
  3. Geben Sie im Dialogfeld die Projekt-ID ein und klicken Sie auf Shut down (Beenden), um das Projekt zu löschen.

Nächste Schritte