Modello Decomprimere in blocco i file di Cloud Storage

Il modello Decompressione in blocco di file di Cloud Storage è una pipeline batch che esegue la decompressione dei file su Cloud Storage in una posizione specificata. Questa funzionalità è utile se vuoi utilizzare dati compressi per ridurre al minimo i costi in termini di larghezza di banda della rete durante una migrazione, ma vuoi massimizzare la velocità di elaborazione in fase di analisi agendo sui dati non compressi dopo la migrazione. La pipeline gestisce automaticamente diverse modalità di compressione durante una stessa esecuzione e determina la modalità di decompressione da utilizzare in base all'estensione del file (.bzip2, .deflate, .gz, .zip).

Requisiti della pipeline

  • I file da decomprimere devono essere in uno dei seguenti formati: Bzip2, Deflate, Gzip, Zip.
  • La directory di output deve esistere prima dell'esecuzione della pipeline.

Parametri del modello

Parametro Descrizione
inputFilePattern Il pattern del file di input da cui leggere. Ad esempio, gs://bucket-name/compressed/*.gz.
outputDirectory La posizione di output in cui scrivere. Ad esempio, gs://bucket-name/decompressed.
outputFailureFile Il file di output dei log degli errori da utilizzare per gli errori di scrittura che si verificano durante il processo di decompressione Ad esempio, gs://bucket-name/decompressed/failed.csv. Se non si verificano errori, il file viene comunque creato, ma sarà vuoto. I contenuti del file sono in formato CSV (Filename, Error) e sono costituiti da una riga per ogni file per cui non è stata eseguita la decompressione.

Esegui il modello

Console

  1. Vai alla pagina Dataflow Crea job da modello.
  2. Vai a Crea job da modello
  3. Nel campo Nome job, inserisci un nome job univoco.
  4. (Facoltativo) Per Endpoint regionale, seleziona un valore dal menu a discesa. La regione predefinita è us-central1.

    Per un elenco delle regioni in cui puoi eseguire un job Dataflow, consulta Località di Dataflow.

  5. Dal menu a discesa Modello Dataflow, seleziona il modello Decompressione in blocco di file su Cloud Storage.
  6. Nei campi dei parametri forniti, inserisci i valori dei parametri.
  7. Fai clic su Esegui job.

gcloud

Nella shell o nel terminale, esegui il modello:

gcloud dataflow jobs run JOB_NAME \
    --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/Bulk_Decompress_GCS_Files \
    --region REGION_NAME \
    --parameters \
inputFilePattern=gs://BUCKET_NAME/compressed/*.gz,\
outputDirectory=gs://BUCKET_NAME/decompressed,\
outputFailureFile=OUTPUT_FAILURE_FILE_PATH

Sostituisci quanto segue:

  • JOB_NAME: un nome job univoco a tua scelta
  • REGION_NAME: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • BUCKET_NAME: il nome del bucket Cloud Storage
  • OUTPUT_FAILURE_FILE_PATH: il percorso a tua scelta per il file contenente le informazioni sugli errori

API

Per eseguire il modello utilizzando l'API REST, invia una richiesta HTTP POST. Per saperne di più sull' API e sui relativi ambiti di autorizzazione, consulta projects.templates.launch.

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/Bulk_Decompress_GCS_Files
{
   "jobName": "JOB_NAME",
   "parameters": {
       "inputFilePattern": "gs://BUCKET_NAME/compressed/*.gz",
       "outputDirectory": "gs://BUCKET_NAME/decompressed",
       "outputFailureFile": "OUTPUT_FAILURE_FILE_PATH"
   },
   "environment": { "zone": "us-central1-f" }
}

Sostituisci quanto segue:

  • PROJECT_ID: l'ID progetto Google Cloud in cui vuoi eseguire il job Dataflow
  • JOB_NAME: un nome job univoco a tua scelta
  • LOCATION: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • BUCKET_NAME: il nome del bucket Cloud Storage
  • OUTPUT_FAILURE_FILE_PATH: il percorso a tua scelta per il file contenente le informazioni sugli errori

Passaggi successivi