Dengan template aliran data perubahan Spanner ke BigQuery, Anda dapat melakukan streaming data perubahan dari Spanner dan menulisnya ke tabel BigQuery menggunakan Runner Portabel Dataflow. Tindakan ini akan mengintegrasikan data Spanner Anda dengan BigQuery untuk analisis real-time dan data warehousing.
Ringkasan template
Kolom yang tidak dipantau tidak disertakan dalam baris BigQuery. Setiap perubahan Spanner yang kurang dari watermark Dataflow berhasil diterapkan ke tabel BigQuery atau disimpan dalam antrean yang tidak bisa diproses untuk dicoba lagi. Baris BigQuery disisipkan tidak berurutan dibandingkan dengan pengurutan stempel waktu commit Spanner asli.
Jika tabel BigQuery yang diperlukan tidak ada, pipeline akan membuatnya. Jika tidak, tabel BigQuery yang ada akan digunakan. Skema tabel BigQuery yang ada harus
berisi kolom tabel Spanner yang dilacak dan kolom metadata tambahan
yang tidak diabaikan secara eksplisit oleh opsi ignoreFields.
Lihat deskripsi kolom metadata dalam daftar berikut.
Setiap baris BigQuery baru menyertakan semua kolom
yang dipantau oleh aliran data perubahan dari baris yang sesuai di tabel Spanner Anda pada
stempel waktu data perubahan.
Kolom metadata berikut ditambahkan ke tabel BigQuery. Untuk mengetahui detail selengkapnya tentang kolom ini, lihat Data perubahan data di "Mengubah partisi, kumpulan data, dan kueri aliran perubahan".
_metadata_spanner_mod_type: Jenis modifikasi (penyisipan, pembaruan, atau penghapusan) transaksi Spanner. Diekstrak dari data perubahan data aliran perubahan._metadata_spanner_table_name: Nama tabel Spanner. Kolom ini bukan nama tabel metadata konektor._metadata_spanner_commit_timestamp: Stempel waktu commit Spanner, yang merupakan waktu saat perubahan di-commit. Nilai ini diekstrak dari data perubahan data aliran data perubahan._metadata_spanner_server_transaction_id: String unik global yang mewakili transaksi Spanner tempat perubahan di-commit. Hanya gunakan nilai ini dalam konteks pemrosesan data aliran perubahan. ID ini tidak berkorelasi dengan ID transaksi di API Spanner. Nilai ini diekstrak dari data perubahan data aliran perubahan._metadata_spanner_record_sequence: Nomor urut untuk data dalam transaksi Spanner. Nomor urut selalu unik dan meningkat secara monoton, tetapi tidak harus berurutan, dalam transaksi. Nilai ini diekstrak dari data perubahan data aliran data perubahan._metadata_spanner_is_last_record_in_transaction_in_partition: Menunjukkan apakah data tersebut adalah data terakhir untuk transaksi Spanner di partisi saat ini. Nilai ini diekstrak dari data perubahan data aliran data perubahan._metadata_spanner_number_of_records_in_transaction: Jumlah data perubahan data yang merupakan bagian dari transaksi Spanner di semua partisi aliran data perubahan. Nilai ini diekstrak dari data perubahan data aliran data perubahan._metadata_spanner_number_of_partitions_in_transaction: Jumlah partisi yang menampilkan data perubahan data untuk transaksi Spanner. Nilai ini diekstrak dari data perubahan data aliran data perubahan._metadata_big_query_commit_timestamp: Stempel waktu commit saat baris disisipkan ke BigQuery. JikauseStorageWriteApiadalahtrue, kolom ini tidak otomatis dibuat di tabel changelog oleh pipeline. Jika demikian, Anda harus menambahkan kolom ini secara manual di tabel changelog dan menetapkanCURRENT_TIMESTAMPsebagai nilai defaultnya jika diperlukan.
Saat menggunakan template ini, perhatikan detail berikut:
- Anda dapat menggunakan template ini untuk menyebarkan kolom baru pada tabel yang ada atau tabel baru dari Spanner ke BigQuery. Untuk mengetahui informasi selengkapnya, lihat Menangani penambahan tabel atau kolom pelacakan.
- Untuk jenis pengambilan nilai
OLD_AND_NEW_VALUESdanNEW_VALUES, saat data perubahan data berisi perubahan UPDATE, template harus melakukan pembacaan usang ke Spanner pada stempel waktu commit data perubahan data untuk mengambil kolom yang tidak berubah tetapi dipantau. Pastikan untuk mengonfigurasi 'version_retention_period' database Anda dengan benar untuk pembacaan yang tidak berlaku. Untuk jenis pengambilan nilaiNEW_ROW, template ini lebih efisien, karena data perubahan data menangkap baris baru lengkap termasuk kolom yang tidak diperbarui dalam permintaan UPDATE, dan template tidak perlu melakukan pembacaan yang usang. - Untuk meminimalkan latensi jaringan dan biaya transportasi jaringan, jalankan tugas Dataflow dari region yang sama dengan instance Spanner atau tabel BigQuery Anda. Jika Anda menggunakan sumber, sink, lokasi file staging, atau lokasi file sementara yang berada di luar region tugas, data Anda mungkin dikirim ke berbagai region. Untuk mengetahui informasi selengkapnya, lihat Region Dataflow.
- Template ini mendukung semua jenis data Spanner yang valid. Jika jenis Spanner
lebih presisi daripada jenis BigQuery, kehilangan presisi mungkin terjadi selama
transformasi. Secara khusus:
- Untuk jenis
JSONSpanner, urutan anggota objek diurutkan secara leksikografis, tetapi tidak ada jaminan seperti itu untuk jenisJSONBigQuery. - Spanner mendukung presisi nanodetik untuk jenis
TIMESTAMP, tetapi template ini menulis ke kolomTIMESTAMPBigQuery dengan presisi mikrodetik, yang mengakibatkan pemotongan stempel waktu sub-mikrodetik. Jika Anda perlu mempertahankan presisi nanodetik di BigQuery, simpan nilai stempel waktu sebagaiINT64(nanodetik sejak epoch Unix) atauSTRINGdi Spanner.
- Untuk jenis
Pelajari lebih lanjut aliran data perubahan, cara membangun pipeline Dataflow aliran data perubahan, dan praktik terbaik.
Persyaratan pipeline
- Instance Spanner harus ada sebelum menjalankan pipeline.
- Database Spanner harus ada sebelum menjalankan pipeline.
- Instance metadata Spanner harus ada sebelum menjalankan pipeline.
- Database metadata Spanner harus ada sebelum menjalankan pipeline.
- Aliran data perubahan Spanner harus ada sebelum menjalankan pipeline.
- Hanya aliran data perubahan yang memantau tabel di bawah skema default yang didukung.
- Aliran data perubahan yang memantau tabel di bawah skema lain akan menampilkan [error tabel tidak ditemukan](https://github.com/GoogleCloudPlatform/DataflowTemplates/issues/2622).
- Set data BigQuery harus ada sebelum menjalankan pipeline.
Menangani penambahan tabel atau kolom pelacakan
Bagian ini menjelaskan praktik terbaik untuk menangani penambahan tabel dan kolom Spanner pelacakan saat pipeline berjalan. Versi template terlama yang didukung
untuk fitur ini adalah 2024-09-19-00_RC00.
Sebelum menambahkan kolom baru ke cakupan aliran data perubahan Spanner, tambahkan kolom tersebut terlebih dahulu ke tabel changelog BigQuery. Kolom yang ditambahkan harus memiliki jenis data yang cocok dan berupa
NULLABLE. Tunggu setidaknya 10 menit sebelum Anda melanjutkan untuk membuat kolom atau tabel baru di Spanner. Menulis ke kolom baru tanpa menunggu dapat mengakibatkan data yang tidak diproses dengan kode error tidak valid dalam antrean pesan yang tidak diproses.Untuk jenis pengambilan nilai
NEW_ROWatauNEW_ROW_AND_OLD_VALUES, penambahan kolom baru dengan nilai default selama pipeline yang berjalan didukung dengan menambahkan kolom terlebih dahulu ke tabel BigQuery, lalu menambahkannya ke tabel Spanner.Untuk
NEW_VALUESatauOLD_AND_NEW_VALUES, menambahkan kolom baru dengan nilai default ke pipeline yang sedang berjalan dapat mengakibatkan kehilangan data. Untuk menghindari kehilangan data, Anda harus melakukan ekspor dan impor data secara manual menggunakan proses berikut:- Menghentikan pipeline Dataflow.
- Tambahkan kolom ke tabel BigQuery.
- Tambahkan kolom dengan nilai default di Spanner.
- Tunggu hingga perubahan skema dan pengisian ulang Spanner selesai.
- Ekspor data tabel Spanner pada stempel waktu setelah pengisian ulang selesai.
- Impor data ke tabel BigQuery, pastikan Anda menangani kolom baru dengan benar.
- Mulai pipeline Dataflow dari stempel waktu yang sama dengan yang digunakan untuk ekspor.
- Untuk menambahkan tabel baru, tambahkan tabel terlebih dahulu di database Spanner. Tabel dibuat secara otomatis di BigQuery saat pipeline menerima data untuk tabel baru.
- Setelah Anda menambahkan kolom atau tabel baru di database Spanner, pastikan untuk mengubah aliran data perubahan untuk melacak kolom atau tabel baru yang Anda inginkan jika belum dilacak secara implisit.
- Template tidak menghapus tabel atau kolom dari BigQuery. Jika kolom dihapus dari tabel Spanner, nilai null akan diisi ke kolom changelog BigQuery untuk data yang dibuat setelah kolom dihapus dari tabel Spanner, kecuali jika Anda menghapus kolom secara manual dari BigQuery.
- Template tidak mendukung pembaruan jenis kolom. Meskipun
Spanner mendukung perubahan kolom
STRINGmenjadi kolomBYTESatau kolomBYTESmenjadi kolomSTRING, Anda tidak dapat mengubah jenis data kolom yang ada atau menggunakan nama kolom yang sama dengan jenis data yang berbeda di BigQuery. Jika Anda menghapus dan membuat ulang kolom dengan nama yang sama tetapi jenis yang berbeda di Spanner, data mungkin ditulis ke kolom BigQuery yang ada, tetapi jenisnya tidak berubah. - Template ini tidak mendukung pembaruan mode kolom. Kolom metadata yang direplikasi ke BigQuery ditetapkan ke mode
REQUIRED. Semua kolom lain yang direplikasi ke BigQuery ditetapkan keNULLABLE, terlepas dari apakah kolom tersebut ditentukan sebagaiNOT NULLdalam tabel Spanner. Anda tidak dapat memperbarui kolomNULLABLEke modeREQUIREDdi BigQuery. - Mengubah jenis pengambilan nilai aliran data perubahan tidak didukung untuk pipeline yang sedang berjalan.
Parameter template
Parameter yang diperlukan
- spannerInstanceId: Instance Spanner untuk membaca aliran data perubahan.
- spannerDatabase: Database Spanner untuk membaca aliran data perubahan.
- spannerMetadataInstanceId: Instance Spanner yang akan digunakan untuk tabel metadata konektor aliran data perubahan.
- spannerMetadataDatabase: Database Spanner yang akan digunakan untuk tabel metadata konektor aliran data perubahan.
- spannerChangeStreamName: Nama aliran perubahan Spanner yang akan dibaca.
- bigQueryDataset: Set data BigQuery untuk output aliran data perubahan.
Parameter opsional
- spannerProjectId: Project tempat aliran data perubahan dibaca. Nilai ini juga merupakan project tempat tabel metadata konektor aliran perubahan dibuat. Nilai default untuk parameter ini adalah project tempat pipeline Dataflow berjalan.
- spannerDatabaseRole: Peran database Spanner yang akan digunakan saat menjalankan template. Parameter ini hanya diperlukan jika akun utama IAM yang menjalankan template adalah pengguna kontrol akses terperinci. Peran database harus memiliki hak istimewa
SELECTpada aliran data perubahan dan hak istimewaEXECUTEpada fungsi baca aliran data perubahan. Untuk mengetahui informasi selengkapnya, lihat Kontrol akses terperinci untuk aliran data perubahan (https://cloud.google.com/spanner/docs/fgac-change-streams). - spannerMetadataTableName: Nama tabel metadata konektor aliran perubahan Spanner yang akan digunakan. Jika tidak disediakan, tabel metadata konektor aliran perubahan Spanner akan otomatis dibuat selama alur pipeline. Anda harus memberikan parameter ini saat mengupdate pipeline yang ada. Jika tidak, jangan berikan parameter ini.
- rpcPriority: Prioritas permintaan untuk panggilan Spanner. Nilai harus berupa salah satu dari nilai berikut:
HIGH,MEDIUM, atauLOW. Nilai defaultnya adalahHIGH. - spannerHost: Endpoint Cloud Spanner yang akan dipanggil dalam template. Hanya digunakan untuk pengujian. Contoh,
https://batch-spanner.googleapis.com. - startTimestamp: DateTime awal (https://datatracker.ietf.org/doc/html/rfc3339), inklusif, yang akan digunakan untuk membaca aliran data perubahan. Ex-2021-10-12T07:20:50.52Z. Nilai defaultnya adalah stempel waktu saat pipeline dimulai, yaitu waktu saat ini.
- endTimestamp: DateTime akhir (https://datatracker.ietf.org/doc/html/rfc3339), inklusif, yang akan digunakan untuk membaca aliran data perubahan.Contoh: 2021-10-12T07:20:50.52Z. Nilai defaultnya adalah waktu tak terbatas di masa mendatang.
- bigQueryProjectId: Project BigQuery. Nilai defaultnya adalah project untuk tugas Dataflow.
- bigQueryChangelogTableNameTemplate: Template untuk nama tabel BigQuery yang berisi changelog. Nilai defaultnya: {_metadata_spanner_table_name}_changelog.
- deadLetterQueueDirectory: Jalur untuk menyimpan data yang belum diproses. Jalur default adalah direktori di bawah lokasi sementara tugas Dataflow. Nilai default biasanya sudah cukup.
- dlqRetryMinutes: Jumlah menit antara percobaan ulang dead-letter queue. Nilai defaultnya adalah
10. - ignoreFields: Daftar kolom yang dipisahkan koma (peka huruf besar/kecil) untuk diabaikan. Kolom ini mungkin merupakan kolom tabel yang dipantau, atau kolom metadata yang ditambahkan oleh pipeline. Kolom yang diabaikan tidak akan dimasukkan ke BigQuery. Jika Anda mengabaikan kolom _metadata_spanner_table_name, parameter bigQueryChangelogTableNameTemplate juga akan diabaikan. Nilai defaultnya adalah kosong.
- disableDlqRetries: Apakah akan menonaktifkan percobaan ulang untuk DLQ atau tidak. Nilai defaultnya: salah.
- spannerChangeStreamTvfNameList: Daftar nama TVF Aliran Data Perubahan Spanner yang dipisahkan titik koma untuk dikueri dan digabungkan. Nilai defaultnya adalah kosong.
- spannerDirectedReadOptions: Opsi pembacaan terarah untuk pembacaan Aliran Perubahan Cloud Spanner. Nilai harus berupa format string JSON dari DirectedReadOptions (misalnya, {"includeReplicas":{"replicaSelections":[{"location":"us-central1","type":"READ_ONLY"}]}}). Untuk mengetahui informasi selengkapnya, lihat Directed reads (https://docs.cloud.google.com/spanner/docs/directed-reads). Nilai defaultnya adalah kosong.
- useStorageWriteApi: Jika benar (true), pipeline akan menggunakan BigQuery Storage Write API (https://cloud.google.com/bigquery/docs/write-api). Nilai defaultnya adalah
false. Untuk mengetahui informasi selengkapnya, lihat Menggunakan Storage Write API (https://beam.apache.org/documentation/io/built-in/google-bigquery/#storage-write-api). - useStorageWriteApiAtLeastOnce: Saat menggunakan Storage Write API, menentukan semantik penulisan. Untuk menggunakan semantik minimal satu kali (https://beam.apache.org/documentation/io/built-in/google-bigquery/#at-least-once-semantics), tetapkan parameter ini ke
true. Untuk menggunakan semantik tepat satu kali, tetapkan parameter kefalse. Parameter ini hanya berlaku jikauseStorageWriteApiadalahtrue. Nilai defaultnya adalahfalse. - numStorageWriteApiStreams: Saat menggunakan Storage Write API, menentukan jumlah streaming penulisan. Jika
useStorageWriteApiadalahtruedanuseStorageWriteApiAtLeastOnceadalahfalse, Anda harus menetapkan parameter ini. Nilai defaultnya adalah: 0. - storageWriteApiTriggeringFrequencySec: Saat menggunakan Storage Write API, menentukan frekuensi pemicuan, dalam detik. Jika
useStorageWriteApiadalahtruedanuseStorageWriteApiAtLeastOnceadalahfalse, Anda harus menetapkan parameter ini.
Menjalankan template
Konsol
- Buka halaman Dataflow Membuat tugas dari template. Buka Membuat tugas dari template
- Di kolom Nama tugas, masukkan nama tugas yang unik.
- Opsional: Untuk Endpoint regional, pilih nilai dari menu drop-down. Region default-nya adalah
us-central1.Untuk mengetahui daftar region tempat Anda dapat menjalankan tugas Dataflow, lihat Lokasi Dataflow.
- Dari menu drop-down Dataflow template, pilih template Cloud Spanner change streams to BigQuery.
- Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
- Klik Jalankan tugas.
gcloud
Di shell atau terminal Anda, jalankan template:
gcloud dataflow flex-template run JOB_NAME \ --template-file-gcs-location=gs://dataflow-templates/VERSION/flex/Spanner_Change_Streams_to_BigQuery \ --region REGION_NAME \ --parameters \ spannerInstanceId=SPANNER_INSTANCE_ID,\ spannerDatabase=SPANNER_DATABASE,\ spannerMetadataInstanceId=SPANNER_METADATA_INSTANCE_ID,\ spannerMetadataDatabase=SPANNER_METADATA_DATABASE,\ spannerChangeStreamName=SPANNER_CHANGE_STREAM,\ bigQueryDataset=BIGQUERY_DATASET
Ganti kode berikut:
JOB_NAME: nama tugas unik pilihan AndaVERSION: versi template yang ingin Anda gunakanAnda dapat menggunakan nilai berikut:
latestuntuk menggunakan template versi terbaru, yang tersedia di folder induk tanpa tanggal di bucket—gs://dataflow-templates/latest/- nama versi, seperti
2023-09-12-00_RC00, untuk menggunakan template versi tertentu, yang dapat ditemukan bertingkat di masing-masing folder induk yang diberi tanggal dalam bucket—gs://dataflow-templates/
REGION_NAME: region tempat Anda ingin men-deploy tugas Dataflow—misalnya,us-central1SPANNER_INSTANCE_ID: ID instance SpannerSPANNER_DATABASE: Database SpannerSPANNER_METADATA_INSTANCE_ID: ID instance metadata SpannerSPANNER_METADATA_DATABASE: Database metadata SpannerSPANNER_CHANGE_STREAM: Aliran data perubahan SpannerBIGQUERY_DATASET: Set data BigQuery untuk output aliran data perubahan
API
Untuk menjalankan template menggunakan REST API, kirim permintaan POST HTTP. Untuk mengetahui informasi selengkapnya tentang API dan cakupan otorisasinya, lihat projects.templates.launch.
POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/flexTemplates:launch { "launch_parameter": { "jobName": "JOB_NAME", "parameters": { "spannerInstanceId": "SPANNER_INSTANCE_ID", "spannerDatabase": "SPANNER_DATABASE", "spannerMetadataInstanceId": "SPANNER_METADATA_INSTANCE_ID", "spannerMetadataDatabase": "SPANNER_METADATA_DATABASE", "spannerChangeStreamName": "SPANNER_CHANGE_STREAM", "bigQueryDataset": "BIGQUERY_DATASET" }, "containerSpecGcsPath": "gs://dataflow-templates/VERSION/flex/Spanner_Change_Streams_to_BigQuery", } }
Ganti kode berikut:
PROJECT_ID: Google Cloud Project ID tempat Anda ingin menjalankan tugas DataflowJOB_NAME: nama tugas unik pilihan AndaVERSION: versi template yang ingin Anda gunakanAnda dapat menggunakan nilai berikut:
latestuntuk menggunakan template versi terbaru, yang tersedia di folder induk tanpa tanggal di bucket—gs://dataflow-templates/latest/- nama versi, seperti
2023-09-12-00_RC00, untuk menggunakan template versi tertentu, yang dapat ditemukan bertingkat di masing-masing folder induk yang diberi tanggal dalam bucket—gs://dataflow-templates/
LOCATION: region tempat Anda ingin men-deploy tugas Dataflow—misalnya,us-central1SPANNER_INSTANCE_ID: ID instance SpannerSPANNER_DATABASE: Database SpannerSPANNER_METADATA_INSTANCE_ID: ID instance metadata SpannerSPANNER_METADATA_DATABASE: Database metadata SpannerSPANNER_CHANGE_STREAM: Aliran data perubahan SpannerBIGQUERY_DATASET: Set data BigQuery untuk output aliran data perubahan
Pertimbangan produksi
Saat menjalankan template Spanner aliran perubahan ke BigQuery di lingkungan produksi, pertimbangkan praktik terbaik berikut untuk membantu memastikan keandalan dan mencegah kehilangan data:
Penyediaan dan penskalaan worker
- Tetapkan
maxNumWorkerssecara memadai: Worker Dataflow yang tidak memadai dapat menyebabkan pipeline tertinggal dalam memproses data aliran perubahan. Hal ini dapat menyebabkan peningkatan latensi dan, dalam beberapa skenario, potensi kehilangan data karena waktu tunggu konektor internal dan kondisi race. Jumlah maksimum worker harus memadai untuk menangani throughput tulis Spanner puncak Anda. - Panduan penentuan ukuran: Meskipun jumlah optimal bervariasi sesuai workload, lihat panduan aliran data perubahan Spanner tentang Menentukan ukuran cluster Dataflow. Pantau performa pipeline Anda dan sesuaikan jika diperlukan. Misalnya, beberapa workload dengan throughput tinggi mungkin memerlukan peningkatan
maxNumWorkersyang signifikan (misalnya, dari 20 menjadi 100 atau lebih). - Penyesuaian penskalaan otomatis: Penskalaan otomatis horizontal default Dataflow terutama didorong oleh CPU. Jika pipeline Anda mengalami jeda, tetapi pemakaian CPU tidak tinggi, pertimbangkan untuk menyesuaikan penskalaan otomatis. Menurunkan parameter
worker_utilization_hintdapat membuat penskalaan otomatis lebih responsif terhadap bottleneck lainnya. Lihat Menyesuaikan penskalaan otomatis horizontal untuk mengetahui detailnya.
Pemantauan dan pemberitahuan
- Keaktualan Data Output (Jeda Sistem): Ini adalah metrik paling penting yang harus dipantau untuk template ini. "Keaktualan Data Output" (
dataflow.googleapis.com/job/system_lag) yang terus meningkat menunjukkan bahwa pipeline tidak dapat mengimbangi perubahan yang masuk dari Spanner . - Konfigurasi Pemberitahuan: Siapkan pemberitahuan Cloud Monitoring pada metrik "Keaktualan Data Output". Tetapkan dasar pengukuran untuk pipeline Anda dan konfigurasikan nilai minimum berdasarkan persyaratan bisnis Anda untuk latensi data. Segera selidiki setiap pemberitahuan terkait peningkatan berkelanjutan dalam metrik ini. Untuk mengetahui informasi selengkapnya, lihat Metrik tugas Dataflow.
Menafsirkan log
SpannerException: DEADLINE_EXCEEDED: Meskipun konektor memiliki percobaan ulang, pesancom.google.cloud.spanner.SpannerException: DEADLINE_EXCEEDEDyang sering muncul di log worker Dataflow merupakan indikator kuat bahwa worker kesulitan membaca data dari aliran perubahan Spanner secara tepat waktu. Hal ini sering kali menandakan bahwa pipeline kekurangan resource worker.
Konfigurasi aliran data perubahan Spanner
- Periode Retensi: Pastikan
retention_perioduntuk aliran perubahan Spanner Anda ditetapkan ke durasi yang cukup untuk menangani potensi perlambatan atau pemadaman layanan pipeline Dataflow. Defaultnya adalah 7 hari. Sebaiknya tetapkan nilai ini ke 3-7 hari untuk memberikan buffer yang lebih besar bagi pipeline untuk memulihkan dan memproses backlog tanpa kehilangan data akibat perubahan yang habis masa berlakunya dari aliran data.
Dengan menerapkan praktik ini, Anda dapat meningkatkan ketahanan dan performa pipeline Aliran Data Perubahan Spanner ke BigQuery Dataflow.
Langkah berikutnya
- Pelajari template Dataflow.
- Lihat daftar template yang disediakan Google.