Testo Cloud Storage a BigQuery (flusso) con modello UDF Python

La pipeline Testo Cloud Storage a BigQuery è una pipeline di streaming che inserisce flussi di file di testo archiviati in Cloud Storage, li trasforma utilizzando una funzione definita dall'utente (UDF) Python fornita e aggiunge il risultato a BigQuery.

La pipeline viene eseguita a tempo indeterminato e deve essere terminata manualmente tramite un annullamento e non uno svuotamento, a causa dell'utilizzo della trasformazione Watch, che è una DoFn divisibile che non supporta lo svuotamento.

Requisiti della pipeline

  • Crea un file JSON che descriva lo schema della tabella di output in BigQuery.

    Assicurati che esista un array JSON di primo livello denominato fields e che i suoi contenuti rispettino il pattern {"name": "COLUMN_NAME", "type": "DATA_TYPE"}. Ad esempio:

    {
      "fields": [
        {
          "name": "name",
          "type": "STRING"
        },
        {
          "name": "age",
          "type": "INTEGER"
        }
      ]
    }
  • Crea un file Python (.py) con la tua funzione UDF che fornisca la logica per trasformare le righe di testo. La tua funzione deve restituire una stringa JSON.

    L'esempio seguente suddivide ogni riga di un file CSV, crea un oggetto JSON con i valori e restituisce una stringa JSON:

    import json
    def process(value):
      data = value.split(',')
      obj = { 'name': data[0], 'age': int(data[1]) }
      return json.dumps(obj)

Parametri del modello

Parametri obbligatori

  • inputFilePattern: il percorso gs:// del testo in Cloud Storage che vuoi elaborare. Ad esempio, gs://your-bucket/your-file.txt.
  • JSONPath: il percorso gs:// del file JSON che definisce lo schema BigQuery, archiviato in Cloud Storage. Ad esempio, gs://your-bucket/your-schema.json.
  • outputTable: la posizione della tabella BigQuery da utilizzare per archiviare i dati elaborati. Se riutilizzi una tabella esistente, questa viene sovrascritta. Ad esempio, <PROJECT_ID>:<DATASET_NAME>.<TABLE_NAME>.
  • bigQueryLoadingTemporaryDirectory: directory temporanea per il processo di caricamento di BigQuery. Ad esempio, gs://your-bucket/your-files/temp-dir.

Parametri facoltativi

  • outputDeadletterTable: tabella per i messaggi che non sono riusciti a raggiungere la tabella di output. Se una tabella non esiste, viene creata durante l'esecuzione della pipeline. Se non viene specificato, viene utilizzato <outputTableSpec>_error_records. Ad esempio, <PROJECT_ID>:<DATASET_NAME>.<TABLE_NAME>.
  • useStorageWriteApiAtLeastOnce: questo parametro ha effetto solo se Use BigQuery Storage Write API è abilitata. Se abilitata, per l'API Storage Write verrà utilizzata la semantica "at-least-once", altrimenti verrà utilizzata la semantica "exactly-once". Il valore predefinito è false.
  • useStorageWriteApi: se è true, la pipeline utilizza l'API BigQuery Storage Write (https://cloud.google.com/bigquery/docs/write-api). Il valore predefinito è false. Per saperne di più, vedi Utilizzo dell'API Storage Write (https://beam.apache.org/documentation/io/built-in/google-bigquery/#storage-write-api).
  • numStorageWriteApiStreams: quando si utilizza l'API Storage Write, specifica il numero di stream di scrittura. Se useStorageWriteApi è true e useStorageWriteApiAtLeastOnce è false, devi impostare questo parametro. Il valore predefinito è 0.
  • storageWriteApiTriggeringFrequencySec: quando si utilizza l'API Storage Write, specifica la frequenza di attivazione, in secondi. Se useStorageWriteApi è true e useStorageWriteApiAtLeastOnce è false, devi impostare questo parametro.
  • pythonExternalTextTransformGcsPath: il pattern del percorso Cloud Storage per il codice Python contenente le funzioni definite dall'utente. Ad esempio, gs://your-bucket/your-function.py.
  • pythonExternalTextTransformFunctionName: il nome della funzione da chiamare dal file Python. Utilizza solo lettere, cifre e trattini bassi. Ad esempio, 'transform' or 'transform_udf1'.

Funzione definita dall'utente

Questo modello richiede una funzione definita dall'utente che analizzi i file di input, come descritto in Requisiti della pipeline. Il modello chiama la funzione definita dall'utente per ogni riga di testo in ogni file di input. Per saperne di più sulla creazione di funzioni definite dall'utente, vedi Creare funzioni definite dall'utente per i modelli Dataflow.

Specifica della funzione

La funzione definita dall'utente ha la seguente specifica:

  • Input: una singola riga di testo da un file di input.
  • Output: una stringa JSON che corrisponde allo schema della tabella di destinazione BigQuery.

Esegui il modello

Console

  1. Vai alla pagina Crea job da modello di Dataflow.
  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, vedi Località di Dataflow.

  5. Nel menu a discesa Modello Dataflow, seleziona il modello Testo Cloud Storage a BigQuery (flusso) con funzione definita dall'utente Python.
  6. Nei campi dei parametri forniti, inserisci i valori dei parametri.
  7. Fai clic su Esegui job.

gcloud

Esegui il modello nella shell o nel terminale:

gcloud dataflow flex-template run JOB_NAME \
    --template-file-gcs-location gs://dataflow-templates-REGION_NAME/VERSION/flex/ \
    --region REGION_NAME \
    --staging-location STAGING_LOCATION \
    --parameters \
pythonExternalTextTransformGcsPath=PATH_TO_PYTHON_UDF_FILE,\
pythonExternalTextTransformFunctionName=PYTHON_FUNCTION,\
JSONPath=PATH_TO_BIGQUERY_SCHEMA_JSON,\
inputFilePattern=PATH_TO_TEXT_DATA,\
outputTable=BIGQUERY_TABLE,\
outputDeadletterTable=BIGQUERY_UNPROCESSED_TABLE,\
bigQueryLoadingTemporaryDirectory=PATH_TO_TEMP_DIR_ON_GCS

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:

  • STAGING_LOCATION: la località per la gestione temporanea dei file locali (ad esempio, gs://your-bucket/staging)
  • PYTHON_FUNCTION: il nome della funzione definita dall'utente (UDF) Python che vuoi utilizzare.
  • PATH_TO_BIGQUERY_SCHEMA_JSON: il percorso Cloud Storage del file JSON contenente la definizione dello schema
  • PATH_TO_PYTHON_UDF_FILE: l'URI Cloud Storage del file di codice Python che definisce la funzione definita dall'utente (UDF) che vuoi utilizzare. Ad esempio, gs://my-bucket/my-udfs/my_file.py.
  • PATH_TO_TEXT_DATA: il percorso Cloud Storage del set di dati di testo
  • BIGQUERY_TABLE: il nome della tabella BigQuery
  • BIGQUERY_UNPROCESSED_TABLE: il nome della tabella BigQuery per i messaggi non elaborati
  • PATH_TO_TEMP_DIR_ON_GCS: il percorso Cloud Storage della directory temporanea

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, vedi projects.templates.launch.

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/flexTemplates:launch
{
   "launch_parameter": {
      "jobName": "JOB_NAME",
      "parameters": {
       "pythonExternalTextTransformFunctionName": "PYTHON_FUNCTION",
       "JSONPath": "PATH_TO_BIGQUERY_SCHEMA_JSON",
       "pythonExternalTextTransformGcsPath": "PATH_TO_PYTHON_UDF_FILE",
       "inputFilePattern":"PATH_TO_TEXT_DATA",
       "outputTable":"BIGQUERY_TABLE",
       "outputDeadletterTable":"BIGQUERY_UNPROCESSED_TABLE",
       "bigQueryLoadingTemporaryDirectory": "PATH_TO_TEMP_DIR_ON_GCS"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/",
   }
}

Sostituisci quanto segue:

  • PROJECT_ID: l'ID progetto in cui vuoi eseguire il job Dataflow Google Cloud
  • 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:

  • STAGING_LOCATION: la località per la gestione temporanea dei file locali (ad esempio, gs://your-bucket/staging)
  • PYTHON_FUNCTION: il nome della funzione definita dall'utente (UDF) Python che vuoi utilizzare.
  • PATH_TO_BIGQUERY_SCHEMA_JSON: il percorso Cloud Storage del file JSON contenente la definizione dello schema
  • PATH_TO_PYTHON_UDF_FILE: l'URI Cloud Storage del file di codice Python che definisce la funzione definita dall'utente (UDF) che vuoi utilizzare. Ad esempio, gs://my-bucket/my-udfs/my_file.py.
  • PATH_TO_TEXT_DATA: il percorso Cloud Storage del set di dati di testo
  • BIGQUERY_TABLE: il nome della tabella BigQuery
  • BIGQUERY_UNPROCESSED_TABLE: il nome della tabella BigQuery per i messaggi non elaborati
  • PATH_TO_TEMP_DIR_ON_GCS: il percorso Cloud Storage della directory temporanea

Passaggi successivi