Pipeline Cloud Storage Text ke BigQuery adalah pipeline streaming yang men-streaming file teks yang disimpan di Cloud Storage, mentransformasikannya menggunakan fungsi yang ditentukan pengguna (UDF) JavaScript yang Anda berikan, dan menambahkan hasilnya ke BigQuery.
Pipeline berjalan tanpa batas dan harus dihentikan secara manual melalui cancel, bukan drain, karena penggunaan transformasi Watch, yang merupakan DoFn yang dapat dibagi dan tidak mendukung pengosongan.
Persyaratan pipeline
- Buat file JSON yang mendeskripsikan skema tabel output Anda di BigQuery.
Pastikan ada array JSON tingkat teratas yang berjudul
fieldsdan isinya mengikuti pola{"name": "COLUMN_NAME", "type": "DATA_TYPE"}. Contoh:{ "fields": [ { "name": "name", "type": "STRING" }, { "name": "age", "type": "INTEGER" } ] }
- Buat file JavaScript (
.js) dengan fungsi UDF yang menyediakan logika untuk mengubah baris teks. Fungsi Anda harus menampilkan string JSON.Contoh berikut memisahkan setiap baris file CSV, membuat objek JSON dengan nilai, dan menampilkan string JSON:
function process(inJson) { val = inJson.split(","); const obj = { "name": val[0], "age": parseInt(val[1]) }; return JSON.stringify(obj); }
Parameter template
Parameter yang diperlukan
- inputFilePattern: Jalur gs:// ke teks di Cloud Storage yang ingin Anda proses. Contoh,
gs://your-bucket/your-file.txt. - JSONPath: Jalur gs:// ke file JSON yang menentukan skema BigQuery Anda, yang disimpan di Cloud Storage. Contoh,
gs://your-bucket/your-schema.json. - outputTable: Lokasi tabel BigQuery yang akan digunakan untuk menyimpan data yang diproses. Jika Anda menggunakan kembali tabel yang sudah ada, tabel tersebut akan ditimpa. Contoh,
<PROJECT_ID>:<DATASET_NAME>.<TABLE_NAME>. - javascriptTextTransformGcsPath: Cloud Storage URI dari file
.jsyang menentukan fungsi yang ditentukan pengguna (UDF) JavaScript yang ingin Anda gunakan. Contoh,gs://your-bucket/your-transforms/*.js. - javascriptTextTransformFunctionName: Nama fungsi yang ditentukan pengguna (UDF) JavaScript yang ingin Anda gunakan. Misalnya, jika kode fungsi JavaScript Anda adalah
myTransform(inJson) { /*...do stuff...*/ }, maka nama fungsinya adalahmyTransform. Untuk contoh UDF JavaScript, lihat Contoh UDF (https://github.com/GoogleCloudPlatform/DataflowTemplates#udf-examples) Misalnya,transform_udf1. - bigQueryLoadingTemporaryDirectory: Direktori sementara untuk proses pemuatan BigQuery. Contoh,
gs://your-bucket/your-files/temp-dir.
Parameter opsional
- outputDeadletterTable: Tabel untuk pesan yang gagal mencapai tabel output. Jika tidak ada, tabel akan dibuat selama eksekusi pipeline. Jika tidak ditentukan,
<outputTableSpec>_error_recordsakan digunakan. Contoh,<PROJECT_ID>:<DATASET_NAME>.<TABLE_NAME>. - useStorageWriteApiAtLeastOnce: Parameter ini hanya berlaku jika
Use BigQuery Storage Write APIdiaktifkan. Jika diaktifkan, semantik setidaknya satu kali akan digunakan untuk Storage Write API, jika tidak, semantik tepat satu kali akan digunakan. Nilai defaultnya: salah. - useStorageWriteApi: Jika
true, pipeline menggunakan BigQuery Storage Write API (https://cloud.google.com/bigquery/docs/write-api). Nilai defaultnya adalahfalse. Untuk mengetahui informasi selengkapnya, lihat Menggunakan Storage Write API (https://beam.apache.org/documentation/io/built-in/google-bigquery/#storage-write-api). - 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. - pythonExternalTextTransformGcsPath: Pola jalur Cloud Storage untuk kode Python yang berisi fungsi yang ditentukan pengguna (UDF). Contoh,
gs://your-bucket/your-function.py. - javascriptTextTransformReloadIntervalMinutes: Menentukan seberapa sering UDF dimuat ulang, dalam hitungan menit. Jika nilainya lebih besar dari 0, Dataflow akan memeriksa file UDF di Cloud Storage secara berkala, dan memuat ulang UDF jika file dimodifikasi. Parameter ini memungkinkan Anda mengupdate UDF saat pipeline sedang berjalan, tanpa perlu memulai ulang tugas. Jika nilainya adalah
0, pemuatan ulang UDF akan dinonaktifkan. Nilai defaultnya adalah0.
Fungsi yang ditentukan pengguna (UDF)
Template ini memerlukan UDF yang mem-parsing file input, seperti yang dijelaskan dalam Persyaratan pipeline. Template ini memanggil UDF untuk setiap baris teks di setiap file input. Untuk mengetahui informasi selengkapnya tentang cara membuat UDF, lihat Membuat fungsi yang ditentukan pengguna (UDF) untuk template Dataflow.
Spesifikasi fungsi
UDF memiliki spesifikasi berikut:
- Input: satu baris teks dari file input.
- Output: string JSON yang cocok dengan skema tabel tujuan BigQuery.
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 Template Dataflow, pilih the Cloud Storage Text to BigQuery (Stream) template.
- 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-REGION_NAME/VERSION/flex/Stream_GCS_Text_to_BigQuery_Flex \ --region REGION_NAME \ --staging-location STAGING_LOCATION \ --parameters \ javascriptTextTransformGcsPath=PATH_TO_JAVASCRIPT_UDF_FILE,\ javascriptTextTransformFunctionName=JAVASCRIPT_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
Ganti kode berikut:
JOB_NAME: nama tugas unik pilihan AndaREGION_NAME: region tempat Anda ingin men-deploy tugas Dataflow—misalnya,us-central1VERSION: 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-REGION_NAME/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/
STAGING_LOCATION: lokasi untuk menyiapkan file lokal (misalnya,gs://your-bucket/staging)JAVASCRIPT_FUNCTION: nama fungsi yang ditentukan pengguna (UDF) JavaScript yang ingin Anda gunakanMisalnya, jika kode fungsi JavaScript Anda adalah
myTransform(inJson) { /*...do stuff...*/ }, maka nama fungsinya adalahmyTransform. Untuk contoh UDF JavaScript, lihat Contoh UDF.PATH_TO_BIGQUERY_SCHEMA_JSON: jalur Cloud Storage ke file JSON yang berisi definisi skemaPATH_TO_JAVASCRIPT_UDF_FILE: Cloud Storage URI dari file.jsyang menentukan fungsi yang ditentukan pengguna (UDF) JavaScript yang ingin Anda gunakan—misalnya,gs://my-bucket/my-udfs/my_file.jsPATH_TO_TEXT_DATA: jalur Cloud Storage Anda ke set data teksBIGQUERY_TABLE: nama tabel BigQuery AndaBIGQUERY_UNPROCESSED_TABLE: nama tabel BigQuery Anda untuk pesan yang belum diprosesPATH_TO_TEMP_DIR_ON_GCS: jalur Cloud Storage ke direktori sementara
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": { "javascriptTextTransformFunctionName": "JAVASCRIPT_FUNCTION", "JSONPath": "PATH_TO_BIGQUERY_SCHEMA_JSON", "javascriptTextTransformGcsPath": "PATH_TO_JAVASCRIPT_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/Stream_GCS_Text_to_BigQuery_Flex", } }
Ganti kode berikut:
PROJECT_ID: Google Cloud Project ID tempat Anda ingin menjalankan tugas DataflowJOB_NAME: nama tugas unik pilihan AndaLOCATION: region tempat Anda ingin men-deploy tugas Dataflow—misalnya,us-central1VERSION: 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-REGION_NAME/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/
STAGING_LOCATION: lokasi untuk menyiapkan file lokal (misalnya,gs://your-bucket/staging)JAVASCRIPT_FUNCTION: nama fungsi yang ditentukan pengguna (UDF) JavaScript yang ingin Anda gunakanMisalnya, jika kode fungsi JavaScript Anda adalah
myTransform(inJson) { /*...do stuff...*/ }, maka nama fungsinya adalahmyTransform. Untuk contoh UDF JavaScript, lihat Contoh UDF.PATH_TO_BIGQUERY_SCHEMA_JSON: jalur Cloud Storage ke file JSON yang berisi definisi skemaPATH_TO_JAVASCRIPT_UDF_FILE: Cloud Storage URI dari file.jsyang menentukan fungsi yang ditentukan pengguna (UDF) JavaScript yang ingin Anda gunakan—misalnya,gs://my-bucket/my-udfs/my_file.jsPATH_TO_TEXT_DATA: jalur Cloud Storage Anda ke set data teksBIGQUERY_TABLE: nama tabel BigQuery AndaBIGQUERY_UNPROCESSED_TABLE: nama tabel BigQuery Anda untuk pesan yang belum diprosesPATH_TO_TEMP_DIR_ON_GCS: jalur Cloud Storage ke direktori sementara
Langkah berikutnya
- Pelajari template Dataflow.
- Lihat daftar template yang disediakan Google.