Créer un pipeline de traitement en flux continu à l'aide d'un modèle Dataflow

Ce guide de démarrage rapide explique comment créer un pipeline de traitement en flux continu à l'aide d'un modèle Dataflow fourni par Google. Plus précisément, nous utiliserons ici le modèle Pub/Sub vers BigQuery à titre d'exemple.

Le modèle Pub/Sub vers BigQuery est un pipeline de flux de données capable de lire des messages au format JSON à partir d'un sujet Pub/Sub et de les écrire dans une table BigQuery.

Pour obtenir des instructions détaillées sur cette tâche directement dans la console Google Cloud , cliquez sur Visite guidée :

Visite guidée

Avant de commencer

Effectuez les étapes suivantes avant d'exécuter votre pipeline.

Configurer votre projet

Connectez-vous à votre compte Google Cloud . Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $de crédits sans frais pour exécuter, tester et déployer des charges de travail.

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

Verify that billing is enabled for your Google Cloud project.

Enable the Dataflow, Compute Engine, Cloud Logging, Cloud Storage, Google Cloud Storage JSON, BigQuery, Pub/Sub, and Resource Manager APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

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

Verify that billing is enabled for your Google Cloud project.

Enable the Dataflow, Compute Engine, Cloud Logging, Cloud Storage, Google Cloud Storage JSON, BigQuery, Pub/Sub, and Resource Manager APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

Rôles requis

Pour suivre ce guide de démarrage rapide, vous avez besoin des rôles IAM (Identity and Access Management) suivants.

Pour obtenir les autorisations nécessaires pour suivre ce guide de démarrage rapide, demandez à votre administrateur de vous accorder les rôles IAM suivants sur votre projet :

Utilisateur BigQuery (roles/bigquery.user)
Administrateur Dataflow (roles/dataflow.admin)
Utilisateur du compte de service (roles/iam.serviceAccountUser)
Administrateur de l'espace de stockage (roles/storage.admin)

Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Vous pouvez également obtenir les autorisations requises avec des rôles personnalisés ou d'autres rôles prédéfinis.

Pour vous assurer que le compte de service Compute Engine par défaut dispose des autorisations nécessaires pour exécuter le job Dataflow, demandez à votre administrateur d'accorder au compte de service Compute Engine par défaut les rôles IAM suivants dans votre projet :

Éditeur de données BigQuery (roles/bigquery.dataEditor)
Nœud de calcul Dataflow (roles/dataflow.worker)
Éditeur Pub/Sub (roles/pubsub.editor)
Administrateur des objets de l'espace de stockage (roles/storage.objectAdmin)
Lecteur (roles/viewer)

Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Votre administrateur peut également attribuer au compte de service Compute Engine par défaut les autorisations requises à l'aide de rôles personnalisés ou d'autres rôles prédéfinis.

Créer un bucket Cloud Storage

Avant de pouvoir exécuter un pipeline, vous devez créer un bucket Cloud Storage.

Créez un bucket Cloud Storage :
1. Dans la console Google Cloud , accédez à la page Buckets Cloud Storage.
  Accéder à la page "Buckets"
2. Cliquez sur Créer.
3. Sur la page Créer un bucket, saisissez les informations concernant votre bucket. Pour passer à l'étape suivante, cliquez sur Continuer.
  1. Pour Nommer votre bucket, saisissez un nom unique. N'incluez aucune information sensible dans le nom des buckets, car leur espace de noms est global et visible par tous.
  2. Dans la section Choisir l'emplacement de stockage de vos données, procédez comme suit :
    1. Sélectionnez un type d'emplacement.
    2. Choisissez un emplacement où les données de votre bucket seront stockées de manière permanente dans le menu déroulant Type d'emplacement.
      - Si vous sélectionnez le type d'emplacement birégional, vous pouvez également choisir d'activer la réplication turbo à l'aide de la case à cocher correspondante.
    3. Pour configurer la réplication entre buckets, sélectionnez Ajouter une réplication entre buckets via le service de transfert de stockage et suivez ces étapes :
      Configurer la réplication entre buckets
      
      Dans le menu Bucket, sélectionnez un bucket.
      
      Dans la section Paramètres de réplication, cliquez sur Configurer pour configurer les paramètres du job de réplication.
      
      Le volet Configurer la réplication entre buckets s'affiche.
      
      Pour filtrer les objets à répliquer en fonction du préfixe de leur nom, saisissez le préfixe avec lequel vous souhaitez inclure ou exclure des objets, puis cliquez sur Ajouter un préfixe.
      
      Pour définir une classe de stockage pour les objets répliqués, sélectionnez-en une dans le menu Classe de stockage. Si vous ignorez cette étape, les objets répliqués utiliseront la classe de stockage par défaut du bucket de destination.
      
      Cliquez sur OK.
  3. Dans la section Choisir comment stocker vos données, procédez comme suit :
    1. Dans la section Définir une classe par défaut, sélectionnez Standard.
    2. Pour activer l'espace de noms hiérarchique, dans la section Optimiser l'espace de stockage pour les charges de travail utilisant beaucoup de données, sélectionnez Activer l'espace de noms hiérarchique sur ce bucket.
      Remarque : Vous ne pouvez pas activer l'espace de noms hiérarchique dans des buckets existants.
  4. Dans la section Choisir comment contrôler l'accès aux objets, indiquez si votre bucket applique ou non la protection contre l'accès public et sélectionnez une méthode de contrôle des accès pour les objets de votre bucket.
    Remarque : Vous ne pouvez pas modifier le paramètre Empêcher l'accès public s'il est appliqué au niveau d'une règle d'administration.
  5. Dans la section Choisir comment protéger les données d'objet, procédez comme suit :
    - Sous Protection des données, sélectionnez les options que vous souhaitez définir pour votre bucket.
      - Pour activer la suppression réversible, cochez la case Règle de suppression réversible (pour la récupération de données), puis spécifiez le nombre de jours pendant lesquels vous souhaitez conserver les objets après leur suppression.
      - Pour configurer la gestion des versions d'objets, cochez la case Gestion des versions des objets (pour le contrôle des versions), puis spécifiez le nombre maximal de versions par objet et le nombre de jours après lesquels les versions obsolètes expirent.
      - Pour activer la règle de conservation sur les objets et les buckets, cochez la case Conservation (pour la conformité), puis procédez comme suit :
        
        Pour activer le verrou de conservation des objets, cochez la case Activer la conservation des objets.
        
        Pour activer le verrou de bucket, cochez la case Définir une règle de conservation du bucket, puis choisissez une unité de temps et une durée pour votre période de conservation.
    - Pour choisir comment vos données d'objet seront chiffrées, développez la section Chiffrement des données (), puis sélectionnez une méthode de chiffrement des données.
4. Cliquez sur Créer.
Copiez les éléments suivants, car vous en aurez besoin dans une section ultérieure :
- Le nom de votre bucket Cloud Storage.
- ID de votre projet Google Cloud .
Pour trouver cet ID, consultez Identifier des projets.

Réseau VPC

Par défaut, chaque nouveau projet démarre avec un réseau par défaut. Si le réseau par défaut de votre projet est désactivé ou a été supprimé, vous devez disposer d'un réseau dans votre projet pour lequel votre compte utilisateur dispose du rôle Utilisateur de réseau Compute (roles/compute.networkUser).

Créer un ensemble de données et une table BigQuery

Créez un ensemble de données et une table BigQuery selon le schéma approprié à votre sujet Pub/Sub à l'aide de la console Google Cloud .

Dans cet exemple, le nom de l'ensemble de données est taxirides et le nom de la table est realtime. Pour créer cet ensemble de données et cette table, procédez comme suit :

Accédez à la page BigQuery.
Accéder à BigQuery
Dans le panneau Explorateur, à côté du projet dans lequel vous souhaitez créer l'ensemble de données, cliquez sur Afficher les actions, puis cliquez sur Créer un ensemble de données.
Remarque : L'expérience par défaut est la console Google Cloud en version bêta. Si vous avez cliqué sur Masquer les fonctionnalités d'aperçu pour accéder à la console Google Cloud , procédez comme suit : dans la section Ressources du panneau de navigation, sélectionnez votre projet.
Dans le panneau Créer un ensemble de données, procédez comme suit :

Dans le champ ID de l'ensemble de données, saisissez taxirides. Les ID des ensembles de données sont uniques pour chaque projet Google Cloud .
Pour Type d'emplacement, choisissez Multirégional, puis sélectionnez US (plusieurs régions aux États-Unis). Les ensembles de données publics sont stockés dans l'emplacement multirégional US. Par souci de simplicité, utilisez le même emplacement pour votre ensemble de données.
Conservez les autres paramètres par défaut, puis cliquez sur Créer un ensemble de données.

Dans le panneau Explorateur, développez votre projet.
À côté de votre ensemble de données taxirides, cliquez sur Afficher les actions, puis sur Créer une table.
Remarque : L'expérience par défaut est la console Google Cloud en version bêta. Si vous avez cliqué sur Masquer les fonctionnalités d'aperçu pour accéder à la console Google Cloud , procédez plutôt comme suit : dans la section Ressources du panneau de navigation, sélectionnez l'ensemble de données taxirides que vous avez créé.
Dans le panneau Créer une table, procédez comme suit :

Dans la section Source, sous Créer une table à partir de, sélectionnez Table vide.
Pour le champ Table de la section Destination, saisissez realtime.

Dans la section Schéma, cliquez sur le bouton Modifier sous forme de texte et collez la définition de schéma suivante dans la zone :

ride_id:string,point_idx:integer,latitude:float,longitude:float,timestamp:timestamp,
meter_reading:float,meter_increment:float,ride_status:string,passenger_count:integer

Dans la section Paramètres de partitionnement et de clustering, sous Partitionnement, sélectionnez le champ Code temporel.

Ne modifiez aucun autre paramètre par défaut et cliquez sur Créer une table.

Exécuter le pipeline

Exécutez un pipeline de flux de données à l'aide du modèle Pub/Sub vers BigQuery fourni par Google. Le pipeline reçoit des données entrantes à partir du sujet d'entrée.

Accédez à la page Tâches Dataflow.
Accéder aux tâches
Cliquez sur Créer une tâche à partir d'un modèle.
Saisissez taxi-data comme nom de la tâche pour votre tâche Dataflow.
Pour Modèle Dataflow, sélectionnez le modèle Pub/Sub vers BigQuery.
Dans le champ Table BigQuery de sortie, saisissez ce qui suit :
```
PROJECT_ID:taxirides.realtime
```
Remplacez PROJECT_ID par l'ID du projet dans lequel vous avez créé l'ensemble de données BigQuery.
Dans la section Paramètres source facultatifs, cliquez sur Saisir le sujet manuellement dans le champ Sujet Pub/Sub d'entrée.

Dans la boîte de dialogue, saisissez les éléments suivants comme Nom du sujet, puis cliquez sur Enregistrer :

projects/pubsub-public-data/topics/taxirides-realtime

Ce sujet Pub/Sub disponible publiquement est basé sur l'ensemble de données ouvert de la NYC Taxi & Limousine Commission. Voici un exemple de message de cet article au format JSON :

{
  "ride_id": "19c41fc4-e362-4be5-9d06-435a7dc9ba8e",
  "point_idx": 217,
  "latitude": 40.75399,
  "longitude": -73.96302,
  "timestamp": "2021-03-08T02:29:09.66644-05:00",
  "meter_reading": 6.293821,
  "meter_increment": 0.029003782,
  "ride_status": "enroute",
  "passenger_count": 1
}

Dans le champ Emplacement temporaire, saisissez ce qui suit :
```
gs://BUCKET_NAME/temp/
```
Remplacez BUCKET_NAME par le nom de votre bucket Cloud Storage. Le dossier temp stocke les fichiers temporaires, comme la tâche de pipeline en préproduction.
Si votre projet ne possède pas de réseau par défaut, saisissez un réseau et un sous-réseau. Pour en savoir plus, consultez Spécifier un réseau et un sous-réseau.
Remarque : Sauf indication contraire via l'option network, l'exécuteur Dataflow exécute des jobs sur le réseau cloud privé virtuel default. Si votre projet ne possède pas de réseau par défaut et que vous ne spécifiez pas de réseau, une erreur se produit. Il est possible que vous ne disposiez pas d'un réseau par défaut si le réseau par défaut a été supprimé ou si une contrainte de règle d'administration empêche la création du réseau par défaut.
Cliquez sur Run Job (Exécuter la tâche).

Afficher les résultats

Pour afficher les données écrites dans la table realtime, procédez comme suit :

Accédez à la page BigQuery.

Accéder à BigQuery
Cliquez sur Saisir une nouvelle requête. Un onglet Éditeur s'affiche.
```
SELECT * FROM `PROJECT_ID.taxirides.realtime`
WHERE `timestamp` > TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 1 DAY)
LIMIT 1000
```
Remplacez PROJECT_ID par l'ID du projet dans lequel vous avez créé l'ensemble de données BigQuery. L'affichage des données dans votre tableau peut prendre jusqu'à cinq minutes.
Cliquez sur Exécuter.

La requête renvoie les lignes qui ont été ajoutées à votre table au cours des dernières 24 heures. Vous pouvez également exécuter des requêtes en SQL standard.

Effectuer un nettoyage

Pour éviter que les ressources utilisées dans cette démonstration soient facturées sur votre compte Google Cloud , procédez comme suit :

Supprimer le projet

Le moyen le plus simple d'éviter la facturation consiste à supprimer le Google Cloud projet que vous avez créé pour le guide de démarrage rapide.

Attention : La suppression d'un projet aura les effets suivants :

Tout le contenu du projet est supprimé. Si vous avez utilisé un projet existant pour les tâches décrites dans ce document et que vous le supprimez, vous supprimerez également tout autre travail effectué dans le projet.
Les ID de projets personnalisés sont perdus. Lorsque vous avez créé ce projet, vous avez peut-être créé un ID de projet personnalisé que vous souhaitez utiliser à l'avenir. Pour conserver les URL qui utilisent l'ID de projet, telle qu'une URL appspot.com, supprimez les ressources sélectionnées dans le projet au lieu de supprimer l'ensemble du projet.

Si vous envisagez d'explorer plusieurs architectures, tutoriels et guides de démarrage rapide, réutiliser des projets peut vous aider à ne pas dépasser les limites de quotas des projets.

Dans la console Google Cloud , accédez à la page Gérer les ressources.
Accéder à la page "Gérer les ressources"
Dans la liste des projets, sélectionnez le projet que vous souhaitez supprimer, puis cliquez sur Supprimer.
Dans la boîte de dialogue, saisissez l'ID du projet, puis cliquez sur Arrêter pour supprimer le projet.

Supprimer les ressources individuelles

Si vous souhaitez conserver le projet Google Cloud que vous avez utilisé dans ce guide de démarrage rapide, supprimez les ressources individuelles :

Accédez à la page Tâches Dataflow.
Accéder aux tâches
Sélectionnez votre tâche de traitement par flux dans la liste des tâches.
Dans la barre de navigation, cliquez sur Arrêter.
Dans la boîte de dialogue Arrêter la tâche, annulez ou drainez votre pipeline, puis cliquez sur Arrêter la tâche.
Accédez à la page BigQuery.
Accéder à BigQuery
Sur le panneau Explorateur, développez votre projet.
À côté de l'ensemble de données que vous souhaitez supprimer, cliquez sur Afficher les actions, puis sur Ouvrir.
Dans le panneau des détails, cliquez sur Supprimer l'ensemble de données, puis suivez les instructions.
Dans la console Google Cloud , accédez à la page Buckets de Cloud Storage.
Accéder à la page "Buckets"
Cochez la case correspondant au bucket que vous souhaitez supprimer.
Pour supprimer le bucket, cliquez sur Supprimer , puis suivez les instructions.

Créer un pipeline de traitement en flux continu à l'aide d'un modèle Dataflow

Avant de commencer

Configurer votre projet

Rôles requis

Créer un bucket Cloud Storage

Configurer la réplication entre buckets

Réseau VPC

Créer un ensemble de données et une table BigQuery

Exécuter le pipeline

Afficher les résultats

Effectuer un nettoyage

Supprimer le projet

Supprimer les ressources individuelles

Étapes suivantes