Creare una pipeline di flussi di dati utilizzando un modello Dataflow

Creare una pipeline di flussi di dati utilizzando un modello Dataflow

Questa guida rapida mostra come creare una pipeline di flussi di dati utilizzando un modello Dataflow fornito da Google. In particolare, questa guida rapida utilizza come esempio il modello Da Pub/Sub a BigQuery.

Il modello Da Pub/Sub a BigQuery è una pipeline di flussi di dati che può leggere i messaggi in formato JSON da un argomento Pub/Sub e scriverli in una tabella BigQuery.

---

Per seguire le indicazioni dettagliate per questa attività direttamente nella Google Cloud console, fai clic su Procedura guidata:

Procedura guidata

---

Prima di iniziare

Completa i seguenti passaggi prima di eseguire la pipeline.

Configura il progetto

Accedi al tuo Google Cloud account. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti senza costi per l'esecuzione, il test e il deployment dei workload.

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.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

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.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

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

Ruoli obbligatori

Per completare questa guida rapida, devi disporre dei seguenti ruoli Identity and Access Management (IAM).

Per ottenere le autorizzazioni necessarie per completare questa guida rapida, chiedi all'amministratore di concederti i seguenti ruoli IAM nel tuo progetto:

• Utente BigQuery (roles/bigquery.user)
• Dataflow Admin (roles/dataflow.admin)
• Utente Service Account (roles/iam.serviceAccountUser)
• Storage Admin (roles/storage.admin)

Per saperne di più sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

Potresti anche riuscire a ottenere le autorizzazioni richieste tramite i ruoli personalizzati o altri ruoli predefiniti.

Per assicurarti che il account di servizio predefinito di Compute Engine disponga delle autorizzazioni necessarie per eseguire il job Dataflow, chiedi all'amministratore di concedere i seguenti ruoli IAM al account di servizio predefinito di Compute Engine nel tuo progetto:

Importante: devi concedere questi ruoli al account di servizio predefinito di Compute Engine, non al tuo account utente. La mancata concessione dei ruoli all'entità corretta potrebbe comportare errori di autorizzazione.

• Editor dati BigQuery (roles/bigquery.dataEditor)
• Dataflow Worker (roles/dataflow.worker)
• Editor Pub/Sub (roles/pubsub.editor)
• Storage Object Admin (roles/storage.objectAdmin)
• Visualizzatore (roles/viewer)

Per saperne di più sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

L'amministratore potrebbe anche essere in grado di concedere al account di servizio predefinito di Compute Engine le autorizzazioni richieste tramite ruoli personalizzati o altri ruoli predefiniti.

Crea un bucket Cloud Storage

Prima di poter eseguire una pipeline, devi creare un bucket Cloud Storage.

1. Crea un bucket Cloud Storage:

   1. Nella Google Cloud console, vai alla pagina Bucket in Cloud Storage.

      Vai a Bucket

   2. Fai clic su Crea.
   3. Nella pagina Crea un bucket, inserisci le informazioni del bucket. Per passare al passaggio successivo, fai clic su Continua.
      1. In Assegna un nome al bucket, inserisci un nome univoco per il bucket. Non includere informazioni sensibili nel nome del bucket, poiché lo spazio dei nomi dei bucket è globale e visibile pubblicamente.
      2. Nella sezione Scegli dove archiviare i tuoi dati, segui questi passaggi:
         1. Seleziona un tipo di località.
         2. Scegli una località in cui i dati del bucket vengono archiviati in modo permanente dal menu a discesa Tipo di località.
            • Se selezioni il tipo di località a due regioni, puoi anche scegliere di abilitare la replica turbo utilizzando la casella di controllo pertinente.
         3. Per configurare la replica tra bucket, seleziona Aggiungi una replica tra bucket mediante Storage Transfer Service e segui questi passaggi:

            Configura la replica tra bucket

            1. Nel menu Bucket, seleziona un bucket.

            2. Nella sezione Impostazioni di replica , fai clic su Configura per configurare le impostazioni del job di replica.

               Viene visualizzato il riquadro Configura replica tra bucket.

               • Per filtrare gli oggetti da replicare in base al prefisso del nome dell'oggetto, inserisci un prefisso da cui vuoi includere o escludere gli oggetti, quindi fai clic su Aggiungi un prefisso.
               • Per impostare una classe di archiviazione per gli oggetti replicati, seleziona una classe di archiviazione dal menu Classe di archiviazione. Se salti questo passaggio, gli oggetti replicati utilizzeranno per impostazione predefinita la classe di archiviazione del bucket di destinazione.
               • Fai clic su Fine.
      3. Nella sezione Scegli come archiviare i tuoi dati, segui questi passaggi:
         1. Nella sezione Imposta una classe predefinita, seleziona Standard.
         2. Per abilitare lo spazio dei nomi gerarchico, nella sezione Ottimizza l'archiviazione per i workload con uso intensivo dei dati, seleziona Abilita uno spazio dei nomi gerarchico in questo bucket.
            Nota: non puoi abilitare lo spazio dei nomi gerarchico nei bucket esistenti.
      4. Nella sezione Scegli come controllare l'accesso agli oggetti, seleziona se il bucket applica o meno la prevenzione dell'accesso pubblico, e seleziona un metodo di controllo dell'accesso per gli oggetti del bucket.
         Nota: non puoi modificare l'impostazione Impedisci l'accesso pubblico se questa impostazione è applicata a un criterio dell'organizzazione.
      5. Nella sezione Scegli come proteggere i dati degli oggetti, segui questi passaggi:
         • Seleziona una delle opzioni in Protezione dei dati che vuoi impostare per il bucket.
           • Per abilitare l'eliminazione temporanea, fai clic sulla casella di controllo Policy di eliminazione temporanea (per il recupero dati) e specifica il numero di giorni per cui vuoi conservare gli oggetti dopo l'eliminazione.
           • Per impostare il controllo delle versioni degli oggetti, fai clic sulla casella di controllo Controllo delle versioni degli oggetti (per il controllo delle versioni) e specifica il numero massimo di versioni per oggetto e il numero di giorni dopo i quali le versioni non correnti scadono.
           • Per abilitare il criterio di conservazione su oggetti e bucket, fai clic sulla casella di controllo Conservazione (per la conformità) e poi:
             • Per abilitare il blocco della conservazione degli oggetti, fai clic sulla casella di controllo Abilita conservazione degli oggetti.
             • Per abilitare il blocco del bucket, fai clic sulla casella di controllo Imposta policy di conservazione del bucket e scegli un'unità di tempo e una durata per il periodo di conservazione.
         • Per scegliere come criptare i dati degli oggetti, espandi la la sezione Criptaggio dei dati () e seleziona un metodo di criptaggio dei dati.
   4. Fai clic su Crea.

2. Copia quanto segue, poiché ti servirà in una sezione successiva:

   • Il nome del bucket Cloud Storage.
   • L'ID del progetto. Google Cloud

   Per trovare questo ID, consulta Identificare i progetti.

Rete VPC

Per impostazione predefinita, ogni nuovo progetto viene avviato con una rete predefinita. Se la rete predefinita per il tuo progetto è disabilitata o è stata eliminata, devi avere una rete nel tuo progetto per la quale il tuo account utente ha il ruolo Utente di rete Compute (roles/compute.networkUser).

Creare un set di dati e una tabella BigQuery

Crea un set di dati e una tabella BigQuery con lo schema appropriato per l'arglio Pub/Sub utilizzando la Google Cloud console.

In questo esempio, il nome del set di dati è taxirides e il nome della tabella è realtime. Per creare questo set di dati e questa tabella:

1. Vai alla pagina BigQuery.
   Vai a BigQuery
2. Nel riquadro Explorer, accanto al progetto in cui vuoi creare il set di dati, fai clic su Visualizza azioni, quindi su Crea set di dati.
   Nota: l'esperienza predefinita è la console Google Cloud di anteprima. Se hai fatto clic su Nascondi funzionalità di anteprima per accedere alla Google Cloud console, esegui invece il seguente passaggio: nel pannello di navigazione, nella Risorse sezione, seleziona il tuo progetto.
3. Nel riquadro Crea set di dati, segui questi passaggi:
1. In ID set di dati, inserisci taxirides. Gli ID dei set di dati sono univoci per ogni Google Cloud progetto.
2. Per Tipo di località, scegli Più regioni e poi Stati Uniti (più regioni negli Stati Uniti). I set di dati pubblici sono archiviati nella località US (più regioni). Per semplicità, inserisci il tuo set di dati nella stessa località.
3. Lascia invariate le altre impostazioni predefinite e fai clic su Crea set di dati.
4. Nel riquadro Explorer, espandi il progetto.
5. Accanto al set di dati taxirides, fai clic Visualizza azioni, quindi fai clic su Crea tabella.
   Nota: l'esperienza predefinita è la console Google Cloud di anteprima. Se hai fatto clic su Nascondi funzionalità di anteprima per accedere alla Google Cloud console, esegui invece il seguente passaggio: nel pannello di navigazione, nella Risorse sezione, seleziona il taxirides set di dati che hai creato.
6. Nel riquadro Crea tabella, segui questi passaggi:
1. Nella sezione Origine, in Crea tabella da, seleziona Tabella vuota.
2. Nella sezione Destinazione, in Tabella, inserisci realtime.
3. Nella sezione Schema, fai clic sull'opzione di attivazione/disattivazione Modifica come testo e incolla la seguente definizione di schema nel riquadro:
   

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

4. Nella sezione Impostazioni di partizionamento e clustering, per Partizionamento, seleziona il campo timestamp.
7. Lascia invariate le altre impostazioni predefinite e fai clic su Crea tabella.

esegui la pipeline.

Esegui una pipeline di flussi di dati utilizzando il modello Da Pub/Sub a BigQuery fornito da Google. La pipeline riceve i dati in entrata dall'argomento di input.

1. Vai alla pagina Job Dataflow:
   Vai a Job
2. Fai clic su Crea job da modello.
3. Inserisci taxi-data come Nome job per il tuo job Dataflow.
4. In Modello Dataflow, seleziona il modello Da Pub/Sub a BigQuery.
5. In Tabella di output BigQuery, inserisci quanto segue:

   PROJECT_ID:taxirides.realtime

   Sostituisci PROJECT_ID con l'ID progetto del progetto in cui hai creato il set di dati BigQuery.

6. Nella sezione Parametri facoltativi dell'origine, nel campo Argomento di input Pub/Sub, fai clic su Inserisci argomento manualmente.
7. Nella finestra di dialogo, in Nome argomento, inserisci quanto segue e poi fai clic su Salva:

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

   Questo argomento Pub/Sub disponibile pubblicamente si basa sul set di dati aperto della NYC Taxi & Limousine Commission's. Di seguito è riportato un messaggio di esempio di questo argomento, in il formato 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
   }

8. Per Località temporanea, inserisci quanto segue:

   gs://BUCKET_NAME/temp/

   Sostituisci BUCKET_NAME con il nome del tuo bucket Cloud Storage. La cartella temp archivia i file temporanei, come il job della pipeline di staging.

9. Se il tuo progetto non ha una rete predefinita, inserisci una Rete e una Subnet. Per saperne di più, consulta Specificare una rete e una subnet.
   Nota: se non specificato tramite l'opzione network, il runner Dataflow esegue i job nella rete Virtual Private Cloud default. Se il tuo progetto non ha una rete predefinita e non ne specifichi una, si verifica un errore. Potresti non avere una rete predefinita se è stata eliminata o se un vincolo dei criteri dell'organizzazione impedisce la creazione della rete predefinita.
10. Fai clic su Esegui job.

Visualizza i tuoi risultati

Per visualizzare i dati scritti nella tabella realtime:

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Fai clic su Crea una nuova query. Si apre una nuova scheda Editor.

   SELECT * FROM `PROJECT_ID.taxirides.realtime`
   WHERE `timestamp` > TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 1 DAY)
   LIMIT 1000

   Sostituisci PROJECT_ID con l'ID progetto del progetto in cui hai creato il set di dati BigQuery. La visualizzazione dei dati nella tabella può richiedere fino a cinque minuti.

3. Fai clic su Esegui.

   La query restituisce le righe che sono state aggiunte alla tabella nelle ultime 24 ore. Puoi anche eseguire query utilizzando SQL standard.

Libera spazio

Per evitare che al tuo Google Cloud account vengano addebitati costi relativi alle risorse utilizzate in questa pagina, segui questi passaggi.

Elimina il progetto

Il modo più semplice per eliminare la fatturazione è eliminare il Google Cloud progetto creato per la guida rapida.

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per, le attività descritte in questo documento, eliminerai anche tutto il lavoro che hai svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

1. Nella Google Cloud console, vai alla pagina Gestisci risorse.

   Vai a Gestisci risorse

2. Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
3. Nella finestra di dialogo, digita l'ID progetto e fai clic su Chiudi per eliminare il progetto.

Elimina le singole risorse

Se vuoi conservare il Google Cloud progetto che hai utilizzato in questa guida rapida, elimina le singole risorse:

1. Vai alla pagina Job Dataflow:
   Vai a Job
2. Seleziona il job di flussi di dati dall'elenco dei job.
3. Nella navigazione, fai clic su Arresta.
4. Nella finestra di dialogo Arresta job, annulla o svuota la pipeline, quindi fai clic su Arresta job.
5. Vai alla pagina BigQuery.
   Vai a BigQuery
6. Nel riquadro Explorer, espandi il progetto.
7. Accanto al set di dati che vuoi eliminare, fai clic su Visualizza azioni, quindi fai clic su Apri.
8. Nel riquadro dei dettagli, fai clic su Elimina set di dati e segui le istruzioni.
9. Nella Google Cloud console, vai alla pagina Bucket in Cloud Storage.

   Vai a Bucket

10. Fai clic sulla casella di controllo del bucket da eliminare.
11. Per eliminare il bucket, fai clic su Elimina e segui le istruzioni.

Passaggi successivi

• Panoramica dei modelli Dataflow
• Creazione di modelli classici
• Esecuzione di modelli classici
• Modelli forniti da Google