Importazione utilizzando i modelli

Knowledge Catalog (in precedenza Dataplex Universal Catalog) fornisce modelli (basati su Dataflow) per eseguire attività comuni di elaborazione dei dati, come l'importazione dati, l'elaborazione e la gestione del ciclo di vita dei dati. Questa guida descrive come configurare ed eseguire un modello che acquisisce dati utilizzando una connessione JDBC.

Prima di iniziare

I modelli di attività Knowledge Catalog sono basati su Dataflow. Prima di utilizzare i modelli, abilita le API Dataflow.

Abilita le API Dataflow

Modello: importare dati in Knowledge Catalog utilizzando una connessione JDBC

Il modello di importazione JDBC di Knowledge Catalog copia i dati da un database relazionale in una risorsa di destinazione di Knowledge Catalog. L'asset Knowledge Catalog può essere un asset Cloud Storage o BigQuery.

Questa pipeline utilizza JDBC per connettersi al database relazionale. Per un ulteriore livello di protezione, puoi anche trasmettere una chiave Cloud KMS insieme a parametri di nome utente, password e stringa di connessione codificati in Base64 e criptati con la chiave Cloud KMS.

Il modello gestisce in modo trasparente i diversi tipi di asset. I dati archiviati nell'asset Cloud Storage sono partizionati in stile Hive e Knowledge Catalog Discovery li rende automaticamente disponibili come tabella in Data Catalog (ritirato), BigQuery (tabella esterna) o un'istanza Dataproc Metastore collegata.

Parametri del modello

Parametro Descrizione
driverJars Utilizza le virgole per separare i percorsi Cloud Storage per i driver JDBC.
Ad esempio, gs://your-bucket/driver_jar1.jar, gs://your-bucket/driver_jar2.jar.
connectionURL Stringa di connessione dell'URL per la connessione all'origine JDBC.
Ad esempio, jdbc:mysql://some-host:3306/sampledb.
Puoi trasmettere l'URL di connessione come testo normale o come stringa codificata in Base64 criptata da Cloud KMS.
driverClassName Il nome della classe del driver JDBC.
Ad esempio, com.mysql.jdbc.Driver.
connectionProperties La stringa delle proprietà da utilizzare per la connessione JDBC.
Ad esempio, unicode=true&characterEncoding=UTF-8.
query Query da eseguire sull'origine per estrarre i dati.
Ad esempio, select * from sampledb.sample_table.
outputAsset L'ID risorsa di output di Knowledge Catalog in cui sono archiviati i risultati. Per l'ID, utilizza il formato projects/your-project/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/assets/<asset-name></code>. Puoi trovare l'outputAsset nella console Google Cloud , nella scheda Dettagli dell'asset Knowledge Catalog.
username Il nome utente da utilizzare per la connessione JDBC. Puoi trasmettere il nome utente come testo normale o come stringa con codifica Base64 criptata da Cloud KMS.
password La password da utilizzare per la connessione JDBC. Puoi trasmettere la password come testo normale o come stringa con codifica Base64 criptata da Cloud KMS.
outputTable Il percorso della tabella BigQuery o il nome della cartella principale di Cloud Storage in cui scrivere l'output. Se si tratta di una posizione della tabella BigQuery, lo schema della tabella deve corrispondere allo schema della query di origine e deve essere nel formato some-project-id:somedataset.sometable. Se si tratta di una cartella di primo livello di Cloud Storage, fornisci il nome della cartella di primo livello.
KMSEncryptionKey (Facoltativo) Se fornisci il parametro KMSEncryptionKey, assicurati che password, username e connectionURL siano criptati da Cloud KMS. Cripta questi parametri utilizzando l'endpoint di crittografia dell'API Cloud KMS. Ad esempio, projects/your-project/locations/global/keyRings/test/cryptoKeys/quickstart.
writeDisposition (Facoltativo) La strategia da adottare se il file/la tabella di destinazione esiste. I formati supportati sono WRITE_APPEND (le righe verranno aggiunte se la tabella esiste), WRITE_TRUNCATE (la tabella/il file verrà sovrascritto), WRITE_EMPTY (la tabella di output deve essere vuota/il file di output non deve esistere) e SKIP (non scrivere nel file se esiste). Per BigQuery, i formati consentiti sono: WRITE_APPEND, WRITE_TRUNCATE, WRITE_EMPTY. Per Cloud Storage, i formati consentiti sono: SKIP, WRITE_TRUNCATE, WRITE_EMPTY. Valore predefinito: WRITE_EMPTY.
partitioningScheme (Facoltativo) Lo schema di partizionamento durante la scrittura del file. Il valore predefinito di questo parametro è DAILY. Gli altri valori del parametro possono essere MONTHLY o HOURLY.
partitionColumn (Facoltativo) La colonna di partizionamento su cui si basa la partizione. Il tipo di colonna deve essere nel formato timestamp/date. Se il parametro partitionColumn non viene fornito, i dati non verranno partizionati.
fileFormat (Facoltativo) Il formato del file di output in Cloud Storage. I file vengono compressi con l'impostazione predefinita di compressione Snappy. Il valore predefinito di questo parametro è PARQUET. Un altro valore per il parametro è AVRO.
updateDataplexMetadata

(Facoltativo) Indica se aggiornare i metadati del catalogo della conoscenza per le entità appena create. Il valore predefinito di questo parametro è false.

Se abilitata, la pipeline copierà automaticamente lo schema dall'origine alle entità Knowledge Catalog di destinazione e l'individuazione automatica di Knowledge Catalog non verrà eseguita. Utilizza questo flag nei casi in cui hai gestito lo schema nell'origine.

Supportato solo per la destinazione Cloud Storage.

Esegui il modello

Console

  1. Nella console Google Cloud , vai alla pagina Processo di Knowledge Catalog:

    Vai a Procedura

  2. Fai clic su Crea attività.

  3. In Importa JDBC in Knowledge Catalog, fai clic su Crea attività.

  4. Scegli un lake Knowledge Catalog.

  5. Fornisci un nome per l'attività.

  6. Scegli una regione per l'esecuzione delle attività.

  7. Compila i parametri richiesti.

  8. Fai clic su Continua.

gcloud

Nella shell o nel terminale, esegui il seguente modello:

gcloud beta dataflow flex-template run JOB_NAME \
--project=PROJECT_ID \
--region=REGION_NAME \
--template-file-gcs-location=gs://dataflow-templates-REGION_NAME/latest/flex/Dataplex_JDBC_Ingestion_Preview \
--parameters \
driverJars=DRIVER_JARS,\
connectionUrl=CONNECTION_URL,\
driverClassName=DRIVER_CLASS_NAME,\
connectionProperties=CONNECTION_PROPERTIES,\
query=QUERY\
outputAsset=OUTPUT_ASSET\

Sostituisci quanto segue:

JOB_NAME: a job name of your choice
PROJECT_ID: your template project ID
DRIVER_JARS: path to your JDBC drivers
CONNECTION_URL: your JDBC connection URL string
DRIVER_CLASS_NAME: your JDBC driver class name
CONNECTION_PROPERTIES: your JDBC connection property string
QUERY: your JDBC source SQL query
OUTPUT_ASSET: your Knowledge Catalog output asset ID

API REST

Invia una richiesta HTTP POST:

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION_NAME/flexTemplates:launch
{
   "launch_parameter": {
      "jobName": "JOB_NAME",
      "parameters": {
          "driverJars": "DRIVER_JARS",
          "connectionUrl": "CONNECTION_URL",
          "driverClassName": "DRIVER_CLASS_NAME",
          "connectionProperties": "CONNECTION_PROPERTIES",
          "query": "QUERY"
          "outputAsset": "OUTPUT_ASSET"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-REGION_NAME/latest/flex/Dataplex_JDBC_Ingestion_Preview",
   }
}

Sostituisci quanto segue:

PROJECT_ID: your template project ID
REGION_NAME: region in which to run the job
JOB_NAME: a job name of your choice
DRIVER_JARS: path to your JDBC drivers
CONNECTION_URL: your JDBC connection URL string
DRIVER_CLASS_NAME: your JDBC driver class name
CONNECTION_PROPERTIES: your JDBC connection property string
QUERY: your JDBC source SQL query
OUTPUT_ASSET: your Knowledge Catalog output asset ID

Passaggi successivi