Autenticare e connettersi a un'origine dati

Questa pagina descrive come eseguire l'autenticazione all'API Conversational Analytics. Spiega inoltre come configurare le connessioni ai dati in Looker, BigQuery, Data Studio e Cloud Databases (AlloyDB, GoogleSQL per Spanner, Cloud SQL per MySQL e Cloud SQL per PostgreSQL) utilizzando richieste HTTP dirette o l'SDK. L'API Conversational Analytics utilizza metodi di autenticazione standardGoogle Cloud .

Prima di iniziare

Prima di poter eseguire l'autenticazione all'API Conversational Analytics e configurare le connessioni ai tuoi dati, devi completare i prerequisiti e abilitare le API richieste per il tuo progetto Google Cloud , come descritto in Abilitare l'API Conversational Analytics.

Se prevedi di utilizzare le chiavi di crittografia gestite dal cliente (CMEK) per proteggere le risorse dell'API Conversational Analytics quando utilizzi le origini dati di Looker, devi concedere all'account di servizio dell'API l'autorizzazione a utilizzare la chiave Cloud Key Management Service. Per maggiori dettagli, consulta la sezione Prima di iniziare nella documentazione di CMEK.

Autenticarsi nell'API Conversational Analytics

Questa sezione descrive come eseguire l'autenticazione all'API Conversational Analytics utilizzando i metodi HTTP e Python per ottenere i token di autorizzazione necessari. Gli esempi seguenti utilizzano la logica dell'endpoint regionale in base alla posizione della risorsa. Per saperne di più sugli endpoint regionali, consulta Localizzazione dei dati.

HTTP curl

Il seguente comando curl di esempio invia una richiesta all'API Conversational Analytics scegliendo come target l'URL dell'endpoint appropriato per la tua località:

curl  -H "Authorization: Bearer $(gcloud auth print-identity-token)" \
https://ENDPOINT_URL/PATH

Sostituisci i valori di esempio come segue:

  • ENDPOINT_URL: l'endpoint del servizio corrispondente alla tua posizione, ad esempio geminidataanalytics.googleapis.com per global o geminidataanalytics.us.rep.googleapis.com per us.
  • PATH: il percorso della risorsa appropriato, ad esempio v1/projects/PROJECT_ID/locations/LOCATION/dataAgents.

HTTP con Python

Il seguente codice Python di esempio mostra come ottenere un token di accesso per l'autenticazione HTTP utilizzando Google Cloud CLI e Python. Il codice crea dinamicamente l'URL dell'endpoint in base al tipo di località specificato.

billing_project = 'PROJECT_ID'
location = 'LOCATION'
access_token = !gcloud auth application-default print-access-token

# Set the base URL based on location.
if not location or location == "global":
  base_url = "https://geminidataanalytics.googleapis.com"
elif "-" in location:
  # Regional endpoints
  base_url = f"https://geminidataanalytics-{location}.googleapis.com"
else:
  # Multi-regional endpoints
  base_url = f"https://geminidataanalytics.{location}.rep.googleapis.com"

url = f"{base_url}/v1/projects/{billing_project}/locations/{location}METHOD"
headers = {"Authorization": f'Bearer {access_token[0]}'}

Sostituisci i valori di esempio come segue:

  • PROJECT_ID: l'ID del tuo progetto di fatturazione in cui sono abilitate le API richieste.
  • LOCATION: la posizione in cui sono archiviate le risorse, ad esempio global o us-east4.
  • METHOD: il metodo o il percorso della risorsa dell'endpoint di destinazione. Ad esempio:
    • Per creare un agente dati, utilizza il metodo POST e il percorso /dataAgents.
    • Per elencare gli agenti di dati esistenti, utilizza il metodo GET e il percorso /dataAgents.

SDK Python

Il seguente esempio di codice Python mostra come autenticare il tuo Account Google per accedere all'API Conversational Analytics in Colaboratory:

from google.colab import auth
auth.authenticate_user()

Connettersi a Looker con l'API Conversational Analytics

Per connetterti a Looker con l'API Conversational Analytics, devi fornire le seguenti informazioni:

La tua istanza di Looker deve inoltre soddisfare requisiti specifici:

Inoltre, l'utente che esegue l'autenticazione o il service account deve disporre delle autorizzazioni Looker richieste.

Scegliere il metodo di autenticazione appropriato

Puoi quindi scegliere di autenticarti utilizzando le chiavi API Looker (ID client e client secret) o un token di accesso. I clienti che utilizzano Looker (Google Cloud core) solo con connessioni private devono autenticarsi con un token di accesso.

Utilizza la tabella seguente per scegliere il metodo di autenticazione appropriato.

Tipo di utente Metodo di autenticazione Per Looker (originale) Per Looker (Google Cloud core) Per Looker (Google Cloud core) che utilizza solo connessioni private Descrizione
Incorporare utenti Token di accesso login_user login_user login_user Rispetta le autorizzazioni a livello di riga e colonna LookML (ad esempio access_filters, access_grants, sql_always_where) del access_token dell'utente di destinazione.
Utenti standard Token di accesso

login_user

Oppure

Client OAuth

 Client OAuth Client OAuth Rispetta le autorizzazioni a livello di riga e colonna LookML (ad esempio access_filters, access_grants, sql_always_where) del access_token dell'utente di destinazione.
Service account solo API Looker Chiave API ID client e secret ID client e secret N/D Tutti gli utenti condividono lo stesso livello di accesso a Looker.

Le chiavi API utilizzano le autorizzazioni e i livelli di accesso dell'utente. Le chiavi API possono essere utili se stai creando un'applicazione in cui tutti condividono lo stesso livello di accesso.

Un token di accesso ti consente di utilizzare le autorizzazioni a livello di riga e colonna di LookML (ad esempio,access_filters, access_grants, sql_always_where) del access_token dell'utente di destinazione. Un token di accesso è utile per un'applicazione multi-tenant.

Autorizzazioni Looker richieste

All'utente o al service account le cui credenziali vengono utilizzate per l'autenticazione deve essere concesso un ruolo Looker che includa le seguenti autorizzazioni per i modelli che vuoi interrogare:

Puoi configurare queste autorizzazioni nella sezione Amministrazione > Ruoli dell'istanza di Looker.

Autenticarsi con le chiavi API Looker

Questa sezione descrive come generare le chiavi API e configurare l'API Conversational Analytics per connettersi a Looker utilizzando richieste HTTP dirette o l'SDK.

Per stabilire una connessione con un'istanza di Looker, devi disporre di chiavi API Looker valide, create da Looker e costituite da un ID client e un client secret. Looker utilizza queste chiavi per autorizzare le richieste all'API Looker.

Per saperne di più sulla generazione di nuove chiavi API Looker, consulta Impostazioni di amministrazione - Utenti. Per saperne di più sui metodi di autenticazione e sulla gestione delle chiavi API Looker, vedi Autenticazione API Looker.

HTTP con Python

Dopo aver generato le chiavi API (ID client e secret), puoi configurare l'API Conversational Analytics per connettersi a Looker effettuando richieste HTTP dirette. Il seguente codice campione mostra come specificare i dettagli dell'origine dati Looker e le chiavi API nel corpo della richiesta HTTP.


looker_credentials = {
  "oauth": {
      "secret": {
        "client_id": "CLIENT_ID",
        "client_secret": "CLIENT_SECRET",
      }
  }
}

looker_data_source = {
  "looker": {
    "explore_references": {
        "looker_instance_uri": "INSTANCE_URI",
        "lookml_model": "MODEL",
        "explore": "EXPLORE",
    }
  }
}

Sostituisci i valori di esempio come segue:

  • CLIENT_ID: l'ID client della chiave API Looker generata
  • CLIENT_SECRET: il client secret della chiave API Looker generata
  • INSTANCE_URI: l'URL completo dell'istanza Looker (ad esempio, https://mycompany.looker.com)
  • MODEL: il nome del modello LookML che vuoi utilizzare
  • EXPLORE: Il nome dell'esplorazione all'interno del modello specificato che vuoi utilizzare

SDK Python

Dopo aver generato le chiavi API (ID client e secret), puoi configurare l'API Conversational Analytics per connetterti a Looker utilizzando Python. Il seguente codice Python di esempio mostra come specificare i dettagli dell'origine dati Looker e le chiavi API per l'API Conversational Analytics.

looker_client_id = "CLIENT_ID" # @param {type:"string"}
looker_client_secret = "CLIENT_SECRET" # @param {type:"string"}
looker_instance_uri = "INSTANCE_URI" # @param {type:"string"}
lookml_model = "MODEL" # @param {type:"string"}
explore = "EXPLORE" # @param {type:"string"}

# Looker data source
looker_explore_reference = geminidataanalytics.LookerExploreReference()
looker_explore_reference.looker_instance_uri = looker_instance_uri
looker_explore_reference.lookml_model = lookml_model
looker_explore_reference.explore = explore

credentials = geminidataanalytics.Credentials()
credentials.oauth.secret.client_id = looker_client_id
credentials.oauth.secret.client_secret = looker_client_secret

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.looker.explore_references = [looker_explore_reference]

Sostituisci i valori di esempio come segue:

  • CLIENT_ID: l'ID client della chiave API Looker generata
  • CLIENT_SECRET: il client secret della chiave API Looker generata
  • INSTANCE_URI: l'URL completo della tua istanza di Looker (ad esempio, https://mycompany.looker.com)
  • MODEL: Il nome del modello Looker che vuoi utilizzare
  • EXPLORE: Il nome dell'esplorazione Looker che vuoi utilizzare

Autenticarsi con un token di accesso

Questa sezione descrive come configurare l'API Conversational Analytics per connettersi a Looker utilizzando un token di accesso.

Per stabilire una connessione con un'istanza di Looker, devi disporre di un valore OAuth2 access_token valido, creato da una richiesta riuscita all'endpoint API Looker login.

Per scoprire di più sulla generazione di un token di accesso, vedi Autenticazione API Looker e come presentare le credenziali client per ottenere un token di autorizzazione.

HTTP con Python

Il seguente codice campione mostra come specificare i dettagli dell'origine dati Looker e il token di accesso nel corpo della richiesta HTTP.

Per una maggiore sicurezza, ti consigliamo di archiviare il token di accesso Looker (access_token) come variabile di ambiente.

looker_credentials = {
  "oauth": {
    "token": {
      "access_token": "ACCESS_TOKEN",
    }
  }
}

looker_data_source = {
  "looker": {
    "explore_references": {
        "looker_instance_uri": "INSTANCE_URI",
        "lookml_model": "MODEL",
        "explore": "EXPLORE",
    }
  }
}

Sostituisci i valori di esempio come segue:

  • ACCESS_TOKEN: il valore access_token che generi per l'autenticazione in Looker.
  • INSTANCE_URI: l'URL completo della tua istanza di Looker (ad esempio, https://mycompany.looker.com)
  • MODEL: il nome del modello LookML che vuoi utilizzare
  • EXPLORE: Il nome dell'esplorazione all'interno del modello specificato che vuoi utilizzare

SDK Python

Il seguente esempio di codice Python mostra come definire i dettagli dell'origine dati di Looker e il token di accesso per l'autenticazione utilizzando l'SDK Python.

Per una maggiore sicurezza, ti consigliamo di archiviare il token di accesso Looker (access_token) come variabile di ambiente.

looker_access_token = "ACCESS_TOKEN"
looker_instance_uri = "INSTANCE_URI"
lookml_model = "MODEL"
explore = "EXPLORE"

# Looker data source
looker_explore_reference = geminidataanalytics.LookerExploreReference()
looker_explore_reference.looker_instance_uri = looker_instance_uri
looker_explore_reference.lookml_model = lookml_model
looker_explore_reference.explore = explore

credentials = geminidataanalytics.Credentials()
credentials.oauth.token.access_token = looker_access_token

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.looker.explore_references = [looker_explore_reference]

Sostituisci i valori di esempio come segue:

  • ACCESS_TOKEN: il valore access_token che utilizzi per l'autenticazione in Looker
  • INSTANCE_URI: l'URL completo della tua istanza di Looker (ad esempio, https://mycompany.looker.com)
  • MODEL: Il nome del modello Looker che vuoi utilizzare
  • EXPLORE: Il nome dell'esplorazione Looker che vuoi utilizzare

Connettersi a BigQuery con l'API Conversational Analytics

Questa sezione descrive come configurare l'API Conversational Analytics per connettersi a BigQuery utilizzando richieste HTTP dirette o un SDK. L'API Conversational Analytics supporta le connessioni alle tabelle BigQuery e a BigQuery Graph (in anteprima).

Con l'API Conversational Analytics, non esistono limiti rigidi al numero di tabelle BigQuery a cui puoi connetterti. Tuttavia, la connessione a un numero elevato di tabelle può ridurre l'accuratezza o farti superare il limite di token di input di Gemini. Le query che richiedono join complessi su più tabelle potrebbero anche generare risposte meno accurate.

Connessione alle tabelle

Per connetterti a una o più tabelle BigQuery, fornisci l'ID progetto, l'ID set di dati e l'ID tabella per ogni tabella.

Gli esempi riportati di seguito mostrano come connettersi a una o più tabelle BigQuery utilizzando richieste HTTP o l'SDK Python.

HTTP con Python

Il seguente codice campione definisce una connessione a più tabelle BigQuery:

bigquery_data_sources = {
    "bq": {
      "tableReferences": [
        {
          "projectId": "PROJECT_ID",
          "datasetId": "DATASET_ID",
          "tableId": "TABLE_ID"
        },
        {
          "projectId": "PROJECT_ID_2",
          "datasetId": "DATASET_ID_2",
          "tableId": "TABLE_ID_2"
        },
        {
          "projectId": "PROJECT_ID_3",
          "datasetId": "DATASET_ID_3",
          "tableId": "TABLE_ID_3"
        },
      ]
    }
}

Sostituisci i valori di esempio come segue:

  • PROJECT_ID, PROJECT_ID_2, PROJECT_ID_3: l'ID del Google Cloud progetto che contiene il set di dati e la tabella BigQuery a cui vuoi connetterti. Per connetterti a un set di dati pubblici, specifica bigquery-public-data.
  • DATASET_ID, DATASET_ID_2, DATASET_ID_3: l'ID del set di dati BigQuery (o catalog.namespace per le tabelle del catalogo di runtime di Lakehouse).
  • TABLE_ID, TABLE_ID_2, TABLE_ID_3: l'ID della tabella BigQuery (o il nome della tabella per le tabelle del catalogo di runtime Lakehouse).

SDK Python

Puoi utilizzare l'SDK auth di Colaboratory per autenticarti su BigQuery utilizzando le credenziali del tuo utente autenticato su Colaboratory.

Il seguente codice Python di esempio autentica il tuo Account Google in BigQuery all'interno di Colaboratory e definisce una connessione a più tabelle BigQuery.

from google.colab import auth
auth.authenticate_user()

# BigQuery data source
bigquery_table_reference = geminidataanalytics.BigQueryTableReference()
bigquery_table_reference.project_id = "PROJECT_ID"
bigquery_table_reference.dataset_id = "DATASET_ID"
bigquery_table_reference.table_id = "TABLE_ID"

bigquery_table_reference_2 = geminidataanalytics.BigQueryTableReference()
bigquery_table_reference_2.project_id = "PROJECT_ID_2"
bigquery_table_reference_2.dataset_id = "DATASET_ID_2"
bigquery_table_reference_2.table_id = "TABLE_ID_2"

bigquery_table_reference_3 = geminidataanalytics.BigQueryTableReference()
bigquery_table_reference_3.project_id = "PROJECT_ID_3"
bigquery_table_reference_3.dataset_id = "DATASET_ID_3"
bigquery_table_reference_3.table_id = "TABLE_ID_3"

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.bq.table_references = [bigquery_table_reference, bigquery_table_reference_2, bigquery_table_reference_3]

Sostituisci i valori di esempio come segue:

  • PROJECT_ID, PROJECT_ID_2, PROJECT_ID_3: l'ID del Google Cloud progetto che contiene il set di dati e la tabella BigQuery a cui vuoi connetterti. Per connetterti a un set di dati pubblici, specifica bigquery-public-data.
  • DATASET_ID, DATASET_ID_2, DATASET_ID_3: l'ID del set di dati BigQuery (o catalog.namespace per le tabelle del catalogo di runtime di Lakehouse). Ad esempio, san_francisco.
  • TABLE_ID, TABLE_ID_2, TABLE_ID_3: l'ID della tabella BigQuery (o il nome della tabella per le tabelle del catalogo di runtime Lakehouse). Ad esempio: street_trees.

Connettersi a un grafico

Gli esempi seguenti mostrano come connettersi a un grafico BigQuery utilizzando le richieste HTTP o l'SDK Python. Puoi connetterti a un solo grafico per agente o conversazione.

HTTP con Python

Il seguente codice campione definisce una connessione a un grafo BigQuery:

bigquery_data_sources = {
    "bq": {
      "propertyGraphReferences": [
        {
          "projectId": "GRAPH_PROJECT_ID",
          "datasetId": "GRAPH_DATASET_ID",
          "propertyGraphId": "GRAPH_ID"
        }
      ]
    }
}

Sostituisci i valori di esempio come segue:

  • GRAPH_PROJECT_ID: l'ID del progetto Google Cloud che contiene il grafico BigQuery.
  • GRAPH_DATASET_ID: l'ID del set di dati BigQuery che contiene il grafico.
  • GRAPH_ID: l'ID del grafico BigQuery.

SDK Python

Puoi utilizzare l'SDK auth di Colaboratory per autenticarti su BigQuery utilizzando le credenziali del tuo utente autenticato su Colaboratory.

Il seguente codice Python di esempio definisce una connessione a un grafico BigQuery:

from google.colab import auth
auth.authenticate_user()

# BigQuery graph reference
bigquery_pg_reference = geminidataanalytics.BigQueryPropertyGraphReference()
bigquery_pg_reference.project_id = "GRAPH_PROJECT_ID"
bigquery_pg_reference.dataset_id = "GRAPH_DATASET_ID"
bigquery_pg_reference.property_graph_id = "GRAPH_ID"

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.bq.property_graph_references = [bigquery_pg_reference]

Sostituisci i valori di esempio come segue:

  • GRAPH_PROJECT_ID: l'ID del progetto Google Cloud che contiene il grafico BigQuery.
  • GRAPH_DATASET_ID: l'ID del set di dati BigQuery che contiene il grafico.
  • GRAPH_ID: l'ID del grafico BigQuery.

Connettersi a Data Studio con l'API Conversational Analytics

Per connetterti a Data Studio con l'API Conversational Analytics, devi prima abilitare l'API Data Studio. Questa sezione descrive come configurare l'API Conversational Analytics per connettersi a Data Studio utilizzando richieste HTTP dirette o un SDK.

Per utilizzare l'API Conversational Analytics con Data Studio Pro, l'abbonamento Pro deve trovarsi al di fuori di un perimetro VPC-SC.

Abilita l'API Data Studio

Per abilitare l'API Data Studio, segui le istruzioni riportate in Abilitare l'API.

Autenticarsi in Data Studio

Per connetterti a Data Studio con l'API Conversational Analytics, devi autenticarti in Data Studio e fornire l'ID origine dati di Data Studio.

HTTP con Python

Dopo aver attivato l'API Data Studio, puoi autenticarti in Data Studio effettuando richieste HTTP curl con Python. Il seguente codice campione mostra come specificare i dettagli dell'origine dati di Looker nel corpo della richiesta HTTP.

Puoi autenticarti in Data Studio effettuando richieste HTTP dirette. Un esempio di chiamata HTTP è mostrato nel seguente blocco di codice.

looker_studio_data_source = {
    "studio":{
        "studio_references":
        [
            {
              "datasource_id": "DATASOURCE_ID"
            }
        ]
    }
}

Sostituisci DATASOURCE_ID con l'ID effettivo dell'origine dati di Data Studio che vuoi utilizzare.

SDK Python

Dopo aver attivato l'API Data Studio, puoi autenticarti in Data Studio utilizzando un SDK. Il seguente codice Python di esempio mostra come specificare i dettagli dell'origine dati di Looker e autenticarsi in Data Studio.


datasource_id = "DATASOURCE_ID"

# Looker Studio
studio_references = geminidataanalytics.StudioDatasourceReference()
studio_references.datasource_id = studio_datasource_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.studio.studio_references = [studio_references]

Sostituisci DATASOURCE_ID con l'ID effettivo dell'origine dati di Data Studio che vuoi utilizzare.

Connettersi ai database con l'API Conversational Analytics

Per connetterti ai database con l'API Conversational Analytics, devi disporre delle autorizzazioni IAM necessarie per l'istanza del database.

Connettiti ad AlloyDB per PostgreSQL

L'utente o il account di servizio deve avere il ruolo alloydb.databaseUser. Per saperne di più, consulta AlloyDB, autenticazione database IAM.

HTTP con Python

Il seguente codice campione mostra come specificare i dettagli dell'origine dati AlloyDB nel corpo della richiesta HTTP all'endpoint queryData.

alloydb_data_sources = {
  "alloydb": {
      "database_reference": {
          "project_id": alloydb_project_id,
          "region": location,
          "cluster_id": alloydb_cluster_id,
          "instance_id": alloydb_instance_id,
          "database_id": alloydb_database_id,
          "table_ids":["table1", "table2", "table3"]
      },
      # Optional: Include this if you have pre-authored context for the agent
      # "agent_context_reference": {
      #     "context_set_id": f"projects/alloydb_project_id/locations/{location}/contextSets/your_context_set_id"
      # }
  }
}

Sostituisci i valori di esempio come segue:

  • your_table_id: l'elenco separato da virgole degli ID tabella. Se non viene impostato, vengono prese in considerazione tutte le tabelle del database.
  • your_context_set_id: (Facoltativo) L'ID completo del set di contesto da recuperare. Per saperne di più su come trovare l'ID del set di contesti, consulta Trovare l'ID contesto dell'agente in AlloyDB.

SDK Python

Il seguente codice Python di esempio mostra come definire i dettagli dell'origine dati AlloyDB utilizzando l'SDK Python.

# AlloyDB data source
alloydb_table_ids = ["your_table_id_1", "your_table_id_2"]
alloydb_context_set_id = "your_context_set_id"

alloydb_reference = geminidataanalytics.AlloyDbReference()
alloydb_reference.database_reference.table_id = alloydb_table_ids
alloydb_reference_database_reference.project_id = billing_project
alloydb_reference_database_reference.region = "us-central1" # Example region
alloydb_reference_database_reference.cluster_id = alloydb_cluster_id
alloydb_reference_database_reference.instance_id = alloydb_instance_id
alloydb_reference_database_reference.database_id = alloydb_database_id
# optional set agent context reference
# alloydb_ref_1.agent_context_reference.context_set_id = f"projects/{billing_project}/locations/{location}/contextSets/your_context_set_id"

alloydb_reference.agent_context_reference.context_set_id = alloydb_context_set_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.alloydb.alloydb_reference = alloydb_reference

Sostituisci i valori di esempio come segue:

  • your_table_id_1: l'ID della prima tabella nell'istanza AlloyDB.
  • your_table_id_2: l'ID della seconda tabella nell'istanza AlloyDB.
  • your_context_set_id: l'ID completo del set di contesto da recuperare. Per saperne di più su come trovare l'ID del set di contesti, consulta Trovare l'ID contesto dell'agente in AlloyDB.

Connettersi a GoogleSQL per Spanner

L'utente o il account di servizio deve avere il ruolo spanner.databaseReader. Per saperne di più, consulta Applicare i ruoli IAM.

HTTP con Python

L'codice campione seguente mostra come specificare i dettagli dell'origine dati GoogleSQL per Spanner nel corpo della richiesta HTTP all'endpoint queryData.

spanner_data_sources = {
    "spanner_reference": {
        "database_reference": {
            "project_id": spanner_project_id,
            "region": location,
            "engine": engine,
            "instance_id": spanner_instance_id,
            "database_id": spanner_database_id,
        },
        # Optional: Include this if you have pre-authored context for the agent
        # "agent_context_reference": {
        #     "context_set_id": f"projects/{billing_project}/locations/{location}/contextSets/your_context_set_id"
        # }
    }
}

Sostituisci i valori di esempio come segue:

  • your_table_id_1: l'ID della prima tabella nell'istanza GoogleSQL per Spanner.
  • your_table_id_2: l'ID della seconda tabella nell'istanza GoogleSQL per Spanner.
  • your_context_set_id: l'ID completo del set di contesto da recuperare. Per saperne di più su come trovare l'ID del set di contesto, consulta Trovare l'ID contesto dell'agente in GoogleSQL per Spanner.

SDK Python

Il seguente codice Python di esempio mostra come definire i dettagli dell'origine dati GoogleSQL per Spanner utilizzando l'SDK Python.

# Spanner data source
spanner_table_ids = ["your_table_id_1", "your_table_id_2"]
spanner_context_set_id = "your_context_set_id"

spanner_reference = geminidataanalytics.SpannerReference()
spanner_reference.database_reference.table_id = spanner_table_ids
spanner_reference.agent_context_reference.context_set_id = spanner_context_set_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.spanner.spanner_reference = spanner_reference

Sostituisci i valori di esempio come segue:

  • your_table_id_1: l'ID della prima tabella nell'istanza GoogleSQL per Spanner.
  • your_table_id_2: l'ID della seconda tabella nell'istanza GoogleSQL per Spanner.
  • your_context_set_id: l'ID completo del set di contesto da recuperare. Per saperne di più su come trovare l'ID del set di contesto, consulta Trovare l'ID contesto dell'agente in GoogleSQL per Spanner.

Connettersi a Cloud SQL per MySQL e Cloud SQL per PostgreSQL

Le sezioni seguenti forniscono istruzioni per connettersi sia a Cloud SQL per MySQL sia a Cloud SQL per PostgreSQL. L'utente o il account di servizio deve disporre dei ruoli cloudsql.studioUser e cloudsql.instanceUser. Per saperne di più, consulta Gestire gli utenti con l'autenticazione IAM dei database per Cloud SQL per MySQL e Gestire gli utenti con l'autenticazione IAM dei database per Cloud SQL per PostgreSQL.

HTTP con Python

Il seguente codice campione mostra come specificare i dettagli dell'origine dati Cloud SQL per MySQL e Cloud SQL per PostgreSQL nel corpo della richiesta HTTP all'endpoint queryData.

cloudsql_data_source = {
    "cloudSqlReference": {
        "databaseReference": {
            "engine": MYSQL,
            "project_id": cloud-db-nl2sql,
            "region": us-central1,
            "instance_id": nl2sql-birdsql-mysql,
            "database_id": financial
        },
        # Optional: Include this if you have pre-authored context for the agent
        # "agent_context_reference": {
        #     "context_set_id": f"projects/cloud-db-nl2sql/locations/us-central1/contextSets/bdf_pg_all_templates\"
        # }
    }
}

Sostituisci i valori di esempio come segue:

SDK Python

Il seguente codice Python di esempio mostra come definire i dettagli dell'origine dati Cloud SQL per MySQL e Cloud SQL per PostgreSQL utilizzando l'SDK Python.

# Cloud SQL data source
cloudsql_table_ids = ["your_table_id_1", "your_table_id_2"]
cloudsql_context_set_id = "your_context_set_id"

cloudsql_reference = geminidataanalytics.CloudSqlReference()
cloudsql_reference.database_reference.table_id = cloudsql_table_ids
cloudsql_reference.agent_context_reference.context_set_id = cloudsql_context_set_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.cloudsql.cloudsql_reference = cloudsql_reference

Sostituisci i valori di esempio come segue: