Introduzione ai trasferimenti Amazon S3

BigQuery Data Transfer Service per Amazon S3 consente di pianificare e gestire automaticamente i job di caricamento ricorrenti da Amazon S3 in BigQuery.

Formati di file supportati

BigQuery Data Transfer Service supporta il caricamento di dati da Amazon S3 in uno dei seguenti formati:

• Valori separati da virgola (CSV)
• JSON (delimitato da nuova riga)
• Avro
• Parquet
• ORC

Tipi di compressione supportati

BigQuery Data Transfer Service per Amazon S3 supporta il caricamento di dati compressi. I tipi di compressione supportati da BigQuery Data Transfer Service sono gli stessi supportati dai job di caricamento BigQuery. Per maggiori informazioni, consulta la sezione Caricamento di dati compressi e non compressi.

Prerequisiti di Amazon S3

Per caricare i dati da un'origine dati Amazon S3, devi:

• Fornisci l'URI Amazon S3 per i tuoi dati di origine
• Disporre dell'ID della tua chiave di accesso
• Disporre della chiave di accesso segreta
• Imposta come minimo il criterio gestito da AWS AmazonS3ReadOnlyAccess sui dati di origine Amazon S3

URI Amazon S3

Quando fornisci l'URI Amazon S3, il percorso deve essere nel seguente formato s3://bucket/folder1/folder2/... È richiesto solo il nome del bucket di primo livello. I nomi delle cartelle sono facoltativi. Se specifichi un URI che include solo il nome del bucket, tutti i file nel bucket vengono trasferiti e caricati in BigQuery.

Parametrizzazione del runtime del trasferimento di Amazon S3

L'URI Amazon S3 e la tabella di destinazione possono essere parametrizzati, in modo da caricare i dati dai bucket Amazon S3 organizzati per data. Tieni presente che la porzione del bucket dell'URI non può essere parametrizzata. I parametri utilizzati dai trasferimenti Amazon S3 sono gli stessi utilizzati dai trasferimenti Cloud Storage.

Per maggiori dettagli, vedi Parametri di runtime nei trasferimenti.

Importazione dati per i trasferimenti Amazon S3

Puoi specificare il modo in cui i dati vengono caricati in BigQuery selezionando una Preferenza di scrittura nella configurazione del trasferimento quando configuri un trasferimento Amazon S3.

Sono disponibili due tipi di preferenze di scrittura: trasferimenti incrementali e trasferimenti troncati.

Trasferimenti incrementali

Una configurazione di trasferimento con una preferenza di scrittura APPEND o WRITE_APPEND, chiamata anche trasferimento incrementale, aggiunge in modo incrementale nuovi dati dopo il precedente trasferimento riuscito a una tabella di destinazione BigQuery. Quando una configurazione di trasferimento viene eseguita con una preferenza di scrittura APPEND, BigQuery Data Transfer Service filtra i file che sono stati modificati dopo l'esecuzione precedente del trasferimento riuscito. Per determinare quando un file viene modificato, BigQuery Data Transfer Service esamina i metadati del file per trovare una proprietà "Ora dell'ultima modifica". Ad esempio, BigQuery Data Transfer Service esamina la proprietà timestamp updated in un file Cloud Storage. Se BigQuery Data Transfer Service trova file con "ora dell'ultima modifica", che si sono verificati dopo il timestamp dell'ultimo trasferimento riuscito, BigQuery Data Transfer Service trasferisce questi file in un trasferimento incrementale.

Per dimostrare come funzionano i trasferimenti incrementali, considera l'esempio di trasferimento in Cloud Storage. Un utente crea un file in un bucket Cloud Storage alle ore 01-07-2023T00:00Z denominato file_1. Il timestamp updated per file_1 indica l'ora in cui è stato creato il file. L'utente crea quindi un trasferimento incrementale dal bucket Cloud Storage, pianificato per essere eseguito una volta al giorno alle 03:00Z, a partire dal 01-07-2023T03:00Z.

• Il 01-07-2023T03:00Z inizia la prima esecuzione di trasferimento. Poiché questa è la prima esecuzione di trasferimento per questa configurazione, BigQuery Data Transfer Service tenta di caricare tutti i file corrispondenti all'URI di origine nella tabella BigQuery di destinazione. L'esecuzione del trasferimento riesce e BigQuery Data Transfer Service carica correttamente file_1 nella tabella BigQuery di destinazione.
• La successiva esecuzione di trasferimento, alle ore 2023-07-02T03:00Z, non rileva file in cui la proprietà timestamp updated è maggiore dell'ultima esecuzione di trasferimento riuscita (01-07-2023T03:00Z). Il trasferimento viene eseguito senza caricare altri dati nella tabella BigQuery di destinazione.

L'esempio precedente mostra come BigQuery Data Transfer Service esamina la proprietà timestamp updated del file di origine per determinare se sono state apportate modifiche ai file di origine e per trasferirle, se rilevate.

Seguendo lo stesso esempio, supponiamo che l'utente crei quindi un altro file nel bucket Cloud Storage alle ore 2023-07-03T00:00Z, denominato file_2. Il timestamp updated per file_2 indica l'ora in cui è stato creato il file.

• La successiva esecuzione di trasferimento, alle 2023-07-03T03:00Z, rileva che file_2 ha un timestamp updated maggiore rispetto all'ultima esecuzione di trasferimento riuscita (01-07-2023T03:00Z). Supponiamo che all'avvio del trasferimento l'esecuzione non vada a buon fine a causa di un errore temporaneo. In questo scenario, file_2 non viene caricato nella tabella BigQuery di destinazione. Il timestamp dell'ultima esecuzione di un trasferimento riuscito rimane 2023-07-01T03:00Z.
• La successiva esecuzione di trasferimento, alle 2023-07-04T03:00Z, rileva che file_2 ha un timestamp updated maggiore rispetto all'ultima esecuzione di trasferimento riuscita (01-07-2023T03:00Z). Questa volta, l'esecuzione del trasferimento viene completata senza problemi, quindi carica correttamente file_2 nella tabella BigQuery di destinazione.
• La successiva esecuzione di trasferimento, alle 2023-07-05T03:00Z, non rileva file in cui il timestamp di updated è maggiore dell'ultima esecuzione di trasferimento riuscita (04-07-2023T03:00Z). L'esecuzione del trasferimento va a buon fine senza caricare altri dati nella tabella BigQuery di destinazione.

L'esempio precedente mostra che quando un trasferimento non va a buon fine, nessun file viene trasferito nella tabella di destinazione BigQuery. Eventuali modifiche ai file vengono trasferite alla successiva esecuzione di trasferimento riuscita. Eventuali trasferimenti successivi riusciti a seguito di un trasferimento non riuscito non causano dati duplicati. Nel caso di un trasferimento non riuscito, puoi anche scegliere di attivare manualmente un trasferimento al di fuori del suo orario pianificato regolarmente.

Avviso: BigQuery Data Transfer Service si basa sulla proprietà "Ora dell'ultima modifica" in ogni file di origine per determinare quali file trasferire, come mostrato negli esempi di trasferimenti incrementali. In seguito alla modifica di queste proprietà, il trasferimento può saltare alcuni file o caricare lo stesso file più volte. Questa proprietà può avere nomi diversi in ogni sistema di archiviazione supportato da BigQuery Data Transfer Service. Ad esempio, gli oggetti Cloud Storage chiamano questa proprietà updated.

Trasferimenti troncati

Una configurazione di trasferimento con una preferenza di scrittura MIRROR o WRITE_TRUNCATE, chiamata anche trasferimento troncato, sovrascrive i dati nella tabella di destinazione BigQuery durante l'esecuzione di ogni trasferimento con i dati di tutti i file corrispondenti all'URI di origine. MIRROR sovrascrive una nuova copia dei dati nella tabella di destinazione. Se la tabella di destinazione utilizza un decoratore delle partizioni, l'esecuzione del trasferimento sovrascrive solo i dati nella partizione specificata. Una tabella di destinazione con un decorator di partizione ha il formato my_table${run_date}, ad esempio my_table$20230809.

La ripetizione degli stessi trasferimenti incrementali o troncati in un giorno non causa dati duplicati. Tuttavia, se esegui più configurazioni di trasferimento diverse che interessano la stessa tabella di destinazione BigQuery, ciò può causare la duplicazione dei dati da parte di BigQuery Data Transfer Service.

Supporto dei caratteri jolly per gli URI Amazon S3

Se i dati di origine sono separati in più file che condividono un nome di base comune, puoi utilizzare un carattere jolly nell'URI quando carichi i dati. Un carattere jolly è costituito da un asterisco (*) e può essere utilizzato ovunque nell'URI Amazon S3, ad eccezione del nome del bucket.

Sebbene sia possibile utilizzare più caratteri jolly nell'URI Amazon S3, sono possibili ottimizzazioni quando l'URI Amazon S3 specifica un solo carattere jolly:

• È previsto un limite più elevato per il numero massimo di file per esecuzione di trasferimento.

• Il carattere jolly estenderà i limiti della directory. Ad esempio, l'URI Amazon S3 s3://my-bucket/*.csv corrisponderà al file s3://my-bucket/my-folder/my-subfolder/my-file.csv.

Esempi di URI Amazon S3

Esempio 1

Per caricare un singolo file da Amazon S3 in BigQuery, specifica l'URI Amazon S3 del file.

s3://my-bucket/my-folder/my-file.csv

Esempio 2

Per caricare in BigQuery tutti i file da un bucket Amazon S3, specifica solo il nome del bucket, con o senza un carattere jolly.

s3://my-bucket/

o

s3://my-bucket/*

Tieni presente che s3://my-bucket* non è un URI Amazon S3 consentito, poiché non è possibile utilizzare un carattere jolly nel nome del bucket.

Esempio 3

Per caricare da Amazon S3 tutti i file che condividono un prefisso comune, specifica quest'ultimo seguito da un carattere jolly.

s3://my-bucket/my-folder/*

Tieni presente che, a differenza del caricamento di tutti i file da un bucket Amazon S3 di primo livello, per caricare i file è necessario specificare il carattere jolly alla fine dell'URI Amazon S3.

Esempio 4

Per caricare tutti i file da Amazon S3 con un percorso simile, specifica il prefisso comune seguito da un carattere jolly.

s3://my-bucket/my-folder/*.csv

Esempio 5

Tieni presente che i caratteri jolly coprono le directory, quindi tutti i file csv in my-folder e nelle sottocartelle di my-folder verranno caricati in BigQuery.

Se questi file di origine sono presenti in una cartella logs:

s3://my-bucket/logs/logs.csv
s3://my-bucket/logs/system/logs.csv
s3://my-bucket/logs/some-application/system_logs.log
s3://my-bucket/logs/logs_2019_12_12.csv

viene identificato come segue:

s3://my-bucket/logs/*

Esempio 6

Se hai questi file di origine, ma vuoi trasferire solo quelli che hanno logs.csv come nome file:

s3://my-bucket/logs.csv
s3://my-bucket/metadata.csv
s3://my-bucket/system/logs.csv
s3://my-bucket/system/users.csv
s3://my-bucket/some-application/logs.csv
s3://my-bucket/some-application/output.csv

il codice seguente identifica i file con logs.csv nel nome:

s3://my-bucket/*logs.csv

Esempio 7

L'utilizzo di più caratteri jolly, può ottenere un maggiore controllo sui file trasferiti, a scapito dei limiti inferiori. Se utilizzi più caratteri jolly, ogni carattere jolly corrisponderà solo alla fine di un percorso all'interno di una sottodirectory. Ad esempio, per i seguenti file sorgente in Amazon S3:

s3://my-bucket/my-folder1/my-file1.csv
s3://my-bucket/my-other-folder2/my-file2.csv
s3://my-bucket/my-folder1/my-subfolder/my-file3.csv
s3://my-bucket/my-other-folder2/my-subfolder/my-file4.csv

Se l'intenzione è trasferire solo my-file1.csv e my-file2.csv, utilizza il seguente come valore per l'URI Amazon S3:

s3://my-bucket/*/*.csv

Poiché nessuno dei due caratteri jolly copre le directory, questo URI limiterebbe il trasferimento solo ai file CSV che si trovano in my-folder1 e my-other-folder2. Le sottocartelle non vengono incluse nel trasferimento.

Chiavi di accesso AWS

L'ID della chiave di accesso e la chiave di accesso segreta vengono utilizzati per accedere ai dati di Amazon S3 per tuo conto. Come best practice, crea un ID chiave di accesso e una chiave di accesso segreta univoci specifici per i trasferimenti ad Amazon S3, in modo da fornire un accesso minimo a BigQuery Data Transfer Service. Per informazioni sulla gestione delle chiavi di accesso, consulta la documentazione di riferimento generale di AWS.

Considerazioni sulla coerenza

Quando trasferisci i dati da Amazon S3, è possibile che alcuni non vengano trasferiti a BigQuery, in particolare se i file sono stati aggiunti al bucket molto di recente. Dopo l'aggiunta al bucket, BigQuery Data Transfer Service richiede circa 10 minuti per rendere disponibile un file. In alcuni casi, tuttavia, potrebbero essere necessari più di 10 minuti.

Importante: per ridurre la possibilità di perdere dati, pianifica i trasferimenti Amazon S3 in modo che vengano eseguiti almeno 10 minuti dopo l'aggiunta dei file al bucket.

Per ulteriori informazioni sul modello di coerenza Amazon S3, consulta Modello di coerenza dei dati di Amazon S3 nella documentazione di Amazon S3.

Best practice per i costi del trasferimento di dati in uscita

I trasferimenti da Amazon S3 potrebbero non riuscire se la tabella di destinazione non è stata configurata correttamente. I motivi che potrebbero causare una configurazione non corretta includono:

• La tabella di destinazione non esiste.
• Lo schema della tabella non è definito.
• Lo schema della tabella non è compatibile con i dati trasferiti.

Per evitare i costi del trasferimento di dati in uscita da Amazon S3, devi prima testare un trasferimento con un sottoinsieme piccolo ma rappresentativo dei file. Se il valore è ridotto, il test dovrebbe avere una dimensione dei dati ridotta e un numero di file ridotto.

Prezzi

Per informazioni sui prezzi di BigQuery Data Transfer Service, consulta la pagina Prezzi.

Tieni presente che l'utilizzo di questo servizio può comportare costi al di fuori di Google. Per maggiori dettagli, consulta la pagina dei prezzi di Amazon S3.

Quote e limiti

BigQuery Data Transfer Service utilizza i job di caricamento per caricare i dati Amazon S3 in BigQuery. Tutti i quote e i limiti di BigQuery relativi ai job di caricamento si applicano ai trasferimenti ricorrenti Amazon S3, con le seguenti considerazioni aggiuntive:

Valore	Limite
Dimensione massima per esecuzione di trasferimento del job di caricamento	15 TB
Numero massimo di file per esecuzione di trasferimento quando l'URI Amazon S3 include 0 o 1 caratteri jolly	10.000.000 file
Numero massimo di file per esecuzione di trasferimento quando l'URI Amazon S3 include più di un carattere jolly	10.000 file

Passaggi successivi

• Scopri di più sulla configurazione di un trasferimento Amazon S3.
• Scopri di più sui parametri di runtime nei trasferimenti S3.
• Scopri di più su BigQuery Data Transfer Service.