Se usó la API de Cloud Translation para traducir esta página.

Procesa un flujo de cambios de Bigtable

En este instructivo, se muestra cómo implementar una canalización de datos en Dataflow para obtener una transmisión en tiempo real de los cambios de la base de datos provenientes del flujo de cambios de una tabla de Bigtable. El resultado de la canalización se escribe en una serie de archivos en Cloud Storage.

Se proporciona un conjunto de datos de ejemplo para una aplicación de reproducción de música. En este instructivo, harás un seguimiento de las canciones que se escuchan y, luego, ordenarás las cinco principales en un período.

Este instructivo está dirigido a usuarios técnicos familiarizados con la escritura de código y la implementación de canalizaciones de datos en Google Cloud.

Objetivos

En este instructivo, se muestra cómo realizar lo siguiente:

Crea una tabla de Bigtable con un flujo de cambios habilitado.
Implementa una canalización en Dataflow que transforme y genere el flujo de cambios.
Consulta los resultados de tu canalización de datos.

Costos

En este documento, usarás los siguientes componentes facturables de Google Cloud:

Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios. Es posible que los usuarios nuevos de Google Cloud califiquen para obtener una prueba gratuita.

Cuando finalices las tareas que se describen en este documento, puedes borrar los recursos que creaste para evitar que continúe la facturación. Para obtener más información, consulta Cómo realizar una limpieza.

Antes de comenzar

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

Create or select a Google Cloud project.

Create a Google Cloud project:
```
gcloud projects create PROJECT_ID
```
Replace PROJECT_ID with a name for the Google Cloud project you are creating.
Select the Google Cloud project that you created:
```
gcloud config set project PROJECT_ID
```
Replace PROJECT_ID with your Google Cloud project name.

Make sure that billing is enabled for your Google Cloud project.

Enable the Dataflow, Cloud Bigtable API, Cloud Bigtable Admin API, and Cloud Storage APIs:

gcloud services enable dataflow.googleapis.com bigtable.googleapis.com bigtableadmin.googleapis.com storage.googleapis.com

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

Create or select a Google Cloud project.

Create a Google Cloud project:
```
gcloud projects create PROJECT_ID
```
Replace PROJECT_ID with a name for the Google Cloud project you are creating.
Select the Google Cloud project that you created:
```
gcloud config set project PROJECT_ID
```
Replace PROJECT_ID with your Google Cloud project name.

Make sure that billing is enabled for your Google Cloud project.

Enable the Dataflow, Cloud Bigtable API, Cloud Bigtable Admin API, and Cloud Storage APIs:

gcloud services enable dataflow.googleapis.com bigtable.googleapis.com bigtableadmin.googleapis.com storage.googleapis.com

Instala y actualiza la CLI de cbt.

gcloud components update
gcloud components install cbt

Prepare el entorno

Cómo obtener el código

Clona el repositorio que contiene el código de muestra. Si ya descargaste este repositorio, extrae para obtener la versión más reciente.

git clone https://github.com/GoogleCloudPlatform/java-docs-samples.git
cd java-docs-samples/bigtable/beam/change-streams

Crea un bucket

Create a Cloud Storage bucket:

gcloud storage buckets create gs://BUCKET_NAME

Replace BUCKET_NAME with a bucket name that meets the bucket naming requirements.

Crear una instancia de Bigtable.

Puedes usar una instancia existente para este instructivo o crear una instancia con la configuración predeterminada en una región cercana.

Crea una tabla

La aplicación de ejemplo realiza un seguimiento de las canciones que escuchan los usuarios y almacena los eventos de reproducción en Bigtable. Crea una tabla con un flujo de cambios habilitado que tenga una familia de columnas (cf) y una columna (canción) y que use IDs de usuario para las claves de fila.

Crea la tabla.

gcloud bigtable instances tables create song-rank \
--column-families=cf --change-stream-retention-period=7d \
--instance=BIGTABLE_INSTANCE_ID --project=PROJECT_ID

Reemplaza lo siguiente:

PROJECT_ID: Es el ID del proyecto que usas.
BIGTABLE_INSTANCE_ID: Es el ID de la instancia que contendrá la tabla nueva.

Comienza la canalización

Esta canalización transforma el flujo de cambios de la siguiente manera:

Lee el flujo de cambios
Obtiene el nombre de la canción.
Agrupa los eventos de reproducción de canciones en ventanas de N segundos.
Cuenta las cinco canciones principales
Muestra los resultados

Ejecutar la canalización

mvn compile exec:java -Dexec.mainClass=SongRank \
"-Dexec.args=--project=PROJECT_ID --bigtableProjectId=PROJECT_ID \
--bigtableInstanceId=BIGTABLE_INSTANCE_ID --bigtableTableId=song-rank \
--outputLocation=gs://BUCKET_NAME/ \
--runner=dataflow --region=BIGTABLE_REGION --experiments=use_runner_v2"

Reemplaza BIGTABLE_REGION por el ID de la región en la que se encuentra tu instancia de Bigtable, como us-east5.

Comprende la canalización

Los siguientes fragmentos de código de la canalización pueden ayudarte a comprender el código que estás ejecutando.

Cómo leer el flujo de cambios

El código de este ejemplo configura el flujo de origen con los parámetros de la instancia y la tabla de Bigtable específicas.

p.apply(
        "Stream from Bigtable",
        BigtableIO.readChangeStream()
            .withProjectId(options.getBigtableProjectId())
            .withInstanceId(options.getBigtableInstanceId())
            .withTableId(options.getBigtableTableId())
            .withAppProfileId(options.getBigtableAppProfile())

    )

Cómo obtener el nombre de la canción

Cuando se escucha una canción, el nombre de la canción se escribe en la familia de columnas cf y el calificador de columna song, de modo que el código extrae el valor de la mutación del flujo de cambios y lo envía al siguiente paso de la canalización.

private static class ExtractSongName extends DoFn<KV<ByteString, ChangeStreamMutation>, String> {

  @DoFn.ProcessElement
  public void processElement(ProcessContext c) {

    for (Entry e : Objects.requireNonNull(Objects.requireNonNull(c.element()).getValue())
        .getEntries()) {
      if (e instanceof SetCell) {
        SetCell setCell = (SetCell) e;
        if ("cf".equals(setCell.getFamilyName())
            && "song".equals(setCell.getQualifier().toStringUtf8())) {
          c.output(setCell.getValue().toStringUtf8());
        }
      }
    }
  }
}

Cómo contar las cinco canciones principales

Puedes usar las funciones integradas de Beam Count y Top.of para obtener las cinco canciones más populares en el período actual.

.apply(Count.perElement())
.apply("Top songs", Top.of(5, new SongComparator()).withoutDefaults())

Cómo generar los resultados

Esta canalización escribe los resultados en la salida estándar y en los archivos. En el caso de los archivos, agrupa las operaciones de escritura en grupos de 10 elementos o segmentos de un minuto.

.apply("Print", ParDo.of(new PrintFn()))
.apply(
    "Collect at least 10 elements or 1 minute of elements",
    Window.<String>into(new GlobalWindows())
        .triggering(
            Repeatedly.forever(
                AfterFirst.of(
                    AfterPane.elementCountAtLeast(10),
                    AfterProcessingTime
                        .pastFirstElementInPane()
                        .plusDelayOf(Duration.standardMinutes(1)
                        )
                )
            ))
        .discardingFiredPanes())
.apply(
    "Output top songs",
    TextIO.write()
        .to(options.getOutputLocation() + "song-charts/")
        .withSuffix(".txt")
        .withNumShards(1)
        .withWindowedWrites()
);

Cómo ver la canalización

En la consola de Google Cloud, ve a la página Dataflow.

Ir a Dataflow
Haz clic en el trabajo con un nombre que comience con song-rank.
En la parte inferior de la pantalla, haz clic en Mostrar para abrir el panel de registros.
Haz clic en Registros de trabajadores para supervisar los registros de salida del flujo de cambios.

Nota: El registro puede tardar unos minutos en aparecer mientras se inicializa la tarea.

Operaciones de escritura de transmisión

Usa la CLI de cbt para escribir una cantidad de reproducciones de canciones de varios usuarios en la tabla song-rank. Está diseñado para escribir durante unos minutos para simular las reproducciones de canciones que se transmiten con el tiempo.

cbt -instance=BIGTABLE_INSTANCE_ID -project=PROJECT_ID import \
song-rank song-rank-data.csv  column-family=cf batch-size=1

Revise el resultado.

Lee el resultado en Cloud Storage para ver las canciones más populares.

gcloud storage cat gs://BUCKET_NAME/song-charts/GlobalWindow-pane-0-00000-of-00001.txt

Salida de ejemplo:

2023-07-06T19:53:38.232Z [KV{The Wheels on the Bus, 199}, KV{Twinkle, Twinkle, Little Star, 199}, KV{Ode to Joy , 192}, KV{Row, Row, Row Your Boat, 186}, KV{Take Me Out to the Ball Game, 182}]
2023-07-06T19:53:49.536Z [KV{Old MacDonald Had a Farm, 20}, KV{Take Me Out to the Ball Game, 18}, KV{Für Elise, 17}, KV{Ode to Joy , 15}, KV{Mary Had a Little Lamb, 12}]
2023-07-06T19:53:50.425Z [KV{Twinkle, Twinkle, Little Star, 20}, KV{The Wheels on the Bus, 17}, KV{Row, Row, Row Your Boat, 13}, KV{Happy Birthday to You, 12}, KV{Over the Rainbow, 9}]

Limpia

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

Borra el proyecto

Precaución: Borrar un proyecto tiene las siguientes consecuencias:

Se borra todo en el proyecto. Si usaste un proyecto existente para las tareas de este documento, cuando lo borres, también se borrará cualquier otro trabajo que hayas realizado en el proyecto.
Se pierden los ID personalizados de proyectos. Cuando creaste este proyecto, es posible que hayas creado un ID del proyecto personalizado que desees utilizar en el futuro. Para conservar las URL que utilizan el ID del proyecto, como una URL appspot.com, borra los recursos seleccionados dentro del proyecto en lugar de borrar todo el proyecto.

Si planeas explorar varias infraestructuras, instructivos y guías de inicio rápido la reutilización de proyectos puede ayudarte a evitar exceder los límites de las cuotas del proyecto.

Delete a Google Cloud project:

gcloud projects delete PROJECT_ID

Borra los recursos individuales

Borra el bucket y los archivos.

gcloud storage rm --recursive gs://BUCKET_NAME/

Inhabilita el flujo de cambios en la tabla.

gcloud bigtable instances tables update song-rank --instance=BIGTABLE_INSTANCE_ID \
--clear-change-stream-retention-period

Borra la tabla song-rank.

cbt -instance=BIGTABLE_INSTANCE_ID -project=PROJECT_ID deletetable song-rank

Detén la canalización de flujos de cambios.
1. Enumera los trabajos para obtener el ID.
```
gcloud dataflow jobs list --region=BIGTABLE_REGION
```
2. Cancela el trabajo.
```
gcloud dataflow jobs cancel JOB_ID --region=BIGTABLE_REGION
```
  Reemplaza JOB_ID por el ID de trabajo que se muestra después del comando anterior.

Procesa un flujo de cambios de Bigtable

Objetivos

Costos

Antes de comenzar

Prepare el entorno

Cómo obtener el código

Crea un bucket

Crear una instancia de Bigtable.

Crea una tabla

Comienza la canalización

Comprende la canalización

Cómo leer el flujo de cambios

Cómo obtener el nombre de la canción

Cómo contar las cinco canciones principales

Cómo generar los resultados

Cómo ver la canalización

Operaciones de escritura de transmisión

Revise el resultado.

Limpia

Borra el proyecto

Borra los recursos individuales

¿Qué sigue?