Data Analytics-DAG in Google Cloud mit Daten aus AWS ausführen

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

Diese Anleitung ist eine Modifikation von DAG für Datenanalyse in Google Cloud ausführen. Darin wird gezeigt, wie Sie Ihre Cloud Composer-Umgebung mit Amazon Web Services verbinden, um dort gespeicherte Daten zu nutzen. Darin wird gezeigt, wie Sie mit Cloud Composer einen Apache Airflow-DAG erstellen. Im DAG werden Daten aus einem öffentlichen BigQuery-Dataset und einer in einem Amazon Web Services (AWS) S3-Bucket gespeicherten CSV-Datei zusammengeführt. Anschließend wird ein Dataproc Serverless-Batchjob ausgeführt, um die zusammengeführten Daten zu verarbeiten.

Das öffentliche BigQuery-Dataset in dieser Anleitung ist ghcn_d, eine integrierte Datenbank mit Klimazusammenfassungen weltweit. Die CSV-Datei enthält Informationen zu den Daten und Namen von Feiertagen in den USA von 1997 bis 2021.

Die Frage, die wir mit dem DAG beantworten möchten, lautet: „Wie warm war es in Chicago in den letzten 25 Jahren am Thanksgiving-Tag?“

Hinweis: In dieser Anleitung wird Airflow 2 verwendet.

Ziele

• Cloud Composer-Umgebung in der Standardkonfiguration erstellen
• Bucket in AWS S3 erstellen
• Leeres BigQuery-Dataset erstellen
• Neuen Cloud Storage-Bucket erstellen
• Erstellen und führen Sie eine DAG mit den folgenden Aufgaben aus:
  • Externes Dataset von S3 in Cloud Storage laden
  • Externes Dataset aus Cloud Storage in BigQuery laden
  • Zwei Datasets in BigQuery zusammenführen
  • PySpark-Job für die Datenanalyse ausführen

Hinweise

Berechtigungen in AWS verwalten

1. AWS-Konto erstellen

2. Folgen Sie dem Abschnitt „Richtlinien mit dem visuellen Editor erstellen“ im AWS-Tutorial zum Erstellen von IAM-Richtlinien, um eine benutzerdefinierte IAM-Richtlinie für AWS S3 mit der folgenden Konfiguration zu erstellen:

   • Dienst:S3
   • ListAllMyBuckets (s3:ListAllMyBuckets) zum Anzeigen Ihres S3-Buckets
   • CreateBucket (s3:CreateBucket) zum Erstellen eines Buckets
   • PutBucketOwnershipControls (s3:PutBucketOwnershipControls) zum Erstellen eines Buckets
   • ListBucket (s3:ListBucket) zum Gewähren der Berechtigung zum Auflisten von Objekten in einem S3-Bucket
   • PutObject (s3:PutObject) zum Hochladen von Dateien in einen Bucket
   • GetBucketVersioning (s3:GetBucketVersioning) zum Löschen eines Objekts in einem Bucket
   • DeleteObject (s3:DeleteObject) zum Löschen eines Objekts in einem Bucket
   • ListBucketVersions (s3:ListBucketVersions) zum Löschen eines Buckets
   • DeleteBucket (s3:DeleteBucket) zum Löschen eines Buckets
   • Ressourcen:Wählen Sie neben „Bucket“ und „Objekt“ die Option „Beliebig“ aus, um Berechtigungen für alle Ressourcen dieses Typs zu erteilen.
   • Tag:Keiner
   • Name:TutorialPolicy

   Weitere Informationen zu den einzelnen Konfigurationen finden Sie in der Liste der in Amazon S3 unterstützten Aktionen.

3. Fügen Sie Ihrer Identität die IAM-Richtlinie TutorialPolicy hinzu.

Achtung :Wenn Sie für „Bucket“ und „Objekt“ die Option „Beliebig“ auswählen, wird die Berechtigung für alle Ressourcen in S3 erteilt. Um den Umfang dieser Richtlinie einzuschränken, können Sie die Berechtigungen auf einen bestimmten Bucket und ein bestimmtes Objekt beschränken, nachdem Sie sie später im Tutorial erstellt haben.

APIs aktivieren

Aktivieren Sie folgende APIs:

Console

Enable the Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs.

Enable the APIs

gcloud

Enable the Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs:

gcloud services enable dataproc.googleapis.com  composer.googleapis.com  bigquery.googleapis.com  storage.googleapis.com

Berechtigungen erteilen

Weisen Sie Ihrem Nutzerkonto die folgenden Rollen und Berechtigungen zu:

• Rollen zum Verwalten von Cloud Composer-Umgebungen und Umgebungs-Buckets zuweisen

• Weisen Sie die Rolle BigQuery-Dateninhaber (roles/bigquery.dataOwner) zu, um ein BigQuery-Dataset zu erstellen.

• Weisen Sie die Rolle Storage-Administrator (roles/storage.admin) zu, um einen Cloud Storage-Bucket zu erstellen.

Cloud Composer-Umgebung erstellen und vorbereiten

1. Erstellen Sie eine Cloud Composer-Umgebung mit Standardparametern:

   • Wählen Sie eine Region in den USA aus.
   • Wählen Sie die aktuelle Cloud Composer-Version aus.
   Hinweis: Der BigQuery-Teil dieser Anleitung muss in der Multiregion US ausgeführt werden. Wir empfehlen, für Ihre Cloud Composer-Umgebung eine US-Region auszuwählen, um Kosten und Latenz zu reduzieren. Das Tutorial kann aber auch ausgeführt werden, wenn sich Ihre Cloud Composer-Umgebung in einer anderen Region befindet.

2. Weisen Sie dem Dienstkonto, das in Ihrer Cloud Composer-Umgebung verwendet wird, die folgenden Rollen zu, damit die Airflow-Worker DAG-Aufgaben erfolgreich ausführen können:

   • BigQuery-Nutzer (roles/bigquery.user)
   • BigQuery-Dateninhaber (roles/bigquery.dataOwner)
   • Dienstkontonutzer (roles/iam.serviceAccountUser)
   • Dataproc-Bearbeiter (roles/dataproc.editor)
   • Dataproc-Worker (roles/dataproc.worker)

Zugehörige Ressourcen in Google Clouderstellen und ändern

1. Installieren Sie das apache-airflow-providers-amazon PyPI-Paket in Ihrer Cloud Composer-Umgebung.

2. Leeres BigQuery-Dataset erstellen mit den folgenden Parametern:

   • Name: holiday_weather
   • Region: US

3. Erstellen Sie einen neuen Cloud Storage-Bucket in der Multiregion US.

4. Führen Sie den folgenden Befehl aus, um privaten Google-Zugriff im Standardsubnetz in der Region zu aktivieren, in der Sie Dataproc Serverless ausführen möchten, um die Netzwerkanforderungen zu erfüllen. Es wird empfohlen, dieselbe Region wie für Ihre Cloud Composer-Umgebung zu verwenden.

   gcloud compute networks subnets update default \
       --region DATAPROC_SERVERLESS_REGION \
       --enable-private-ip-google-access
   

Achtung :Das leere BigQuery-Dataset muss sich in der US-Region befinden, um die Anforderungen an die gemeinsame Unterbringung für die Übertragung des öffentlichen BigQuery-Datasets ghcn_d zu erfüllen.

Zugehörige Ressourcen in AWS erstellen

Erstellen Sie einen S3-Bucket mit Standardeinstellungen in der gewünschten Region.

Verbindung zu AWS über Cloud Composer herstellen

Hinweis :Wir empfehlen, alle Anmeldedaten für Verbindungen in Secret Manager zu speichern. Wenn Sie diese Anleitung für Produktionszwecke verwenden möchten, sollten Sie Secret Manager für Ihre Umgebung konfigurieren. Weitere Informationen finden Sie unter Secret Manager für Ihre Umgebung konfigurieren.

1. AWS-Zugriffsschlüssel-ID und Secret-Zugriffsschlüssel abrufen

2. Fügen Sie Ihre AWS S3-Verbindung über die Airflow-Benutzeroberfläche hinzu:

   1. Klicken Sie auf Verwaltung > Verbindungen.

   2. Erstellen Sie eine neue Verbindung mit der folgenden Konfiguration:

      • Verbindungs-ID:aws_s3_connection
      • Verbindungstyp:Amazon S3
      • Extras:{"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}

Datenverarbeitung mit Dataproc Serverless

PySpark-Beispieljob ansehen

Der unten gezeigte Code ist ein Beispiel für einen PySpark-Job, der die Temperatur von Zehntelgrad Celsius in Grad Celsius umrechnet. Mit diesem Job werden Temperaturdaten aus dem Dataset in ein anderes Format konvertiert.

import sys


from py4j.protocol import Py4JJavaError
from pyspark.sql import SparkSession
from pyspark.sql.functions import col


if __name__ == "__main__":
    BUCKET_NAME = sys.argv[1]
    READ_TABLE = sys.argv[2]
    WRITE_TABLE = sys.argv[3]

    # Create a SparkSession, viewable via the Spark UI
    spark = SparkSession.builder.appName("data_processing").getOrCreate()

    # Load data into dataframe if READ_TABLE exists
    try:
        df = spark.read.format("bigquery").load(READ_TABLE)
    except Py4JJavaError as e:
        raise Exception(f"Error reading {READ_TABLE}") from e

    # Convert temperature from tenths of a degree in celsius to degrees celsius
    df = df.withColumn("value", col("value") / 10)
    # Display sample of rows
    df.show(n=20)

    # Write results to GCS
    if "--dry-run" in sys.argv:
        print("Data will not be uploaded to BigQuery")
    else:
        # Set GCS temp location
        temp_path = BUCKET_NAME

        # Saving the data to BigQuery using the "indirect path" method and the spark-bigquery connector
        # Uses the "overwrite" SaveMode to ensure DAG doesn't fail when being re-run
        # See https://spark.apache.org/docs/latest/sql-data-sources-load-save-functions.html#save-modes
        # for other save mode options
        df.write.format("bigquery").option("temporaryGcsBucket", temp_path).mode(
            "overwrite"
        ).save(WRITE_TABLE)
        print("Data written to BigQuery")

PySpark-Datei in Cloud Storage hochladen

So laden Sie die PySpark-Datei in Cloud Storage hoch:

1. Speichern Sie data_analytics_process.py auf Ihrem lokalen Computer.

2. Wechseln Sie in der Google Cloud Console zur Seite Cloud Storage-Browser:

   Zum Cloud Storage Browser

3. Klicken Sie auf den Namen des Buckets, den Sie zuvor erstellt haben.

4. Klicken Sie auf dem Tab Objekte für den Bucket auf die Schaltfläche Dateien hochladen, wählen Sie im angezeigten Dialogfeld data_analytics_process.py aus und klicken Sie auf Öffnen.

CSV-Datei in AWS S3 hochladen

So laden Sie die Datei holidays.csv hoch:

1. Speichern Sie holidays.csv auf Ihrem lokalen Computer.
2. Folgen Sie der AWS-Anleitung, um die Datei in Ihren Bucket hochzuladen.

DAG für die Datenanalyse

Beispiel-DAG ansehen

Im DAG werden mehrere Operatoren verwendet, um die Daten zu transformieren und zu vereinheitlichen:

• Mit dem S3ToGCSOperator wird die Datei holidays.csv aus Ihrem AWS S3-Bucket in Ihren Cloud Storage-Bucket übertragen.

• Mit GCSToBigQueryOperator wird die Datei holidays.csv aus Cloud Storage in eine neue Tabelle im BigQuery-Dataset holidays_weather aufgenommen, das Sie zuvor erstellt haben.

• Mit dem DataprocCreateBatchOperator wird ein PySpark-Batchjob mit Dataproc Serverless erstellt und ausgeführt.

• Mit BigQueryInsertJobOperator werden die Daten aus holidays.csv in der Spalte „Date“ mit Wetterdaten aus dem öffentlichen BigQuery-Dataset ghcn_d verknüpft. Die BigQueryInsertJobOperator-Aufgaben werden dynamisch mit einer for-Schleife generiert und befinden sich in einem TaskGroup, um die Lesbarkeit in der Diagrammansicht der Airflow-Benutzeroberfläche zu verbessern.

Wichtig :Die DataprocCreateBatchOperator ist in den apache-airflow-providers-google-Paketversionen 6.2.0 und höher verfügbar. Die erforderlichen Versionen dieses Pakets sind ab Cloud Composer-Version 1.17.10 und 2.0.3 in Ihrer Umgebung vorinstalliert.

import datetime

from airflow import models
from airflow.providers.google.cloud.operators import dataproc
from airflow.providers.google.cloud.operators.bigquery import BigQueryInsertJobOperator
from airflow.providers.google.cloud.transfers.gcs_to_bigquery import (
    GCSToBigQueryOperator,
)
from airflow.providers.google.cloud.transfers.s3_to_gcs import S3ToGCSOperator
from airflow.utils.task_group import TaskGroup

PROJECT_NAME = "{{var.value.gcp_project}}"
REGION = "{{var.value.gce_region}}"

# BigQuery configs
BQ_DESTINATION_DATASET_NAME = "holiday_weather"
BQ_DESTINATION_TABLE_NAME = "holidays_weather_joined"
BQ_NORMALIZED_TABLE_NAME = "holidays_weather_normalized"

# Dataproc configs
BUCKET_NAME = "{{var.value.gcs_bucket}}"
PYSPARK_JAR = "gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar"
PROCESSING_PYTHON_FILE = f"gs://{BUCKET_NAME}/data_analytics_process.py"

# S3 configs
S3_BUCKET_NAME = "{{var.value.s3_bucket}}"

BATCH_ID = "data-processing-{{ ts_nodash | lower}}"  # Dataproc serverless only allows lowercase characters
BATCH_CONFIG = {
    "pyspark_batch": {
        "jar_file_uris": [PYSPARK_JAR],
        "main_python_file_uri": PROCESSING_PYTHON_FILE,
        "args": [
            BUCKET_NAME,
            f"{BQ_DESTINATION_DATASET_NAME}.{BQ_DESTINATION_TABLE_NAME}",
            f"{BQ_DESTINATION_DATASET_NAME}.{BQ_NORMALIZED_TABLE_NAME}",
        ],
    },
    "environment_config": {
        "execution_config": {
            "service_account": "{{var.value.dataproc_service_account}}"
        }
    },
}

yesterday = datetime.datetime.combine(
    datetime.datetime.today() - datetime.timedelta(1), datetime.datetime.min.time()
)

default_dag_args = {
    # Setting start date as yesterday starts the DAG immediately when it is
    # detected in the Cloud Storage bucket.
    "start_date": yesterday,
    # To email on failure or retry set 'email' arg to your email and enable
    # emailing here.
    "email_on_failure": False,
    "email_on_retry": False,
}

with models.DAG(
    "s3_to_gcs_dag",
    # Continue to run DAG once per day
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    s3_to_gcs_op = S3ToGCSOperator(
        task_id="s3_to_gcs",
        bucket=S3_BUCKET_NAME,
        gcp_conn_id="google_cloud_default",
        aws_conn_id="aws_s3_connection",
        dest_gcs=f"gs://{BUCKET_NAME}",
    )

    create_batch = dataproc.DataprocCreateBatchOperator(
        task_id="create_batch",
        project_id=PROJECT_NAME,
        region=REGION,
        batch=BATCH_CONFIG,
        batch_id=BATCH_ID,
    )

    load_external_dataset = GCSToBigQueryOperator(
        task_id="run_bq_external_ingestion",
        bucket=BUCKET_NAME,
        source_objects=["holidays.csv"],
        destination_project_dataset_table=f"{BQ_DESTINATION_DATASET_NAME}.holidays",
        source_format="CSV",
        schema_fields=[
            {"name": "Date", "type": "DATE"},
            {"name": "Holiday", "type": "STRING"},
        ],
        skip_leading_rows=1,
        write_disposition="WRITE_TRUNCATE",
    )

    with TaskGroup("join_bq_datasets") as bq_join_group:
        for year in range(1997, 2022):
            BQ_DATASET_NAME = f"bigquery-public-data.ghcn_d.ghcnd_{str(year)}"
            BQ_DESTINATION_TABLE_NAME = "holidays_weather_joined"
            # Specifically query a Chicago weather station
            WEATHER_HOLIDAYS_JOIN_QUERY = f"""
            SELECT Holidays.Date, Holiday, id, element, value
            FROM `{PROJECT_NAME}.holiday_weather.holidays` AS Holidays
            JOIN (SELECT id, date, element, value FROM {BQ_DATASET_NAME} AS Table
            WHERE Table.element="TMAX" AND Table.id="USW00094846") AS Weather
            ON Holidays.Date = Weather.Date;
            """

            # For demo purposes we are using WRITE_APPEND
            # but if you run the DAG repeatedly it will continue to append
            # Your use case may be different, see the Job docs
            # https://cloud.google.com/bigquery/docs/reference/rest/v2/Job
            # for alternative values for the writeDisposition
            # or consider using partitioned tables
            # https://cloud.google.com/bigquery/docs/partitioned-tables
            bq_join_holidays_weather_data = BigQueryInsertJobOperator(
                task_id=f"bq_join_holidays_weather_data_{str(year)}",
                configuration={
                    "query": {
                        "query": WEATHER_HOLIDAYS_JOIN_QUERY,
                        "useLegacySql": False,
                        "destinationTable": {
                            "projectId": PROJECT_NAME,
                            "datasetId": BQ_DESTINATION_DATASET_NAME,
                            "tableId": BQ_DESTINATION_TABLE_NAME,
                        },
                        "writeDisposition": "WRITE_APPEND",
                    }
                },
                location="US",
            )

        s3_to_gcs_op >> load_external_dataset >> bq_join_group >> create_batch

Variablen über die Airflow-Benutzeroberfläche hinzufügen

In Airflow sind Variablen eine universelle Möglichkeit, beliebige Einstellungen oder Konfigurationen als einfachen Schlüssel/Wert-Speicher zu speichern und abzurufen. In diesem DAG werden Airflow-Variablen zum Speichern allgemeiner Werte verwendet. So fügen Sie sie Ihrer Umgebung hinzu:

1. Über die Cloud Composer-Konsole auf die Airflow-UI zugreifen

2. Klicken Sie auf Verwaltung > Variablen.

3. Fügen Sie die folgenden Variablen hinzu:

   • s3_bucket: Der Name des S3-Buckets, den Sie zuvor erstellt haben.

   • gcp_project: Ihre Projekt-ID.

   • gcs_bucket: der Name des Buckets, den Sie zuvor erstellt haben (ohne das Präfix gs://).

   • gce_region: die Region, in der Sie Ihren Dataproc-Job ausführen möchten, der den Dataproc Serverless-Netzwerkanforderungen entspricht. Das ist die Region, in der Sie den privaten Google-Zugriff zuvor aktiviert haben.

   • dataproc_service_account: das Dienstkonto für Ihre Cloud Composer-Umgebung. Sie finden dieses Dienstkonto auf dem Tab „Umgebungskonfiguration“ für Ihre Cloud Composer-Umgebung.

DAG in den Bucket Ihrer Umgebung hochladen

Cloud Composer plant DAGs, die sich im /dags-Ordner des Buckets Ihrer Umgebung befinden. So laden Sie den DAG über dieGoogle Cloud Console hoch:

1. Speichern Sie s3togcsoperator_tutorial.py auf Ihrem lokalen Computer.

2. Rufen Sie in der Google Cloud Console die Seite Umgebungen auf.

   Zur Seite Umgebungen

3. Klicken Sie in der Liste der Umgebungen in der Spalte DAG-Ordner auf den Link DAGs. Der DAGs-Ordner Ihrer Umgebung wird geöffnet.

4. Klicken Sie auf Dateien hochladen.

5. Wählen Sie s3togcsoperator_tutorial.py auf Ihrem lokalen Computer aus und klicken Sie auf Öffnen.

DAG auslösen

1. Klicken Sie in Ihrer Cloud Composer-Umgebung auf den Tab DAGs.

2. Klicken Sie auf die DAG-ID s3_to_gcs_dag.

3. Klicken Sie auf DAG auslösen.

4. Warten Sie etwa fünf bis zehn Minuten, bis ein grünes Häkchen angezeigt wird, das angibt, dass die Aufgaben erfolgreich abgeschlossen wurden.

Erfolg des DAG prüfen

1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

   BigQuery aufrufen

2. Klicken Sie im Explorer-Bereich auf den Namen Ihres Projekts.

3. Klicken Sie auf holidays_weather_joined.

4. Klicken Sie auf „Vorschau“, um die resultierende Tabelle aufzurufen. Die Zahlen in der Spalte „Wert“ sind in Zehntelgrad Celsius angegeben.

5. Klicken Sie auf holidays_weather_normalized.

6. Klicken Sie auf „Vorschau“, um die resultierende Tabelle aufzurufen. Die Zahlen in der Spalte „Wert“ sind in Grad Celsius angegeben.

Bereinigen

Löschen Sie die einzelnen Ressourcen, die Sie für diese Anleitung erstellt haben:

• Löschen Sie die Datei holidays.csv in Ihrem AWS S3-Bucket.

• Löschen Sie den von Ihnen erstellten AWS S3-Bucket.

• Löschen Sie den Cloud Storage-Bucket, den Sie für diese Anleitung erstellt haben.

• Löschen Sie das BigQuery-Dataset.

• Löschen Sie die Cloud Composer-Umgebung und löschen Sie den Bucket der Umgebung manuell.

Nächste Schritte

• Data Analytics-DAG in Google Cloud ausführen
• DAG für die Datenanalyse in Azure ausführen