自 2026 年 9 月 15 日起，所有 Cloud Composer 1 和 Cloud Composer 2 版本 2.0.x 环境都将达到计划的生命周期结束时间，您将无法再使用它们。我们建议您规划迁移到 Cloud Composer 3。

此页面由 Cloud Translation API 翻译。

使用来自 AWS 的数据在 Google Cloud 中运行数据分析 DAG

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

本教程是对在 Google Cloud中运行数据分析 DAG 的修改，介绍了如何将 Cloud Composer 环境连接到 Amazon Web Services 以利用存储在那里的数据。本教程介绍如何使用 Cloud Composer 创建 Apache Airflow DAG。该 DAG 会联接来自 BigQuery 公共数据集和存储在 Amazon Web Services (AWS) S3 存储桶中的 CSV 文件的数据，然后运行 Dataproc Serverless 批量作业来处理联接的数据。

本教程中的 BigQuery 公共数据集是 ghcn_d，这是一个包含全球气候摘要的集成数据库。该 CSV 文件包含 1997 年至 2021 年美国节假日的日期和名称信息。

我们想使用 DAG 回答的问题是：“过去 25 年来，芝加哥的感恩节有多暖和？”

目标

以默认配置创建 Cloud Composer 环境
在 AWS S3 中创建存储桶
创建空的 BigQuery 数据集
创建新的 Cloud Storage 存储桶
创建并运行包含以下任务的 DAG：
- 将外部数据集从 S3 加载到 Cloud Storage
- 将外部数据集从 Cloud Storage 加载到 BigQuery
- 在 BigQuery 中联接两个数据集
- 运行数据分析 PySpark 作业

准备工作

在 AWS 中管理权限

创建 AWS 账号。
按照 AWS 教程“创建 IAM 政策”中的“使用可视化编辑器创建政策”部分，创建具有以下配置的自定义 AWS S3 IAM 政策：
- 服务：S3
- ListAllMyBuckets (s3:ListAllMyBuckets)，用于查看您的 S3 存储桶
- CreateBucket (s3:CreateBucket)，用于创建存储桶
- PutBucketOwnershipControls (s3:PutBucketOwnershipControls)，用于创建存储桶
- ListBucket (s3:ListBucket)，用于授予列出 S3 存储桶中对象的权限
- PutObject (s3:PutObject)，用于将文件上传到存储桶
- GetBucketVersioning (s3:GetBucketVersioning)，用于删除存储桶中的对象
- DeleteObject (s3:DeleteObject)，用于删除存储桶中的对象
- ListBucketVersions (s3:ListBucketVersions)，用于删除存储桶
- DeleteBucket (s3:DeleteBucket)，用于删除存储桶
- 资源：选择“存储桶”和“对象”旁边的“任意”，以向相应类型的任何资源授予权限。
- 标记：无
- 名称：TutorialPolicy
如需详细了解上述每项配置，请参阅 Amazon S3 中支持的操作列表。
将 TutorialPolicy IAM 政策添加到您的身份

启用 API

启用以下 API：

控制台

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

授予权限

向您的用户账号授予以下角色和权限：

授予用于管理 Cloud Composer 环境和环境存储分区的角色。
授予 BigQuery Data Owner (roles/bigquery.dataOwner) 角色，以便创建 BigQuery 数据集。
授予 Storage Admin (roles/storage.admin) 角色以创建 Cloud Storage 存储桶。

创建并准备 Cloud Composer 环境

使用默认参数创建 Cloud Composer 环境：
- 选择美国境内的区域。
- 选择最新的 Cloud Composer 版本。
注意：本教程的 BigQuery 部分必须在 US 多区域中运行。我们建议您为 Cloud Composer 环境选择美国区域，以降低费用和延迟时间，但即使 Cloud Composer 环境位于其他区域，本教程仍可运行。
请向 Cloud Composer 环境中使用的服务账号授予以下角色，以便 Airflow 工作器成功运行 DAG 任务：
- BigQuery User (roles/bigquery.user)
- BigQuery Data Owner (roles/bigquery.dataOwner)
- Service Account User (roles/iam.serviceAccountUser)
- Dataproc Editor (roles/dataproc.editor)
- Dataproc Worker (roles/dataproc.worker)

在 Google Cloud中创建和修改相关资源

在 Cloud Composer 环境中安装 apache-airflow-providers-amazon PyPI 软件包。
创建一个空的 BigQuery 数据集，并使用以下参数：
- 名称：holiday_weather
- 区域：US
在 US 多区域中创建新的 Cloud Storage 存储桶。
运行以下命令，在您希望运行 Dataproc Serverless 的区域中的默认子网上启用专用 Google 访问通道，以满足网络要求。建议使用与 Cloud Composer 环境相同的区域。
```
gcloud compute networks subnets update default \
    --region DATAPROC_SERVERLESS_REGION \
    --enable-private-ip-google-access
```

在 AWS 中创建相关资源

在首选区域中创建 S3 存储桶，并使用默认设置。

从 Cloud Composer 连接到 AWS

获取您的 AWS 访问密钥 ID 和私有访问密钥
使用 Airflow 界面添加 AWS S3 连接：
1. 依次前往管理 > 连接。
2. 创建具有以下配置的新连接：
  - 连接 ID： aws_s3_connection
  - 连接类型： Amazon S3
  - 附件信息： {"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}

使用 Dataproc Serverless 进行数据处理

探索示例 PySpark 作业

以下代码是一个 PySpark 作业示例，用于将温度从十分之一摄氏度转换为摄氏度。此作业将数据集中的温度数据转换为其他格式。

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")

将 PySpark 文件上传到 Cloud Storage

如需将 PySpark 文件上传到 Cloud Storage，请执行以下操作：

将 data_analytics_process.py 保存到本地机器。
在 Google Cloud 控制台中，前往 Cloud Storage 浏览器页面：

转到 Cloud Storage 浏览器
点击您之前创建的存储桶的名称。
在相应存储桶的对象标签页中，点击上传文件按钮，在随即显示的对话框中选择 data_analytics_process.py，然后点击打开。

将 CSV 文件上传到 AWS S3

如需上传 holidays.csv 文件，请执行以下操作：

将 holidays.csv 保存到本地机器。
按照 AWS 指南将文件上传到您的存储桶。

数据分析 DAG

探索示例 DAG

该 DAG 使用多个运算符来转换和统一数据：

S3ToGCSOperator 将 holidays.csv 文件从您的 AWS S3 存储桶转移到您的 Cloud Storage 存储桶。
GCSToBigQueryOperator 将 Cloud Storage 中的 holidays.csv 文件提取到您之前创建的 BigQuery holidays_weather 数据集中的新表。
DataprocCreateBatchOperator 使用 Dataproc Serverless 创建并运行 PySpark 批量作业。
BigQueryInsertJobOperator 将 holidays.csv 中的数据与 BigQuery 公共数据集 ghcn_d 中的天气数据联接起来。BigQueryInsertJobOperator 任务是使用 for 循环动态生成的，这些任务位于 TaskGroup 中，以便在 Airflow 界面的“图表视图”中获得更好的可读性。

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

使用 Airflow 界面添加变量

在 Airflow 中，变量是一种通用方式，可用于以简单的键值存储区形式存储和检索任意设置或配置。此 DAG 使用 Airflow 变量来存储常见值。如需将它们添加到您的环境中，请执行以下操作：

从 Cloud Composer 控制台访问 Airflow 界面。
依次前往管理 > 变量。
添加以下变量：
- s3_bucket：您之前创建的 S3 存储桶的名称。
- gcp_project：您的项目 ID。
- gcs_bucket：您之前创建的存储桶的名称（不带 gs:// 前缀）。
- gce_region：您希望运行 Dataproc 作业的区域，该作业需满足 Dataproc Serverless 网络要求。这是您之前启用专用 Google 访问通道的区域。
- dataproc_service_account：Cloud Composer 环境的服务账号。您可以在 Cloud Composer 环境的环境配置标签页中找到此服务账号。

将 DAG 上传到您的环境的存储桶

Cloud Composer 会安排位于环境存储桶的 /dags 文件夹中的 DAG。如需使用Google Cloud 控制台上传 DAG，请执行以下操作：

在本地机器上，保存 s3togcsoperator_tutorial.py。
在 Google Cloud 控制台中，前往环境页面。

转到“环境”
在环境列表中，点击 DAG 文件夹列中的 DAGs 链接。系统会打开您环境的 DAGs 文件夹。
点击上传文件。
在本地机器上选择 s3togcsoperator_tutorial.py，然后点击打开。

触发 DAG

在 Cloud Composer 环境中，点击 DAG 标签页。
点击 DAG ID s3_to_gcs_dag。
点击 Trigger DAG。
等待大约 5 到 10 分钟，直到您看到绿色对勾标记，这表示任务已成功完成。

验证 DAG 是否成功运行

在 Google Cloud 控制台中，前往 BigQuery 页面。

转到 BigQuery
在浏览器面板中，点击您的项目名称。
点击 holidays_weather_joined。
点击预览以查看生成的表格。请注意，值列中的数字以摄氏度为单位，精确到十分之一。
点击 holidays_weather_normalized。
点击预览以查看生成的表格。请注意，“值”列中的数字以摄氏度为单位。

清理

删除您为本教程创建的各个资源：

删除 AWS S3 存储桶中的 holidays.csv 文件。
删除您创建的 AWS S3 存储桶。
删除您为本教程创建的 Cloud Storage 存储桶。
删除 BigQuery 数据集。
删除 Cloud Composer 环境，包括手动删除环境的存储桶。