Linhagem de dados com o Dataplex

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Sobre a integração da linhagem de dados

A linhagem de dados é um recurso do Dataplex que permite rastrear como os dados se movem pelos sistemas: de onde vêm, para onde são passados e quais transformações são aplicadas a eles. A linhagem de dados está disponível para:

Depois que o recurso é ativado no ambiente do Cloud Composer, a execução de DAGs que utilizam qualquer um dos operadores compatíveis faz com que o Cloud Composer relate informações de linhagem para a API Data Lineage.

Você pode acessar essas informações usando:

Operadores compatíveis

Os operadores a seguir são compatíveis com a geração automática de relatórios de linhagem no Cloud Composer:

  • airflow.providers.google.cloud.operators.bigquery.BigQueryExecuteQueryOperator
  • airflow.providers.google.cloud.operators.bigquery.BigQueryInsertJobOperator
  • airflow.providers.google.cloud.transfers.bigquery_to_bigquery.BigQueryToBigQueryOperator
  • airflow.contrib.operators.bigquery_to_gcs.BigQueryToCloudStorageOperator
  • airflow.providers.google.cloud.transfers.bigquery_to_gcs.BigQueryToGCSOperator
  • airflow.providers.google.cloud.transfers.gcs_to_bigquery.GCSToBigQueryOperator
  • airflow.contrib.operators.gcs_to_bq.GoogleCloudStorageToBigQueryOperator
  • airflow.providers.google.cloud.operators.dataproc.DataprocSubmitJobOperator

Por exemplo, execute a seguinte tarefa:

task = BigQueryInsertJobOperator(
    task_id='snapshot_task',
    dag=dag,
    location='<dataset-location>',
    configuration={
        'query': {
            'query': 'SELECT * FROM dataset.tableA',
            'useLegacySql': False,
            'destinationTable': {
                'project_id': GCP_PROJECT,
                'dataset_id': 'dataset',
                'table_id': 'tableB',
            },
        }
    },
)

Resultados na criação do seguinte gráfico de linhagem na interface do Dataplex:

Exemplo de gráfico de linhagem na interface do Dataplex.
Figura 1. Exemplo de gráfico de linhagem para uma tabela do BigQuery na interface do Dataplex.

Considerações sobre recursos do Cloud Composer

Cada execução de tarefa do Airflow que relata a linhagem de dados executa:

  • Uma solicitação de RPC de criação ou atualização para um processo de linhagem
  • Uma solicitação de RPC de criação ou atualização para uma execução de linhagem
  • Uma ou mais solicitações de RPC para criar eventos de linhagem (na maioria das vezes 0 ou 1)

Para mais detalhes sobre essas entidades, consulte o modelo de informações de linhagem e a referência da API Lineage na documentação do Dataplex.

O tráfego de linhagem emitido está sujeito a cotas na API Data Lineage. O Cloud Composer consome a cota de gravação.

Os preços associados ao gerenciamento de dados de linhagem estão sujeitos aos preços de linhagem. Confira considerações sobre a linhagem de dados.

Implicações no desempenho

A linhagem de dados é relatada ao final da execução da tarefa do Airflow. Em média, a geração de relatórios de linhagem de dados leva cerca de 1 a 2 segundos.

Isso não afeta o desempenho da tarefa em si: as tarefas do Airflow não falham se a linhagem não é relatada com sucesso para a API Lineage. Não há impacto na lógica do operador principal, mas toda a instância de tarefa é executada um pouco mais para considerar os dados de linhagem de relatórios.

Um ambiente que informa a linhagem de dados terá um pequeno aumento nos custos associados, devido ao tempo extra necessário para informar a linhagem de dados.

Compliance

A linhagem de dados oferece diferentes níveis de suporte para recursos, como o VPC Service Controls. Analise as considerações de linhagem de dados para garantir que os níveis de suporte correspondam aos requisitos do seu ambiente.

Trabalhar com a integração da linhagem de dados

A integração da linhagem de dados do Cloud Composer é gerenciada por ambiente. Isso significa que a ativação do recurso requer duas etapas:

  1. Ativar a API Data Lineage no projeto.
  2. Ativar a integração da linhagem de dados em um ambiente específico do Cloud Composer.

Antes de começar

Ao criar um ambiente, a integração da linhagem de dados será ativada automaticamente se as seguintes condições forem atendidas:

  • A API Data Lineage está ativada no projeto. Para mais informações, consulte Como ativar a API Data Lineage na documentação do Dataplex.

  • Um back-end de linhagem personalizado não está configurado no Airflow.

Em um ambiente atual, é possível enable ou desativar a integração da linhagem de dados a qualquer momento.

Funções exigidas

A integração com a linhagem de dados requer as seguintes permissões adicionadas à sua conta de serviço do ambiente do Cloud Composer:

  • Para as contas padrão de serviço: nenhuma alteração é necessária. As contas padrão de serviço incluem as permissões necessárias.
  • Para contas serviço gerenciado pelo usuário: conceda o papel Worker do Composer (roles/composer.worker) à sua conta de serviço. Esse papel inclui todas as permissões de linhagem de dados necessárias.

Para mais detalhes, consulte Papéis e permissões de linhagem na documentação do Dataplex.

Ativar a linhagem de dados no Cloud Composer

Console

  1. No console do Google Cloud, acesse a página Ambientes.

    Acessar "Ambientes"

  2. Na lista de ambientes, clique no nome do ambiente. A página Detalhes do ambiente é aberta.

  3. Selecione a guia Configuração do ambiente.

  4. Na seção Integração da linhagem de dados do Dataplex, clique em Editar.

  5. No painel Integração da linhagem de dados do Dataplex, selecione Ativar a integração com a linhagem de dados do Dataplex e clique em Salvar.

gcloud

Use o argumento --enable-cloud-data-lineage-integration.

gcloud composer environments update ENVIRONMENT_NAME \
    --location LOCATION \
    --enable-cloud-data-lineage-integration

Substitua:

  • ENVIRONMENT_NAME pelo nome do ambiente;

    O nome precisa começar com uma letra minúscula seguida por até 62 letras minúsculas, números ou hifens. Ele não pode terminar com um hífen. O nome do ambiente é usado para criar subcomponentes para o ambiente. Você precisa fornecer um nome que também seja válido como um nome de bucket do Cloud Storage. Para ver uma lista de restrições, consulte Diretrizes de nomenclatura de bucket.

  • LOCATION pela região do ambiente.

    Um local é a região em que o cluster do GKE do ambiente está localizado.

Exemplo:

gcloud composer environments update example-environment \
    --location us-central1 \
    --enable-cloud-data-lineage-integration

Enviar eventos de linhagem personalizados

É possível enviar eventos de linhagem personalizados se quiser relatar a linhagem de um operador que não é compatível com a geração automática de relatórios de linhagem.

Por exemplo, para enviar eventos personalizados com:

  • BashOperator, modifique o parâmetro inlets ou outlets na definição da tarefa.
  • PythonOperator, modifique o parâmetro task.inlets ou task.outlets na definição da tarefa. O uso de AUTO para o parâmetro inlets define o valor igual ao outlets da tarefa upstream.

Por exemplo, executar esta tarefa:


from airflow.composer.data_lineage.entities import BigQueryTable
from airflow.lineage import AUTO

…

bash_task = BashOperator(
   task_id='bash_task',
   dag=dag,
   bash_command='sleep 0',
   inlets=[BigQueryTable(
       project_id=GCP_PROJECT,
       dataset_id='dataset',
       table_id='table1',
   )],
   outlets=[BigQueryTable(
       project_id=GCP_PROJECT,
       dataset_id='dataset',
       table_id='table2',
   )]
)


def _python_task(task):
   task.inlets.append(BigQueryTable(
       project_id=GCP_PROJECT,
       dataset_id='dataset',
       table_id='table3',
   ))

   task.outlets.append(BigQueryTable(
       project_id=GCP_PROJECT,
       dataset_id='dataset',
       table_id='table4',
   ))


python_task = PythonOperator(
   task_id='python_task',
   dag=dag,
   python_callable=_python_task,
   inlets=[AUTO],
)

bash_task >> python_task

Resultados na criação do seguinte gráfico de linhagem na interface do Dataplex:

Exemplo de gráfico de linhagem para eventos personalizados na interface do Dataplex.
Figura 2. Exemplo de gráfico de linhagem para várias tabelas do BigQuery na interface do Dataplex.

Desativar a linhagem de dados no Cloud Composer

Desativar a integração da linhagem em um ambiente do Cloud Composer não desativa a API Data Lineage. Se você quiser desativar completamente os relatórios de linhagem no seu projeto, desative também a API Data Lineage. Consulte Como desativar serviços.

Console

  1. No console do Google Cloud, acesse a página Ambientes.

    Acessar "Ambientes"

  2. Na lista de ambientes, clique no nome do ambiente. A página Detalhes do ambiente é aberta.

  3. Selecione a guia Configuração do ambiente.

  4. Na seção Integração da linhagem de dados do Dataplex, clique em Editar.

  5. No painel Integração da linhagem de dados do Dataplex, selecione Desativar a integração com a linhagem de dados do Dataplex e clique em Salvar.

gcloud

Use o argumento --disable-cloud-data-lineage-integration.

gcloud composer environments update ENVIRONMENT_NAME \
    --location LOCATION \
    --disable-cloud-data-lineage-integration

Substitua:

  • ENVIRONMENT_NAME pelo nome do ambiente;

    O nome precisa começar com uma letra minúscula seguida por até 62 letras minúsculas, números ou hifens. Ele não pode terminar com um hífen. O nome do ambiente é usado para criar subcomponentes para o ambiente. Você precisa fornecer um nome que também seja válido como um nome de bucket do Cloud Storage. Para ver uma lista de restrições, consulte Diretrizes de nomenclatura de bucket.

  • LOCATION pela região do ambiente.

    Um local é a região em que o cluster do GKE do ambiente está localizado.

Exemplo:

gcloud composer environments update example-environment \
    --location us-central1 \
    --disable-cloud-data-lineage-integration

Acessar registros de linhagem no Cloud Composer

É possível inspecionar registros relacionados à linhagem de dados usando o link na página Configuração do ambiente na seção Integração da linhagem de dados do Dataplex.

Solução de problemas

Se os dados de linhagem não forem informados à API Lineage ou eles não aparecerem no Dataplex, tente as seguintes etapas de solução de problemas:

  • Verifique se a API Data Lineage está ativada no projeto do ambiente do Cloud Composer.
  • Verifique se a integração da linhagem de dados está ativada no ambiente do Cloud Composer.
  • Verifique se o operador que você usa está incluído no suporte a relatórios de linhagem automatizados. Consulte Operadores do Airflow compatíveis.
  • Verifique os registros de linhagem no Cloud Composer para encontrar possíveis problemas.