Derivazione dei dati con Dataplex

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Informazioni sull'integrazione della derivazione dei dati

La derivazione dei dati è un Dataplex che consente di tenere traccia del movimento dei dati nei sistemi: a dove vengono da dove viene trasmesso e quali trasformazioni vengono applicate. La derivazione dei dati è disponibile per:

Una volta abilitata la funzionalità nel tuo ambiente Cloud Composer, Cause dei DAG che utilizzano uno degli operatori supportati Cloud Composer per segnalare le informazioni di derivazione all'API Data Lineage.

Puoi quindi accedere a tali informazioni utilizzando:

Operatori supportati

I seguenti operatori supportano la creazione automatica di report di derivazione in 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

Ad esempio, l'esecuzione dell'attività seguente:

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',
            },
        }
    },
)

Risultati nella creazione del seguente grafico di derivazione nella UI di Dataplex:

Esempio di grafico di derivazione nella UI di Dataplex.
. Figura 1. Esempio di grafico della derivazione per una tabella BigQuery in la UI di Dataplex.

Considerazioni sulle funzionalità di Cloud Composer

Ogni esecuzione di attività Airflow che segnala la derivazione dei dati esegue:

  • Una richiesta RPC di creazione o aggiornamento per un processo di derivazione
  • Una richiesta RPC di creazione o aggiornamento per un'esecuzione della derivazione
  • Una o più richieste RPC per creare eventi di derivazione (la maggior parte delle volte 0 o 1)

Per maggiori dettagli su queste entità, consulta modello di informazioni sulla derivazione e Riferimento API Lineage in Dataplex documentazione.

Il traffico di derivazione emessa è soggetto a quote di spazio di archiviazione nell'API Data Lineage. Cloud Composer utilizza la quota di scrittura.

I prezzi associati alla gestione dei dati di derivazione sono soggetti ai prezzi di derivazione. Consulta le considerazioni sulla derivazione dei dati.

Implicazioni per il rendimento

La derivazione dei dati viene segnalata al termine dell'esecuzione dell'attività Airflow. In media, i report sulla derivazione dei dati richiedono circa 1-2 secondi.

Ciò non influisce sulle prestazioni dell'attività stessa: le attività Airflow non errore se la derivazione non viene segnalata correttamente all'API Lineage. Non c'è alcun impatto sulla logica principale dell'operatore, ma l'intera istanza dell'attività lo fa più a lungo per tenere conto dei dati di derivazione dei report.

Un ambiente che riporta la derivazione dei dati avrà un leggero aumento delle associati ai costi associati, a causa del tempo aggiuntivo necessario per registrare la derivazione dei dati.

Conformità

La derivazione dei dati offre diversi livelli di supporto per funzionalità come Controlli di servizio VPC. Rivedi considerazioni sulla derivazione dei dati per assicurarti che i livelli di assistenza corrispondano ai requisiti dell'ambiente.

Lavora con l'integrazione della derivazione dei dati

L'integrazione della derivazione dei dati per Cloud Composer è gestita su un per ambiente. Ciò significa che l'attivazione della funzionalità richiede due passaggi:

  1. Abilitare l'API Data Lineage nel tuo progetto.
  2. Abilita l'integrazione della derivazione dei dati in uno specifico Cloud Composer completamente gestito di Google Cloud.

Prima di iniziare

Quando crei un ambiente, l'integrazione della derivazione dei dati abilitata automaticamente se vengono soddisfatte le seguenti condizioni:

  • L'API Data Lineage è abilitata nel tuo progetto. Per ulteriori informazioni, vedi Abilita l'API Data Lineage in documentazione di Dataplex.

  • Un segmento di pubblico personalizzato Backend di derivazione non è configurato in Airflow.

Per un ambiente esistente, puoi abilitare o disabilita l'integrazione della derivazione dei dati in qualsiasi momento.

Ruoli obbligatori

L'integrazione con la derivazione dei dati richiede l'aggiunta delle seguenti autorizzazioni per il tuo Account di servizio dell'ambiente Cloud Composer:

  • Per gli account di servizio predefiniti: non sono necessarie modifiche. Account di servizio predefiniti includi le autorizzazioni richieste.
  • Per gli account di servizio gestiti dall'utente: concedi il worker Composer (roles/composer.worker) al tuo account di servizio. Questo ruolo include tutte le autorizzazioni necessarie per la derivazione dei dati.

Per maggiori dettagli, consulta i ruoli e le autorizzazioni di derivazione nella documentazione di Dataplex.

Abilita la derivazione dei dati in Cloud Composer

Console

  1. Nella console Google Cloud, vai alla pagina Ambienti.

    Vai ad Ambienti

  2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Si apre la pagina Dettagli ambiente.

  3. Seleziona la scheda Configurazione dell'ambiente.

  4. Nella sezione Integrazione della derivazione dei dati Dataplex, fai clic su Modifica.

  5. Nel riquadro Integrazione della derivazione dei dati Dataplex, seleziona Abilita l'integrazione con la derivazione dei dati Dataplex e fai clic su Salva.

gcloud

Utilizza l'argomento --enable-cloud-data-lineage-integration.

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

Sostituisci:

  • ENVIRONMENT_NAME con il nome dell'ambiente.

    Il nome deve iniziare con una lettera minuscola seguita da un massimo di 62 minuscoli lettere, numeri o trattini e non può terminare con un trattino. Ambiente viene utilizzato per creare i sottocomponenti dell'ambiente, quindi devi fornire un nome che sia valido anche come Cloud Storage il nome del bucket. Consulta le linee guida per la denominazione dei bucket di restrizioni.

  • LOCATION con la regione per l'ambiente.

    Una località è la regione in cui si trova il cluster GKE dell'ambiente individuarlo.

Esempio:

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

Invia eventi di derivazione personalizzati

Puoi inviare eventi di derivazione personalizzati se vuoi segnalare la derivazione per un operatore non supportato per i report automatici sulla derivazione.

Ad esempio, per inviare eventi personalizzati con:

  • BashOperator, modifica il parametro inlets o outlets nell'attività definizione di Kubernetes.
  • PythonOperator, modifica il parametro task.inlets o task.outlets nella definizione dell'attività. L'utilizzo di AUTO per il parametro inlets ne consente l'impostazione pari a outlets dell'attività upstream.

Ad esempio, se esegui questa attività:


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

Risultati nella creazione del seguente grafico di derivazione nella UI di Dataplex:

Esempio di grafico della derivazione per eventi personalizzati nella UI di Dataplex.
. Figura 2. Esempio di grafico della derivazione per più BigQuery nella UI di Dataplex.

Disabilita la derivazione dei dati in Cloud Composer

La disabilitazione dell'integrazione della derivazione in un ambiente Cloud Composer di disabilitare l'API Data Lineage. Se vuoi disabilitare completamente la derivazione per il tuo progetto, disabilita anche l'API Data Lineage. Consulta Disattivazione dei servizi.

Console

  1. Nella console Google Cloud, vai alla pagina Ambienti.

    Vai ad Ambienti

  2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Si apre la pagina Dettagli ambiente.

  3. Seleziona la scheda Configurazione dell'ambiente.

  4. Nella sezione Integrazione della derivazione dei dati Dataplex, fai clic su Modifica.

  5. Nel riquadro Integrazione della derivazione dei dati Dataplex, seleziona Disabilita l'integrazione con la derivazione dei dati Dataplex e fai clic su Salva.

gcloud

Utilizza l'argomento --disable-cloud-data-lineage-integration.

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

Sostituisci:

  • ENVIRONMENT_NAME con il nome dell'ambiente.

    Il nome deve iniziare con una lettera minuscola seguita da un massimo di 62 minuscoli lettere, numeri o trattini e non può terminare con un trattino. Ambiente viene utilizzato per creare i sottocomponenti dell'ambiente, quindi devi fornire un nome che sia valido anche come Cloud Storage il nome del bucket. Consulta le linee guida per la denominazione dei bucket di restrizioni.

  • LOCATION con la regione per l'ambiente.

    Una località è la regione in cui si trova il cluster GKE dell'ambiente individuarlo.

Esempio:

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

Visualizza i log di derivazione in Cloud Composer

Puoi esaminare i log relativi alla derivazione dei dati utilizzando il link nella Pagina Configurazione dell'ambiente in Dataplex integrazione della derivazione dei dati.

Risoluzione dei problemi

Se i dati di derivazione non vengono segnalati all'API Lineage o non puoi vederli in Dataplex, prova a seguire questi passaggi per la risoluzione dei problemi:

  • Assicurati che l'API Data Lineage sia abilitata nel progetto della tua nell'ambiente Cloud Composer.
  • Verificare se l'integrazione della derivazione dei dati è abilitata in Cloud Composer completamente gestito di Google Cloud.
  • Verifica se l'operatore che utilizzi è incluso nella derivazione automatica per la generazione di report. Vedi Operatori Airflow supportati.
  • Controlla i log di derivazione in Cloud Composer per individuare eventuali problemi.