Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3
Información acerca de la integración del linaje de datos
El linaje de datos es una función de Dataplex que te permite hacer un seguimiento de cómo los datos se mueven a través de tus sistemas: de dónde provienen, a dónde se pasan y qué transformaciones se aplican a ellos. El linaje de datos está disponible para lo siguiente:
Cloud Composer 2 que ejecutan versiones 2.1.2 y posteriores con Airflow 2.2.5 y versiones posteriores
entornos de Cloud Composer 2 en las mismas regiones que Regiones de Data Catalog que admiten el linaje de datos.
Una vez que la función esté habilitada en tu entorno de Cloud Composer, ejecutar DAGs que usen cualquiera de los operadores admitidos hará que Cloud Composer informe información de linaje a la API de Data Lineage.
Luego, puedes acceder a esa información de las siguientes maneras:
- API de Data Lineage
- Gráficos de visualización de linaje para entradas compatibles de Data Catalog en Dataplex. Consulta Gráficos de visualización del linaje en la documentación de Dataplex.
Operadores admitidos
Los siguientes operadores admiten informes de linaje automáticos en 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 ejemplo, si ejecutas la siguiente tarea:
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',
},
}
},
)
Genera el siguiente gráfico de linaje en la IU de Dataplex:
Consideraciones sobre las funciones de Cloud Composer
Cada ejecución de tarea de Airflow que informa el linaje de datos realiza lo siguiente:
- Una solicitud de RPC de creación o actualización para un proceso de linaje
- Una solicitud de RPC de creación o actualización para una ejecución de linaje
- Una o más solicitudes de RPC para crear eventos de linaje (la mayoría de las veces, son 0 o 1)
Para obtener detalles sobre estas entidades, consulta el modelo de información de linaje y la referencia de la API de Lineage en la documentación de Dataplex.
El tráfico de linaje emitido está sujeto a cuotas en la API de Data Lineage. Cloud Composer consume la cuota de escritura.
Los precios asociados con el manejo de datos de linaje están sujetos a los precios de linaje. Consulta las consideraciones del linaje de datos.
Implicaciones de rendimiento
El linaje de datos se informa al final de la ejecución de la tarea de Airflow. En promedio, los informes de linaje de datos tardan entre 1 y 2 segundos.
Esto no afecta el rendimiento de la tarea en sí: las tareas de Airflow no fallará si el linaje no se informa correctamente a la API de Lineage. No hay impacto en la lógica del operador principal, pero toda la instancia de la tarea sí ejecutar un poco más para tener en cuenta los informes de datos de linaje.
Un entorno que informa el linaje de datos tendrá un aumento menor en los costos asociados, debido al tiempo adicional necesario para informar el linaje de datos.
Cumplimiento
El linaje de datos ofrece diferentes niveles de compatibilidad para funciones, como los Controles del servicio de VPC. Revisión consideraciones del linaje de datos para garantizar que los niveles de asistencia coincidan con los requisitos del entorno.
Trabaja con la integración del linaje de datos
La integración del linaje de datos para Cloud Composer se administra por entorno. Esto significa que se requieren dos pasos para habilitar la función:
- Habilitar la API de Data Lineage en tu proyecto
- Habilitar la integración del linaje de datos en un Cloud Composer específico en un entorno de nube.
Antes de comenzar
Cuando creas un entorno, la integración de linaje de datos se habilita automáticamente si se cumplen las siguientes condiciones:
La API de Data Lineage está habilitada en tu proyecto. Para obtener más información, consulta Habilita la API de Data Lineage en la documentación de Dataplex.
Un Backend de linaje no está configurado en Airflow.
Para un entorno existente, puedes habilitar o inhabilitar la integración del linaje de datos en cualquier momento
Roles obligatorios
La integración con el linaje de datos requiere que se agreguen los siguientes permisos para tu Cuenta de servicio del entorno de Cloud Composer:
- En el caso de las cuentas de servicio predeterminadas, no es necesario realizar ningún cambio. Las cuentas de servicio predeterminadas incluyen los permisos necesarios.
- Para cuentas de servicio administradas por el usuario, otorga el rol de Composer Worker
(
roles/composer.worker
) a tu cuenta de servicio. Este rol incluye todos los permisos necesarios para el linaje de datos.
Para obtener más detalles, consulta roles y permisos de linaje en la documentación de Dataplex.
Habilita el linaje de datos en Cloud Composer
Console
En la consola de Google Cloud, ve a la página Entornos.
En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.
Selecciona la pestaña Configuración del entorno.
En la sección Integración del linaje de datos de Dataplex, haz clic en Editar.
En el panel Integración del linaje de datos de Dataplex, selecciona Habilitar la integración del linaje de datos de Dataplex y haz clic en Guardar.
gcloud
Usa el argumento --enable-cloud-data-lineage-integration
.
gcloud composer environments update ENVIRONMENT_NAME \
--location LOCATION \
--enable-cloud-data-lineage-integration
Reemplaza lo siguiente:
ENVIRONMENT_NAME
por el nombre del entorno.El nombre debe comenzar con una letra minúscula seguida por un máximo de 62 letras minúsculas, números o guiones, y no puede terminar con un guion. El nombre del entorno se usa a fin de crear subcomponentes para el entorno, por lo que debes proporcionar un nombre que también sea válido como un nombre de bucket de Cloud Storage. Consulta los Lineamientos para asignación de nombres de bucket a fin de obtener una lista de restricciones.
LOCATION
por la región del entorno.Una ubicación es la región en la que se encuentra el clúster de GKE del entorno ubicado.
Ejemplo:
gcloud composer environments update example-environment \
--location us-central1 \
--enable-cloud-data-lineage-integration
Envía eventos de linaje personalizados
Puedes enviar eventos de linaje personalizados si deseas informar el linaje de un operador que no es compatible con los informes de linaje automáticos.
Por ejemplo, para enviar eventos personalizados con lo siguiente:
BashOperator
, modifica el parámetroinlets
ooutlets
en la definición de tareas.PythonOperator
, modifica el parámetrotask.inlets
otask.outlets
en la definición de la tarea. El uso deAUTO
para el parámetroinlets
establece su valor igual aloutlets
de su tarea upstream.
Por ejemplo, ejecuta esta tarea:
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
Genera el siguiente gráfico de linaje en la IU de Dataplex:
Inhabilita el linaje de datos en Cloud Composer
Inhabilitar la integración de linaje en un entorno de Cloud Composer no inhabilita la API de Data Lineage. Si quieres inhabilitar por completo el linaje para tu proyecto, también inhabilitarás la API de Data Lineage. Consulta Inhabilita servicios.
Console
En la consola de Google Cloud, ve a la página Entornos.
En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.
Selecciona la pestaña Configuración del entorno.
En la sección Integración del linaje de datos de Dataplex, haz clic en Editar.
En el panel Integración del linaje de datos de Dataplex, selecciona Inhabilitar la integración con el linaje de datos de Dataplex y haz clic en Guardar.
gcloud
Usa el argumento --disable-cloud-data-lineage-integration
.
gcloud composer environments update ENVIRONMENT_NAME \
--location LOCATION \
--disable-cloud-data-lineage-integration
Reemplaza lo siguiente:
ENVIRONMENT_NAME
por el nombre del entorno.El nombre debe comenzar con una letra minúscula seguida por un máximo de 62 letras minúsculas, números o guiones, y no puede terminar con un guion. El nombre del entorno se usa a fin de crear subcomponentes para el entorno, por lo que debes proporcionar un nombre que también sea válido como un nombre de bucket de Cloud Storage. Consulta los Lineamientos para asignación de nombres de bucket a fin de obtener una lista de restricciones.
LOCATION
por la región del entorno.Una ubicación es la región en la que se encuentra el clúster de GKE del entorno ubicado.
Ejemplo:
gcloud composer environments update example-environment \
--location us-central1 \
--disable-cloud-data-lineage-integration
Ver registros de linaje en Cloud Composer
Puedes inspeccionar los registros relacionados con el linaje de datos usando el vínculo Página de configuración del entorno en Dataplex Integración del linaje de datos.
Soluciona problemas
Si los datos de linaje no se informan a la API de Lineage o si no puedes verlos en Dataplex, prueba los siguientes pasos para solucionar problemas:
- Asegúrate de que la API de Data Lineage esté habilitada en el proyecto de tu entorno de Cloud Composer.
- Verifica si la integración del linaje de datos está habilitada en el entorno de Cloud Composer.
- Verifica si el operador que usas está incluido en la compatibilidad con los informes de linaje automáticos. Consulta Operadores de Airflow compatibles.
- Consulta los registros de linaje en Cloud Composer para detectar posibles problemas.