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 Dataplex. que permite acompanhar como os dados se movem pelos sistemas: de onde eles vêm de onde é passado e quais transformações são aplicadas a ele. A linhagem de dados está disponível para:

Depois que o recurso for ativado no seu ambiente do Cloud Composer, a execução de DAGs que usam qualquer um dos operadores compatíveis fará com que o Cloud Composer informe informações de linhagem para a API Data Lineage.

Você pode acessar essas informações usando:

Operadores compatíveis

Os operadores a seguir oferecem suporte a relatórios de linhagem automática 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',
            },
        }
    },
)

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

Para detalhes sobre essas entidades, consulte o modelo de informações de linhagem e a referência da API de linhagem 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.

O preço associado ao processamento de dados de linhagem está sujeito aos preços de linhagem. Confira considerações sobre a linhagem de dados.

Implicações no desempenho

A linhagem de dados é informada ao final da execução da tarefa do Airflow. Em média, os relatórios de linhagem de dados levam 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 for informada à API Lineage. Não há impacto na lógica principal do operador, mas a instância de tarefa inteira é executada por mais tempo para considerar os dados de linhagem do relatório.

Um ambiente que relata a linhagem de dados terá um pequeno aumento na custos associados, devido ao tempo extra necessário para relatar a linhagem de dados.

Compliance

A linhagem de dados oferece diferentes níveis de suporte para recursos como VPC Service Controls. Consulte as considerações sobre a 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 no Cloud Composer é gerenciada em um com base em cada ambiente. Isso significa que a ativação do recurso requer duas etapas:

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

Antes de começar

Quando você cria um ambiente, a integração de linhagem de dados é 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 em Documentação do Dataplex.

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

Em um ambiente atual, é possível ativar ou desativar a integração de 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. Contas padrão de serviço inclua as permissões necessárias.
  • Para contas de serviço gerenciadas pelo usuário: conceda o papel de trabalhador do compositor (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 você quiser gerar relatórios de linhagem para um operador que não é compatível com relatórios de linhagem automatizados.

Por exemplo, para enviar eventos personalizados com:

  • BashOperator, modifique o parâmetro inlets ou outlets na tarefa definição.
  • 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, executando 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

O resultado é a 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 desativar a API Data Lineage. Se você quiser desativar completamente a linhagem para 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 não aparecerem no Dataplex, siga estas etapas de solução de problemas:

  • Verifique se a API Data Lineage está ativada no projeto do ambiente do Cloud Composer.
  • Verifique se a integração de linhagem de dados está ativada no ambiente do Cloud Composer.
  • Verifique se a operadora que você usa está incluída na linhagem automatizada suporte a relatórios. Consulte Operadores do Airflow compatíveis.
  • Verifique se há possíveis problemas nos registros de linhagem no Cloud Composer.