DAG für die Datenanalyse in Google Cloud mit Daten aus AWS ausführen

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Diese Anleitung ist eine Modifikation der Anleitung Data Analytics-DAG in Google Cloud ausführen. Hier erfahren Sie, wie Sie Ihre Cloud Composer-Umgebung mit Amazon Web Services verbinden, um dort gespeicherte Daten zu verwenden. Darin wird gezeigt, wie Sie mit Cloud Composer einen Apache Airflow-DAG erstellen. Die DAG verknüpft Daten aus einem öffentlichen BigQuery-Dataset mit einer gespeicherten CSV-Datei in einem Amazon Web Services (AWS)-S3-Bucket und führt dann einen Dataproc Serverless-Batchjob aus, um die verknüpften Daten.

Das öffentliche BigQuery-Dataset in dieser Anleitung ist ghcn_d, einer integrierten Datenbank mit Klimazusammenfassungen auf der ganzen Welt. Die CSV-Datei enthält Informationen zu den Daten und Namen von Feiertagen in den USA von 1997 bis 2021.

Mit dem DAG möchten wir die Frage beantworten: „Wie warm war es in Chicago an Thanksgiving in den letzten 25 Jahren?“

Lernziele

• Cloud Composer-Umgebung in der Standardkonfiguration erstellen
• Bucket in AWS S3 erstellen
• Leeres BigQuery-Dataset erstellen
• Neuen Cloud Storage-Bucket erstellen
• Erstellen Sie einen DAG und führen Sie ihn aus, der die folgenden Aufgaben enthält:
  • Externes Dataset aus S3 in Cloud Storage laden
  • Externes Dataset aus Cloud Storage laden in BigQuery
  • Zwei Datasets in BigQuery verknüpfen
  • PySpark-Job für Datenanalyse ausführen

Hinweise

Berechtigungen in AWS verwalten

1. Erstellen Sie ein AWS-Konto.

2. Folgen Sie dem Abschnitt „Richtlinien mit dem visuellen Editor erstellen“ der Anleitung zum Erstellen von IAM-Richtlinien in AWS, um eine benutzerdefinierte IAM-Richtlinie für AWS S3 mit der folgenden Konfiguration zu erstellen:

   • Dienst: S3
   • ListAllMyBuckets (s3:ListAllMyBuckets), zum Aufrufen des S3-Buckets
   • CreateBucket (s3:CreateBucket): zum Erstellen eines Buckets
   • PutBucketOwnershipControls (s3:PutBucketOwnershipControls) zum Erstellen eines Buckets
   • ListBucket (s3:ListBucket) zum Gewähren der Berechtigung zum Auflisten von Objekten in einem S3-Bucket
   • PutObject (s3:PutObject) zum Hochladen von Dateien in einen Bucket
   • GetBucketVersioning (s3:GetBucketVersioning), zum Löschen eines Objekts in einem Bucket
   • DeleteObject (s3:DeleteObject) zum Löschen eines Objekts in einem Bucket
   • ListBucketVersions (s3:ListBucketVersions) zum Löschen eines Buckets
   • DeleteBucket (s3:DeleteBucket): zum Löschen eines Buckets
   • Ressourcen:Wählen Sie „Beliebig“ aus. neben „Bucket“ und „object“ zu gewähren Berechtigungen für Ressourcen dieses Typs.
   • Tag: Keines
   • Name:TutorialPolicy

   Weitere Informationen finden Sie im Liste der in Amazon S3 unterstützten Aktionen finden Sie weitere Informationen zu den oben aufgeführten Konfigurationen.

3. Fügen Sie Ihrer Identität die IAM-Richtlinie TutorialPolicy hinzu.

Achtung: Auswahl von „Beliebig“ für „bucket“ und „object“ wird jedem Nutzer die Berechtigung Ressourcen in S3. Sie können den Umfang dieser Richtlinie eingrenzen, indem Sie die Berechtigungen auf einen bestimmten Bucket und ein bestimmtes Objekt beschränken, nachdem Sie sie später in der Anleitung erstellt haben.

APIs aktivieren

Aktivieren Sie folgende APIs:

Console

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

Berechtigungen erteilen

Gewähren Sie Ihrem Nutzerkonto die folgenden Rollen und Berechtigungen:

• Gewähren Sie Rollen zum Verwalten von Cloud Composer-Umgebungen und Umgebungs-Buckets.

• Gewähren Sie die Rolle BigQuery-Dateninhaber (roles/bigquery.dataOwner), um ein BigQuery-Dataset zu erstellen.

• Weisen Sie die Rolle Storage-Administrator (roles/storage.admin) zu, um einen Cloud Storage-Bucket zu erstellen.

Cloud Composer-Umgebung erstellen und vorbereiten

1. Erstellen Sie eine Cloud Composer-Umgebung mit Standardeinstellung. Parameter:

   • Wählen Sie eine Region in den USA aus.
   • Wählen Sie die neueste Cloud Composer-Version aus.
   Hinweis: Der BigQuery-Teil dieser Anleitung muss im US ausgeführt werden. multiregional. Wählen Sie am besten eine US-Region für Ihr Cloud Composer-Umgebung zu nutzen, um die Kosten und Latenz zu senken. Anleitung kann weiterhin ausgeführt werden, wenn sich Ihre Cloud Composer-Umgebung in in einer anderen Region.

2. Weisen Sie dem Dienstkonto, das in Ihrer Cloud Composer-Umgebung verwendet wird, die folgenden Rollen zu, damit die Airflow-Worker DAG-Aufgaben erfolgreich ausführen können:

   • BigQuery-Nutzer (roles/bigquery.user)
   • BigQuery-Dateninhaber (roles/bigquery.dataOwner)
   • Dienstkontonutzer (roles/iam.serviceAccountUser)
   • Dataproc-Bearbeiter (roles/dataproc.editor)
   • Dataproc-Worker (roles/dataproc.worker)

Zugehörige Ressourcen in Google Cloud erstellen und ändern

1. apache-airflow-providers-amazon installieren PyPI-Paket in Ihrem Cloud Composer-Umgebung.

2. Erstellen Sie ein leeres BigQuery-Dataset mit den folgenden Parametern:

   • Name: holiday_weather
   • Region: US

3. Erstellen Sie einen neuen Cloud Storage-Bucket in der Multi-Region US.

4. Führen Sie den folgenden Befehl aus, um privaten Google-Zugriff im Standardsubnetz in der Region zu aktivieren, in der Sie Dataproc Serverless ausführen möchten, um die Netzwerkanforderungen zu erfüllen. Wir empfehlen, dieselbe Region wie für Ihre Cloud Composer-Umgebung zu verwenden.

   gcloud compute networks subnets update default \
       --region DATAPROC_SERVERLESS_REGION \
       --enable-private-ip-google-access
   

Achtung: Das leere BigQuery-Dataset muss sich in der Region „USA“ befinden, um die Anforderungen an die Co-Lokalisierung für die Übertragung des öffentlichen BigQuery-Datasets ghcn_d zu erfüllen.

Zugehörige Ressourcen in AWS erstellen

S3-Bucket erstellen mit Standardeinstellungen in Ihrer bevorzugten Region.

Verbindung von Cloud Composer zu AWS herstellen

Hinweis: Wir empfehlen, alle Anmeldedaten für Verbindungen in Secret Manager zu speichern. Wenn Sie diese Anleitung für sollten Sie Secret Manager für die verschiedenen für Ihre Umgebung. Weitere Informationen finden Sie unter Secret Manager für Ihre Umgebung konfigurieren.

1. AWS-Zugriffsschlüssel-ID und geheimen Zugriffsschlüssel abrufen

2. Fügen Sie Ihre AWS S3-Verbindung über die Airflow-Benutzeroberfläche hinzu:

   1. Gehen Sie zu Verwaltung > Verbindungen.

   2. Erstellen Sie eine neue Verbindung mit der folgenden Konfiguration:

      • Verbindungs-ID: aws_s3_connection
      • Verbindungstyp: Amazon S3
      • Extras: {"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}

Datenverarbeitung mit Dataproc Serverless

PySpark-Beispieljob ansehen

Der folgende Code ist ein Beispiel für einen PySpark-Job, mit dem Temperaturen von Zehntelgraden Celsius in Grad Celsius umgewandelt werden. Mit diesem Job werden Temperaturdaten aus dem Datensatz in ein anderes Format konvertiert.

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")

PySpark-Datei in Cloud Storage hochladen

So laden Sie die PySpark-Datei in Cloud Storage hoch:

1. Speichern Sie data_analytics_process.py auf Ihrem lokalen Computer.

2. Rufen Sie in der Google Cloud Console die Seite Cloud Storage-Browser auf:

   Zum Cloud Storage Browser

3. Klicken Sie auf den Namen des Buckets, den Sie zuvor erstellt haben.

4. Klicken Sie auf dem Tab Objekte für den Bucket auf die Schaltfläche Dateien hochladen, wählen Sie im angezeigten Dialogfeld data_analytics_process.py aus und klicken Sie auf Öffnen.

CSV-Datei in AWS S3 hochladen

So laden Sie die Datei holidays.csv hoch:

1. Speichern Sie holidays.csv auf Ihrem lokalen Computer.
2. Folgen Sie AWS-Leitfaden um die Datei in den Bucket hochzuladen.

DAG für Datenanalyse

Beispiel-DAG ansehen

Der DAG verwendet mehrere Operatoren, um die Daten zu transformieren und zu vereinheitlichen:

• Mit S3ToGCSOperator wird die Datei holidays.csv aus Ihrem AWS S3-Bucket in Ihren Cloud Storage-Bucket übertragen.

• Die GCSToBigQueryOperator die Datei holidays.csv aus Cloud Storage in eine neue Tabelle in BigQuery holidays_weather-Dataset, das Sie zuvor erstellt haben.

• Die DataprocCreateBatchOperator einen PySpark-Batch-Job mithilfe von Dataproc Serverless

• Die BigQueryInsertJobOperator werden die Daten aus holidays.csv „Datum“ Spalte mit Wetterdaten aus dem öffentlichen BigQuery-Dataset ghcn_d verwendet. Die BigQueryInsertJobOperator-Aufgaben werden dynamisch mit einer For-Schleife generiert und befinden sich in einem TaskGroup, um die Lesbarkeit in der Grafikansicht der Airflow-Benutzeroberfläche zu verbessern.

Wichtig: Die DataprocCreateBatchOperator ist in der apache-airflow-providers-google-Paket ab Version 6.2.0 Die die erforderlichen Versionen dieses Pakets sind in Ihrer Umgebung vorinstalliert ab Cloud Composer-Versionen 1.17.10 und 2.0.3.

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

Variablen über die Airflow-Benutzeroberfläche hinzufügen

In Airflow sind Variablen eine universelle Möglichkeit, beliebige Einstellungen oder Konfigurationen als einfachen Schlüssel/Wert-Speicher zu speichern und abzurufen. In diesem DAG werden Airflow-Variablen verwendet, um gängige Werte zu speichern. So fügen Sie sie Ihrer Umgebung hinzu:

1. Über die Cloud Composer-Konsole auf die Airflow-Benutzeroberfläche zugreifen

2. Klicken Sie auf Admin > Variablen.

3. Fügen Sie die folgenden Variablen hinzu:

   • s3_bucket: Der Name des zuvor erstellten S3-Buckets.

   • gcp_project: Ihre Projekt-ID.

   • gcs_bucket: der Name des Buckets, den Sie zuvor erstellt haben (ohne das Präfix gs://).

   • gce_region: die Region, in der Sie Ihren Dataproc-Job ausführen möchten, der die Anforderungen an die Dataproc Serverless-Netzwerkkonfiguration erfüllt. Das ist die Region, in der Sie den privaten Google-Zugriff zuvor aktiviert haben.

   • dataproc_service_account: das Dienstkonto für Ihr Cloud Composer-Umgebung. Sie finden diesen Dienst auf dem Tab für die Umgebungskonfiguration Cloud Composer-Umgebung.

DAG in den Bucket Ihrer Umgebung hochladen

Cloud Composer plant DAGs, die sich in der /dags-Ordner im Bucket Ihrer Umgebung. So laden Sie den DAG mit der Google Cloud Console hoch:

1. Speichern Sie s3togcsoperator_tutorial.py auf Ihrem lokalen Computer.

2. Rufen Sie in der Google Cloud Console die Seite Umgebungen auf.

   Zur Seite Umgebungen

3. Klicken Sie in der Liste der Umgebungen in der Spalte DAG-Ordner auf den Link DAGs. Der DAGs-Ordner Ihrer Umgebung wird geöffnet.

4. Klicken Sie auf Dateien hochladen.

5. Wählen Sie auf Ihrem lokalen Computer s3togcsoperator_tutorial.py aus und klicken Sie auf Öffnen.

DAG auslösen

1. Klicken Sie in Ihrer Cloud Composer-Umgebung auf den Tab DAGs.

2. Klicken Sie auf die DAG-ID s3_to_gcs_dag.

3. Klicken Sie auf DAG auslösen.

4. Warten Sie etwa fünf bis zehn Minuten, bis Sie ein grünes Häkchen sehen. Aufgaben erfolgreich abgeschlossen wurden.

Erfolg des DAG prüfen

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Klicken Sie im Explorer-Bereich auf den Namen Ihres Projekts.

3. Klicken Sie auf holidays_weather_joined.

4. Klicken Sie auf „Vorschau“, um die resultierende Tabelle zu sehen. Beachten Sie, dass die Zahlen in den Wertspalte in Zehntelgrad Celsius angegeben.

5. Klicken Sie auf holidays_weather_normalized.

6. Klicken Sie auf „Vorschau“, um die resultierende Tabelle zu sehen. Beachten Sie, dass die Zahlen in den Wertspalte sind in Grad Celsius angegeben.

Bereinigen

Löschen Sie die einzelnen Ressourcen, die Sie für diese Anleitung erstellt haben:

• Löschen Sie die Datei holidays.csv in Ihrem AWS S3-Bucket.

• Löschen Sie den von Ihnen erstellten AWS S3-Bucket.

• Löschen Sie den Cloud Storage-Bucket, den Sie für diese Anleitung erstellt haben.

• Löschen Sie das BigQuery-Dataset.

• Löschen Sie die Cloud Composer-Umgebung, einschließlich des manuellen Löschens des Buckets der Umgebung.

Nächste Schritte

• Datenanalyse-DAG in Google Cloud ausführen
• Data Analytics-DAG in Azure ausführen