Ejecuta un DAG de análisis de datos en Google Cloud con datos de AWS

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

Este instructivo es una modificación de Ejecuta un DAG de análisis de datos en Google Cloud que muestra cómo conectar tu entorno de Cloud Composer a Amazon Web Services para usar los datos almacenados allí. En él, se muestra cómo usar Cloud Composer para crear un DAG de Apache Airflow. El DAG une datos de un conjunto de datos público de BigQuery y un archivo CSV almacenado en un bucket de S3 de Amazon Web Services (AWS) y, luego, ejecuta un trabajo por lotes de Dataproc sin servidor para procesar los datos unidos.

El conjunto de datos públicos de BigQuery de este instructivo es ghcn_d, una base de datos integrada de resúmenes climáticos de todo el mundo. El archivo CSV contiene información sobre las fechas y los nombres de los feriados de EE.UU. de 1997 a 2021.

La pregunta que queremos responder con el DAG es: "¿Qué temperatura hizo en Chicago el Día de Acción de Gracias en los últimos 25 años?"

Objetivos

• Crea un entorno de Cloud Composer con la configuración predeterminada
• Crea un bucket en AWS S3
• Crea un conjunto de datos vacío de BigQuery
• Cree un nuevo bucket de Cloud Storage
• Crear y ejecutar un DAG que incluya las siguientes tareas:
  • Carga un conjunto de datos externo de S3 a Cloud Storage
  • Carga un conjunto de datos externo de Cloud Storage a BigQuery
  • Cómo unir dos conjuntos de datos en BigQuery
  • Ejecuta un trabajo de PySpark de análisis de datos

Antes de comenzar

Administra los permisos en AWS

1. Crea una cuenta de AWS.

2. Sigue la sección "Creación de políticas con el editor visual" del instructivo de AWS para crear políticas de IAM para crear una política de IAM personalizada para AWS S3 con la siguiente configuración:

   • Servicio: S3
   • ListAllMyBuckets (s3:ListAllMyBuckets), para ver tu bucket de S3
   • CreateBucket (s3:CreateBucket), para crear un bucket
   • PutBucketOwnershipControls (s3:PutBucketOwnershipControls), para crear un bucket
   • ListBucket (s3:ListBucket), para otorgar permiso para enumerar objetos en un bucket de S3
   • PutObject (s3:PutObject), para subir archivos a un bucket
   • GetBucketVersioning (s3:GetBucketVersioning), para borrar un objeto de un bucket
   • DeleteObject (s3:DeleteObject), para borrar un objeto de un bucket
   • ListBucketVersions (s3:ListBucketVersions), para borrar un bucket
   • DeleteBucket (s3:DeleteBucket), para borrar un bucket
   • Recursos: Elige "Cualquier" junto a "bucket" y "objeto" para otorgar permisos a cualquier recurso de ese tipo.
   • Etiqueta: Ninguna
   • Nombre: TutorialPolicy

   Consulta la lista de acciones compatibles con Amazon S3 para obtener más información sobre cada configuración que se muestra más arriba.

3. Agrega la política de IAM TutorialPolicy a tu identidad

Precaución: Si eliges "Cualquier bucket" y "Cualquier objeto", se otorgará permiso a cualquier recurso de S3. Para limitar el alcance de esta política, puedes limitar los permisos a un bucket y un objeto específicos una vez que los hayas creado más adelante en el instructivo.

Habilita las APIs

Habilita las siguientes 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

Otorgar permisos

Otorga los siguientes roles y permisos a tu cuenta de usuario:

• Otorga roles para administrar entornos y depósitos de entornos de Cloud Composer.

• Otorga el rol de propietario de datos de BigQuery (roles/bigquery.dataOwner) para crear un conjunto de datos de BigQuery.

• Otorga el rol de Administrador de almacenamiento (roles/storage.admin) para crear un bucket de Cloud Storage.

Crea y prepara tu entorno de Cloud Composer

1. Crea un entorno de Cloud Composer con los parámetros predeterminados:

   • Elige una región de EE.UU.
   • Elige la versión más reciente de Cloud Composer.
   Nota: La parte de BigQuery de este instructivo se debe ejecutar en la multiregión US. Te recomendamos que elijas una región de EE.UU. para tu entorno de Cloud Composer para reducir el costo y la latencia, pero el instructivo se puede ejecutar si tu entorno de Cloud Composer se encuentra en otra región.

2. Otorga los siguientes roles a la cuenta de servicio que se usa en tu entorno de Cloud Composer para que los trabajadores de Airflow ejecuten correctamente las tareas de DAG:

   • Usuario de BigQuery (roles/bigquery.user)
   • Propietario de datos de BigQuery (roles/bigquery.dataOwner)
   • Usuario de cuenta de servicio (roles/iam.serviceAccountUser)
   • Editor de Dataproc (roles/dataproc.editor)
   • Trabajador de Dataproc (roles/dataproc.worker)

Crea y modifica recursos relacionados en Google Cloud

1. Instala el paquete PyPI apache-airflow-providers-amazon en tu entorno de Cloud Composer.

2. Crea un conjunto de datos de BigQuery vacío con los siguientes parámetros:

   • Nombre: holiday_weather
   • Región: US

3. Crea un bucket nuevo de Cloud Storage en la multiregión US.

4. Ejecuta el siguiente comando para habilitar el Acceso privado a Google en la subred predeterminada de la región en la que deseas ejecutar Dataproc sin servidores para cumplir con los requisitos de red. Te recomendamos que uses la misma región que tu entorno de Cloud Composer.

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

Precaución: El conjunto de datos de BigQuery vacío debe estar ubicado en la región de EE.UU. para satisfacer los requisitos de colocalización para transferir el conjunto de datos públicos de BigQuery ghcn_d.

Crea recursos relacionados en AWS

Crea un bucket de S3 con la configuración predeterminada en la región que prefieras.

Cómo conectarse a AWS desde Cloud Composer

Nota: Te recomendamos almacenar todas las credenciales de las conexiones en Secret Manager. Si planeas usar este instructivo con fines de producción, considera configurar Secret Manager para tu entorno. Para obtener más información, consulta Cómo configurar Secret Manager para tu entorno.

1. Obtén tu ID de clave de acceso y clave de acceso secreta de AWS

2. Agrega tu conexión de AWS S3 con la IU de Airflow:

   1. Ve a Administrador > Conexiones.

   2. Crea una conexión nueva con la siguiente configuración:

      • ID de conexión: aws_s3_connection
      • Tipo de conexión: Amazon S3
      • Extras: {"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}

Procesamiento de datos con Dataproc Serverless

Explora el ejemplo de trabajo de PySpark

El código que se muestra a continuación es un ejemplo de trabajo de PySpark que convierte la temperatura de décimas de grado en Celsius a grados Celsius. Esta tarea convierte los datos de temperatura del conjunto de datos a un formato diferente.

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")

Sube el archivo PySpark a Cloud Storage

Para subir el archivo PySpark a Cloud Storage, haz lo siguiente:

1. Guarda data_analytics_process.py en tu máquina local.

2. En la consola de Google Cloud, ve a la página Navegador de Cloud Storage:

   Ir al navegador de Cloud Storage

3. Haz clic en el nombre del bucket que creaste antes.

4. En la pestaña Objetos del bucket, haz clic en el botón Subir archivos, selecciona data_analytics_process.py en el diálogo que aparece y haz clic en Abrir.

Sube el archivo CSV a AWS S3

Para subir el archivo holidays.csv, haz lo siguiente:

1. Guarda holidays.csv en tu máquina local.
2. Sigue la guía de AWS para subir el archivo a tu bucket.

DAG de análisis de datos

Explora el DAG de ejemplo

El DAG usa varios operadores para transformar y unificar los datos:

• S3ToGCSOperator transfiere el archivo holidays.csv de tu bucket de AWS S3 a tu bucket de Cloud Storage.

• GCSToBigQueryOperator transfiere el archivo holidays.csv de Cloud Storage a una tabla nueva en el conjunto de datos holidays_weather de BigQuery que creaste antes.

• DataprocCreateBatchOperator crea y ejecuta un trabajo por lotes de PySpark con Dataproc Serverless.

• BigQueryInsertJobOperator une los datos de holidays.csv en la columna “Fecha” con los datos meteorológicos del conjunto de datos públicos de BigQuery ghcn_d. Las tareas BigQueryInsertJobOperator se generan de forma dinámica con un bucle for y se encuentran en un TaskGroup para mejorar la legibilidad en la vista de gráfico de la IU de Airflow.

Importante: DataprocCreateBatchOperator está disponible en las versiones 6.2.0 y posteriores del paquete apache-airflow-providers-google. Las versiones requeridas de este paquete están preinstaladas en tu entorno a partir de las versiones 1.17.10 y 2.0.3 de Cloud Composer.

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

Usa la IU de Airflow para agregar variables

En Airflow, las variables son una forma universal de almacenar y recuperar parámetros de configuración arbitrarios como un almacén de pares clave-valor simple. Este DAG usa variables de Airflow para almacenar valores comunes. Para agregarlos a tu entorno, haz lo siguiente:

1. Accede a la IU de Airflow desde la consola de Cloud Composer.

2. Ve a Administrador > Variables.

3. Agrega las siguientes variables:

   • s3_bucket: Es el nombre del bucket de S3 que creaste antes.

   • gcp_project: el ID de tu proyecto

   • gcs_bucket: Es el nombre del bucket que creaste antes (sin el prefijo gs://).

   • gce_region: Es la región en la que deseas que se ejecute tu trabajo de Dataproc que cumpla con los requisitos de redes de Dataproc sin servidores. Esta es la región en la que habilitaste el Acceso privado a Google antes.

   • dataproc_service_account: La cuenta de servicio de tu ambiente de Cloud Composer. Puedes encontrar esta cuenta de servicio en la pestaña de configuración del entorno de Cloud Composer.

Sube el DAG al bucket de tu entorno

Cloud Composer programa los DAG que se encuentran en la carpeta /dags del bucket de tu entorno. Para subir el DAG con la consola de Google Cloud, haz lo siguiente:

1. En tu máquina local, guarda s3togcsoperator_tutorial.py.

2. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

3. En la lista de entornos, en la columna Carpeta de DAG, haz clic en el vínculo DAG. Se abrirá la carpeta de DAGs de tu entorno.

4. Haz clic en Subir archivos.

5. Selecciona s3togcsoperator_tutorial.py en tu máquina local y haz clic en Abrir.

Cómo activar el DAG

1. En tu entorno de Cloud Composer, haz clic en la pestaña DAGs.

2. Haz clic en el ID del DAG s3_to_gcs_dag.

3. Haz clic en Trigger DAG.

4. Espera entre cinco y diez minutos hasta que veas una marca de verificación verde que indique que las tareas se completaron correctamente.

Valida el éxito del DAG

1. En la consola de Google Cloud, ve a la página de BigQuery.

   Ir a BigQuery

2. En el panel Explorador, haz clic en el nombre de tu proyecto.

3. Haz clic en holidays_weather_joined.

4. Haz clic en Vista previa para ver la tabla resultante. Ten en cuenta que los números de la columna de valor están en décimas de grado Celsius.

5. Haz clic en holidays_weather_normalized.

6. Haz clic en Vista previa para ver la tabla resultante. Ten en cuenta que los números de la columna de valor están en grados Celsius.

Limpieza

Borra los recursos individuales que creaste para este instructivo:

• Borra el archivo holidays.csv en tu bucket de AWS S3.

• Borra el bucket de AWS S3 que creaste.

• Borra el bucket de Cloud Storage que creaste para este instructivo.

• Borra el conjunto de datos de BigQuery.

• Borra el entorno de Cloud Composer, lo que incluye borrar manualmente el bucket del entorno.

¿Qué sigue?

• Ejecuta un DAG de estadísticas de datos en Google Cloud.
• Ejecuta un DAG de Data Analytics en Azure.