Menjalankan DAG Analisis Data di Google Cloud menggunakan data dari AWS

Cloud Composer 1 | Cloud Composer 2

Tutorial ini adalah modifikasi dari Menjalankan DAG Analisis Data di Google Cloud yang menunjukkan cara menghubungkan lingkungan Cloud Composer Anda ke Amazon Web Services untuk memanfaatkan data yang disimpan di sana. Panduan ini menunjukkan cara menggunakan Cloud Composer untuk membuat DAG Apache Airflow. DAG menggabungkan data dari set data publik BigQuery dan file CSV yang disimpan di bucket Amazon Web Services (AWS) S3, lalu menjalankan tugas batch Dataproc Serverless untuk memproses data yang digabungkan.

Set data publik BigQuery dalam tutorial ini adalah ghcn_d, database terintegrasi yang berisi ringkasan iklim di seluruh dunia. File CSV berisi informasi tentang tanggal dan nama hari libur AS dari 1997 hingga 2021.

Pertanyaan yang ingin kita jawab menggunakan DAG adalah: "Seberapa hangat di Chicago pada hari Thanksgiving selama 25 tahun terakhir?"

Tujuan

  • Membuat lingkungan Cloud Composer di konfigurasi default
  • Membuat bucket di AWS S3
  • Membuat set data BigQuery kosong
  • Membuat bucket Cloud Storage baru
  • Buat dan jalankan DAG yang mencakup tugas-tugas berikut:
    • Memuat set data eksternal dari S3 ke Cloud Storage
    • Memuat set data eksternal dari Cloud Storage ke BigQuery
    • Menggabungkan dua set data di BigQuery
    • Menjalankan tugas PySpark analisis data

Sebelum memulai

Mengelola izin di AWS

  1. Buat akun AWS.

  2. Ikuti "Membuat kebijakan dengan bagian editor visual" dari tutorial Membuat Kebijakan IAM AWS guna membuat kebijakan IAM yang disesuaikan untuk AWS S3 dengan konfigurasi berikut:

    • Layanan: S3
    • ListAllMyBuckets (s3:ListAllMyBuckets), untuk melihat bucket S3
    • CreateBucket (s3:CreateBucket), untuk membuat bucket
    • PutBucketOwnershipControls (s3:PutBucketOwnershipControls), untuk membuat bucket
    • ListBucket (s3:ListBucket), untuk memberikan izin guna membuat daftar objek di bucket S3
    • PutObject (s3:PutObject), untuk mengupload file ke bucket
    • GetBucketVersioning (s3:GetBucketVersioning), untuk menghapus objek dalam bucket
    • DeleteObject (s3:DeleteObject), untuk menghapus objek dalam bucket
    • ListBucketVersions (s3:ListBucketVersions), untuk menghapus bucket
    • DeleteBucket (s3:DeleteBucket), untuk menghapus bucket
    • Resource: Pilih "Any" di samping "bucket" dan "object" untuk memberikan izin ke resource apa pun dengan jenis tersebut.
    • Tag: Tidak ada
    • Nama: TutorialPolicy

    Lihat daftar tindakan yang didukung di Amazon S3 untuk mengetahui informasi selengkapnya tentang setiap konfigurasi yang ditemukan di atas.

  3. Menambahkan kebijakan IAM TutorialPolicy ke identitas Anda

Mengaktifkan API

Mengaktifkan API berikut:

Konsol

Aktifkan API Dataproc, Cloud Composer, BigQuery, Cloud Storage.

Mengaktifkan API

gcloud

Aktifkan API Dataproc, Cloud Composer, BigQuery, Cloud Storage:

gcloud services enable dataproc.googleapis.com  composer.googleapis.com  bigquery.googleapis.com  storage.googleapis.com

Memberikan izin

Berikan peran dan izin berikut ke akun pengguna Anda:

Membuat dan menyiapkan lingkungan Cloud Composer

  1. Buat lingkungan Cloud Composer dengan parameter default:

  2. Berikan peran berikut ke akun layanan yang digunakan di lingkungan Cloud Composer Anda agar pekerja Airflow dapat menjalankan tugas DAG:

    • BigQuery User (roles/bigquery.user)
    • Pemilik Data BigQuery (roles/bigquery.dataOwner)
    • Service Account User (roles/iam.serviceAccountUser)
    • Editor Dataproc (roles/dataproc.editor)
    • Pekerja Dataproc (roles/dataproc.worker)
  1. Instal paket PyPI apache-airflow-providers-amazon di lingkungan Cloud Composer Anda.

  2. Buat set data BigQuery kosong dengan parameter berikut:

    • Name: holiday_weather
    • Region: US
  3. Buat bucket Cloud Storage baru di multiregion US.

  4. Jalankan perintah berikut untuk mengaktifkan akses Google pribadi pada subnet default di region tempat Anda ingin menjalankan Dataproc Serverless untuk memenuhi persyaratan jaringan. Sebaiknya gunakan region yang sama dengan lingkungan Cloud Composer Anda.

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

Buat bucket S3 dengan setelan default di region pilihan Anda.

Terhubung ke AWS dari Cloud Composer

  1. Mendapatkan ID kunci akses AWS dan kunci akses rahasia
  2. Tambahkan koneksi AWS S3 Anda menggunakan UI Airflow:

    1. Buka Admin > Connections.
    2. Buat koneksi baru dengan konfigurasi berikut:

      • ID Koneksi: aws_s3_connection
      • Jenis Koneksi: Amazon S3
      • Tambahan: {"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}

Pemrosesan data menggunakan Dataproc Serverless

Mempelajari contoh PySpark Job

Kode yang ditampilkan di bawah ini adalah contoh tugas PySpark yang mengonversi suhu dari sepersepuluh derajat dalam Celsius ke derajat Celsius. Tugas ini mengonversi data suhu dari set data ke dalam format yang berbeda.

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")

Mengupload file PySpark ke Cloud Storage

Untuk mengupload file PySpark ke Cloud Storage:

  1. Simpan data_analytics_process.py ke komputer lokal Anda.

  2. Di konsol Google Cloud, buka halaman Browser Cloud Storage:

    Buka browser Cloud Storage

  3. Klik nama bucket yang Anda buat sebelumnya.

  4. Di tab Objects untuk bucket, klik tombol Upload files, pilih data_analytics_process.py di dialog yang muncul, lalu klik Open.

Upload file CSV ke AWS S3

Untuk mengupload file holidays.csv:

  1. Hemat holidays.csv di komputer lokal Anda.
  2. Ikuti panduan AWS untuk mengupload file ke bucket Anda.

DAG analisis data

Mempelajari contoh DAG

DAG menggunakan beberapa operator untuk mengubah dan menyatukan data:

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

Menggunakan UI Airflow untuk menambahkan variabel

Di Airflow, variabel adalah cara universal untuk menyimpan dan mengambil setelan atau konfigurasi arbitrer sebagai penyimpanan nilai kunci sederhana. DAG ini menggunakan variabel Airflow untuk menyimpan nilai umum. Untuk menambahkannya ke lingkungan Anda:

  1. Akses UI Airflow dari konsol Cloud Composer.

  2. Buka Admin > Variabel.

  3. Tambahkan variabel berikut:

    • s3_bucket: nama bucket S3 yang Anda buat sebelumnya.

    • gcp_project: project ID Anda.

    • gcs_bucket: nama bucket yang Anda buat sebelumnya (tanpa awalan gs://).

    • gce_region: region tempat Anda menginginkan tugas Dataproc yang memenuhi persyaratan jaringan Dataproc Serverless. Ini adalah wilayah tempat Anda sebelumnya mengaktifkan akses Google pribadi.

    • dataproc_service_account: akun layanan untuk lingkungan Cloud Composer Anda. Anda dapat menemukan akun layanan ini di tab konfigurasi lingkungan untuk lingkungan Cloud Composer Anda.

Mengupload DAG ke bucket lingkungan Anda

Cloud Composer menjadwalkan DAG yang berada di folder /dags di bucket lingkungan Anda. Untuk mengupload DAG menggunakan Konsol Google Cloud:

  1. Di komputer lokal Anda, simpan s3togcsoperator_tutorial.py.

  2. Di konsol Google Cloud, buka halaman Environments.

    Buka Lingkungan

  3. Di daftar lingkungan, di kolom folder DAG, klik link DAG. Folder DAG lingkungan Anda akan terbuka.

  4. Klik Upload files.

  5. Pilih s3togcsoperator_tutorial.py di komputer lokal Anda dan klik Open.

Picu DAG

  1. Di lingkungan Cloud Composer, klik tab DAG.

  2. Klik ID DAG s3_to_gcs_dag.

  3. Klik Trigger DAG.

  4. Tunggu sekitar lima hingga sepuluh menit hingga Anda melihat centang hijau yang menunjukkan tugas telah berhasil diselesaikan.

Memvalidasi keberhasilan DAG

  1. Di Konsol Google Cloud, buka halaman BigQuery.

    Buka BigQuery

  2. Di panel Penjelajah, klik nama project Anda.

  3. Klik holidays_weather_joined.

  4. Klik pratinjau untuk melihat tabel yang dihasilkan. Perhatikan bahwa angka dalam kolom nilai berada dalam sepersepuluh derajat Celsius.

  5. Klik holidays_weather_normalized.

  6. Klik pratinjau untuk melihat tabel yang dihasilkan. Perhatikan bahwa angka-angka dalam kolom nilai dalam derajat Celsius.

Pembersihan

Hapus setiap resource yang Anda buat untuk tutorial ini:

Langkah selanjutnya