使用来自 AWS 的数据在 Google Cloud 中运行数据分析 DAG

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

本教程是对在 Google Cloud中运行数据分析 DAG 的修改,介绍了如何将 Cloud Composer 环境连接到 Amazon Web Services 以利用其中存储的数据。该教程介绍了如何使用 Cloud Composer 创建 Apache Airflow DAG。DAG 会联接 BigQuery 公开数据集和存储在 Amazon Web Services (AWS) S3 存储分区中的 CSV 文件中的数据,然后运行 Dataproc Serverless 批处理作业来处理联接后的数据。

本教程中的 BigQuery 公共数据集是 ghcn_d,它是一个集成的全球气候摘要数据库。CSV 文件包含 1997 年至 2021 年美国节日的日期和名称的相关信息。

我们希望使用 DAG 回答的问题是:“过去 25 年来,芝加哥在感恩节当天天气有多暖?”

目标

  • 在默认配置中创建 Cloud Composer 环境
  • 在 AWS S3 中创建存储分区
  • 创建一个空的 BigQuery 数据集
  • 创建新的 Cloud Storage 存储分区
  • 创建和运行包含以下任务的 DAG:
    • 将外部数据集从 S3 加载到 Cloud Storage
    • 将外部数据集从 Cloud Storage 加载到 BigQuery
    • 在 BigQuery 中联接两个数据集
    • 运行数据分析 PySpark 作业

准备工作

在 AWS 中管理权限

  1. 创建 AWS 账号

  2. 按照“创建 IAM 政策”AWS 教程的“使用可视化编辑器创建政策”部分中的说明,使用以下配置为 AWS S3 创建自定义 IAM 政策:

    • 服务:S3
    • ListAllMyBuckets (s3:ListAllMyBuckets),用于查看您的 S3 存储分区
    • CreateBucket (s3:CreateBucket),用于创建存储分区
    • PutBucketOwnershipControls (s3:PutBucketOwnershipControls),用于创建存储分区
    • ListBucket (s3:ListBucket),用于授予列出 S3 存储分区中对象的权限
    • PutObject (s3:PutObject),用于将文件上传到存储分区
    • GetBucketVersioning (s3:GetBucketVersioning),用于删除存储分区中的对象
    • DeleteObject (s3:DeleteObject),用于删除存储分区中的对象
    • ListBucketVersions (s3:ListBucketVersions),用于删除存储分区
    • DeleteBucket (s3:DeleteBucket),用于删除存储分区
    • 资源:选择“存储分区”和“对象”旁边的“所有”可向该类型的所有资源授予权限。
    • 代码:无
    • 名称:TutorialPolicy

    如需详细了解上述每个配置,请参阅 Amazon S3 支持的操作列表

  3. TutorialPolicy IAM 政策添加到您的身份

启用 API

启用以下 API:

控制台

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

授予权限

向您的用户账号授予以下角色和权限:

创建并准备 Cloud Composer 环境

  1. 使用默认参数创建 Cloud Composer 环境

  2. 向 Cloud Composer 环境中使用的服务账号授予以下角色,以便 Airflow 工作器能够成功运行 DAG 任务:

    • BigQuery User (roles/bigquery.user)
    • BigQuery Data Owner (roles/bigquery.dataOwner)
    • Service Account User (roles/iam.serviceAccountUser)
    • Dataproc Editor (roles/dataproc.editor)
    • Dataproc Worker (roles/dataproc.worker)
  1. 在 Cloud Composer 环境中安装 apache-airflow-providers-amazon PyPI 软件包

  2. 使用以下参数创建一个空的 BigQuery 数据集

    • 名称holiday_weather
    • 区域US
  3. US 多区域中创建新的 Cloud Storage 存储分区

  4. 运行以下命令,在您要运行 Dataproc Serverless 的区域的默认子网中启用专用 Google 访问通道,以满足网络要求。我们建议您使用与 Cloud Composer 环境相同的区域。

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

在首选区域中使用默认设置创建 S3 存储分区

从 Cloud Composer 连接到 AWS

  1. 获取您的 AWS 访问密钥 ID 和私有访问密钥
  2. 使用 Airflow 界面添加 AWS S3 连接

    1. 依次选择管理 > 关联
    2. 使用以下配置创建新连接:

      • 连接 IDaws_s3_connection
      • 连接类型Amazon S3
      • Extra{"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}

使用 Dataproc Serverless 进行数据处理

探索 PySpark 作业示例

以下代码是一个 PySpark 作业示例,用于将温度从十分之一摄氏度转换为摄氏度。此作业会将数据集中的温度数据转换为其他格式。

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")

将 PySpark 文件上传到 Cloud Storage

如需将 PySpark 文件上传到 Cloud Storage,请执行以下操作:

  1. data_analytics_process.py 保存到本地机器。

  2. 在 Google Cloud 控制台中,前往 Cloud Storage 浏览器页面:

    转到 Cloud Storage 浏览器

  3. 点击您之前创建的存储分区的名称。

  4. 在相应存储分区的对象标签页中,点击上传文件按钮,在随即显示的对话框中选择 data_analytics_process.py,然后点击打开

将 CSV 文件上传到 AWS S3

如需上传 holidays.csv 文件,请执行以下操作:

  1. holidays.csv 保存在本地机器上。
  2. 按照 AWS 指南将文件上传到您的存储分区。

数据分析 DAG

探索示例 DAG

DAG 使用多个运算符来转换和统一数据:

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

使用 Airflow 界面添加变量

在 Airflow 中,变量是一种通用方法,可将任意设置或配置存储和检索为简单的键值对存储。此 DAG 使用 Airflow 变量来存储常见值。如需将它们添加到您的环境中,请执行以下操作:

  1. 从 Cloud Composer 控制台访问 Airflow 界面

  2. 依次前往管理 > 变量

  3. 添加以下变量:

    • s3_bucket:您之前创建的 S3 存储分区的名称。

    • gcp_project:您的项目 ID。

    • gcs_bucket:您之前创建的存储分区的名称(不带 gs:// 前缀)。

    • gce_region:您希望满足 Dataproc Serverless 网络要求的 Dataproc 作业的目标区域。这是您之前启用专用 Google 访问通道的区域。

    • dataproc_service_account:Cloud Composer 环境的服务账号。您可以在 Cloud Composer 环境的“环境配置”标签页中找到此服务账号。

将 DAG 上传到您环境的存储分区

Cloud Composer 会安排位于环境存储分区的 /dags 文件夹中的 DAG。如需使用 Google Cloud 控制台上传 DAG,请执行以下操作:

  1. 在本地机器上,保存 s3togcsoperator_tutorial.py

  2. 在 Google Cloud 控制台中,前往环境页面。

    转到“环境”

  3. 在环境列表的 DAG 文件夹列中,点击 DAG 链接。系统会打开您环境的 DAG 文件夹。

  4. 点击上传文件

  5. 在本地机器上选择 s3togcsoperator_tutorial.py,然后点击打开

触发 DAG

  1. 在 Cloud Composer 环境中,点击 DAG 标签页。

  2. 点击 DAG ID s3_to_gcs_dag

  3. 点击触发 DAG

  4. 等待大约 5 到 10 分钟,直到您看到绿色对勾,表示任务已成功完成。

验证 DAG 是否成功

  1. 在 Google Cloud 控制台中,转到 BigQuery 页面。

    转到 BigQuery

  2. 浏览器面板中,点击您的项目名称。

  3. 点击 holidays_weather_joined

  4. 点击“预览”以查看生成的表格。请注意,值列中的数字以摄氏度为单位,小数点后有一位。

  5. 点击 holidays_weather_normalized

  6. 点击“预览”以查看生成的表格。请注意,值列中的数字以摄氏度为单位。

清理

删除您为本教程创建的各个资源:

后续步骤