在 Google Cloud 中运行数据分析 DAG

Cloud Composer 1 |Cloud Composer 2 |Cloud Composer 3

本教程介绍如何使用 Cloud Composer 创建 Apache Airflow DAG。DAG 会联接 BigQuery 公共数据集和存储在 Cloud Storage 存储桶中的 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：一个收集全球气候变化概况的综合数据库 地球。CSV 文件包含相关信息 1997 年至 2021 年期间美国节假日的日期和名称。

我们想通过该 DAG 回答以下问题：“芝加哥的天气有多暖 感恩节怎么办？”

目标

• 在默认配置中创建 Cloud Composer 环境
• 创建空 BigQuery 数据集
• 创建新的 Cloud Storage 存储桶
• 创建和运行包含以下任务的 DAG：
  • 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

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：

• 授予管理 Cloud Composer 环境和环境存储分区的角色。

• 授予 BigQuery Data Owner (roles/bigquery.dataOwner) 角色，以创建 BigQuery 数据集。

• 授予 Storage Admin (roles/storage.admin) 角色，以创建 Cloud Storage 存储桶。

创建和准备 Cloud Composer 环境

1. 创建一个 Cloud Composer 环境，默认环境 参数：

   • 选择美国境内的某个区域。
   • 选择最新的 Cloud Composer 版本。
   注意： 本教程的 BigQuery 部分必须在 US 中运行 多区域位置我们建议您为 Cloud Composer 环境选择美国区域，以降低费用和延迟时间，但即使您的 Cloud Composer 环境位于其他区域，本教程也仍然可以运行。

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 数据所有者 (roles/bigquery.dataOwner)
   • Service Account User (roles/iam.serviceAccountUser)
   • Dataproc Editor (roles/dataproc.editor)
   • Dataproc Worker (roles/dataproc.worker)

创建相关资源

1. 创建空 BigQuery 数据集 参数如下：

   • 名称：holiday_weather
   • 区域：US

2. 在 US 多区域中创建新的 Cloud Storage 存储桶。

3. 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
   

注意：空 BigQuery 数据集必须位于美国区域，才能满足转移 BigQuery 公共数据集 ghcn_d 的共存要求。

使用 Dataproc Serverless 处理数据处理

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。此招聘信息将 转换为不同的格式。

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")

将证明文件上传到 Cloud Storage

如需上传存储在 holidays.csv 中的 PySpark 文件和数据集，请执行以下操作：

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

2. 将 holidays.csv 保存到本地机器。

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

   转到 Cloud Storage 浏览器

4. 点击您之前创建的存储桶的名称。

5. 在存储桶的对象标签页中，点击上传文件按钮。 选择对话框中的data_analytics_process.py和holidays.csv 出现，然后点击打开。

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：

• GCSToBigQueryOperator 会将 Cloud Storage 中的 holidays.csv 文件提取到您之前创建的 BigQuery holidays_weather 数据集中的新表中。

• 通过 DataprocCreateBatchOperator 使用命令行创建并运行 PySpark 批量作业 Dataproc Serverless。

• BigQueryInsertJobOperator 会将 holidays.csv 中的数据与 BigQuery 公共数据集 ghcn_d 中的数据按“日期”列联接。BigQueryInsertJobOperator 任务 使用 for 循环动态生成，而这些任务位于 TaskGroup 以提高 Airflow 界面的图表视图的可读性。

重要提示： DataprocCreateBatchOperator 可在 apache-airflow-providers-google 软件包 6.2.0 及更高版本。从 Cloud Composer 1.17.10 和 2.0.3 版本开始，此软件包的所需版本会预安装在您的环境中。

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.utils.task_group import TaskGroup

PROJECT_NAME = "{{var.value.gcp_project}}"

# 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}}"
PROCESSING_PYTHON_FILE = f"gs://{BUCKET_NAME}/data_analytics_process.py"

BATCH_ID = "data-processing-{{ ts_nodash | lower}}"  # Dataproc serverless only allows lowercase characters
BATCH_CONFIG = {
    "runtime_config": {"version": "1.1"},
    "pyspark_batch": {
        "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(
    "data_analytics_dag",
    # Continue to run DAG once per day
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    create_batch = dataproc.DataprocCreateBatchOperator(
        task_id="create_batch",
        project_id=PROJECT_NAME,
        region="{{ var.value.gce_region }}",
        batch=BATCH_CONFIG,
        batch_id=BATCH_ID,
    )
    # This data is static and it is safe to use WRITE_TRUNCATE
    # to reduce chance of 409 duplicate errors
    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):
            # BigQuery configs
            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",
            )

        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 存储常用值。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：

   • gcp_project：您的项目 ID。

   • gcs_bucket：您之前创建的存储桶的名称 （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。这是您之前启用了专用 Google 访问通道的区域。

   • dataproc_service_account：您的 Cloud Composer 环境。您可以找到这项服务 进入您的服务账号的环境配置标签页 Cloud Composer 环境。

将该 DAG 上传到环境的存储桶

Cloud Composer 会安排位于环境存储桶的 /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 data_analytics_dag.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 data_analytics_dag.py，然后点击打开。

触发 DAG

1. 在 Cloud Composer 环境中，点击 DAG 标签页。

2. 点击进入 DAG ID data_analytics_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. 在浏览器面板中，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，小数点后有两位数。

5. 点击 holidays_weather_normalized。

6. 点击“预览”可查看生成的表。请注意， 值列的单位是摄氏度。

深入了解 Dataproc Serverless（可选）

您可以尝试使用更复杂的 PySpark 数据处理流程来试用此 DAG 的高级版本。请参阅 适用于数据分析的 Dataproc 扩展程序示例 。

清理

删除您为本教程创建的各个资源：

• 删除 Cloud Storage 存储桶 为本教程创建的映像

• 删除 BigQuery 数据集。

• 删除 Cloud Composer 环境，包括手动删除环境的存储桶。

后续步骤

• 使用 AWS 中的数据在 Google Cloud 中运行数据分析 DAG。
• 在 Azure 中运行数据分析 DAG。