Trasferisci dati da altri servizi con Google Transfer Operators

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Questa pagina mostra come trasferire i dati da altri servizi con gli operatori di trasferimento Google nei tuoi DAG.

Informazioni sugli operatori di trasferimento di Google

Gli operatori di trasferimento di Google sono un insieme di operatori Airflow che puoi utilizzare per eseguire il pull dei dati da altri servizi in Google Cloud.

Questa guida mostra gli operatori per Azure FileShare Storage e Amazon S3 che funzionano con Cloud Storage. Esistono molti altri operatori di trasferimento che funzionano con i servizi all'interno di Google Cloud e con servizi diversi da Google Cloud.

Da Amazon S3 a Cloud Storage

Questa sezione illustra come sincronizzare i dati da Amazon S3 a un bucket Cloud Storage.

Installa il pacchetto del provider Amazon

Il pacchetto apache-airflow-providers-amazon contiene i tipi di connessione e la funzionalità che interagisce con Amazon S3. Installa questo pacchetto PyPI nel tuo ambiente.

Configurare una connessione ad Amazon S3

Il pacchetto del provider Amazon fornisce un tipo di connessione per Amazon S3. Crea una connessione di questo tipo. La connessione per Cloud Storage, denominata google_cloud_default, è già configurata nel tuo ambiente.

Configura una connessione ad Amazon S3 nel seguente modo:

1. In UI di Airflow, vai ad Admin > Connections (Connessioni).
2. Crea una nuova connessione.
3. Seleziona Amazon S3 come tipo di connessione.
4. L'esempio seguente utilizza una connessione denominata aws_s3. Puoi utilizzare questo nome o un altro nome per la connessione.
5. Specifica i parametri di connessione come descritto nella documentazione di Airflow per Connessione Amazon Web Services. Ad esempio, per configurare una connessione con le chiavi di accesso AWS, generi una chiave di accesso per il tuo account su AWS, quindi fornisci l'ID della chiave di accesso AWS come password di accesso alla chiave di accesso del secret AWS come password per la connessione.

Nota: consigliamo di archiviare tutte le credenziali per le connessioni in Secret Manager. Per maggiori informazioni, consulta Configurare Secret Manager per il tuo ambiente. Ad esempio, puoi creare un secret denominato airflow-connections-aws_s3 che memorizza le credenziali per la connessione aws_s3.

Trasferire dati da Amazon S3

Se vuoi eseguire operazioni sui dati sincronizzati in un secondo momento in un altro DAG o in un'altra attività, estraili nella cartella /data del bucket del tuo ambiente. Questa cartella è sincronizzata con altri worker di Airflow, in modo che le attività nel tuo DAG possano operare su di essa.

Il DAG di esempio seguente svolge le seguenti operazioni:

• Sincronizza i contenuti della directory /data-for-gcs da un bucket S3 alla cartella /data/from-s3/data-for-gcs/ del bucket dell'ambiente.
• Attende due minuti, affinché i dati vengano sincronizzati con tutti i worker Airflow nel tuo ambiente.
• Restituisce l'elenco dei file in questa directory utilizzando il comando ls. Sostituisci questa attività con altri operatori Airflow che lavorano con i tuoi dati.

import datetime
import airflow
from airflow.providers.google.cloud.transfers.s3_to_gcs import S3ToGCSOperator
from airflow.operators.bash_operator import BashOperator

with airflow.DAG(
    'composer_sample_aws_to_gcs',
    start_date=datetime.datetime(2022, 1, 1),
    schedule_interval=None,
) as dag:

    transfer_dir_from_s3 = S3ToGCSOperator(
        task_id='transfer_dir_from_s3',
        aws_conn_id='aws_s3',
        prefix='data-for-gcs',
        bucket='example-s3-bucket-transfer-operators',
        dest_gcs='gs://us-central1-example-environ-361f2312-bucket/data/from-s3/')

    sleep_2min = BashOperator(
        task_id='sleep_2min',
        bash_command='sleep 2m')

    print_dir_files = BashOperator(
        task_id='print_dir_files',
        bash_command='ls /home/airflow/gcs/data/from-s3/data-for-gcs/')


    transfer_dir_from_s3 >> sleep_2min >> print_dir_files

Condivisione file di Azure in Cloud Storage

Questa sezione illustra come sincronizzare i dati da Azure FileShare a un bucket Cloud Storage.

Installa il pacchetto del provider Microsoft Azure

Il pacchetto apache-airflow-providers-microsoft-azure contiene i tipi di connessione e le funzionalità che interagiscono con Microsoft Azure. Installa questo pacchetto PyPI nel tuo ambiente.

Configura una connessione a Condivisione file di Azure

Il pacchetto del provider Microsoft Azure fornisce un tipo di connessione per la Condivisione file di Azure. Puoi creare una connessione di questo tipo. La connessione per Cloud Storage, denominata google_cloud_default, è già configurata nel tuo ambiente.

Configura una connessione a Condivisione file di Azure nel seguente modo:

1. In UI di Airflow, vai ad Admin > Connections (Connessioni).
2. Crea una nuova connessione.
3. Seleziona Azure FileShare come tipo di connessione.
4. L'esempio seguente utilizza una connessione denominata azure_fileshare. Puoi utilizzare questo nome o un altro nome per la connessione.
5. Specifica i parametri di connessione come descritto nella documentazione di Airflow per la connessione alla condivisione file di Microsoft Azure. Ad esempio, puoi specificare una stringa di connessione per la chiave di accesso all'account di archiviazione.

Nota: consigliamo di archiviare tutte le credenziali per le connessioni in Secret Manager. Per maggiori informazioni, consulta Configurare Secret Manager per il tuo ambiente. Ad esempio, puoi creare un secret denominato airflow-connections-azure_fileshare per archiviare le credenziali per la connessione azure_fileshare.

Trasferisci dati da Condivisione file di Azure

Se vuoi eseguire operazioni sui dati sincronizzati in un secondo momento in un altro DAG o in un'altra attività, estraili nella cartella /data del bucket del tuo ambiente. Questa cartella è sincronizzata con altri worker di Airflow, in modo che le attività nel tuo DAG possano operare su di essa.

Il seguente DAG fa quanto segue:

Il DAG di esempio seguente svolge le seguenti operazioni:

• Sincronizza il contenuto della directory /data-for-gcs da Condivisione file di Azure alla cartella /data/from-azure nel bucket del tuo ambiente.
• Attende due minuti, affinché i dati vengano sincronizzati con tutti i worker Airflow nel tuo ambiente.
• Restituisce l'elenco dei file in questa directory utilizzando il comando ls. Sostituisci questa attività con altri operatori Airflow che lavorano con i tuoi dati.

import datetime
import airflow
from airflow.providers.google.cloud.transfers.azure_fileshare_to_gcs import AzureFileShareToGCSOperator
from airflow.operators.bash_operator import BashOperator

with airflow.DAG(
    'composer_sample_azure_to_gcs',
    start_date=datetime.datetime(2022, 1, 1),
    schedule_interval=None,
) as dag:

    transfer_dir_from_azure = AzureFileShareToGCSOperator(
        task_id='transfer_dir_from_azure',
        azure_fileshare_conn_id='azure_fileshare',
        share_name='example-file-share',
        directory_name='data-for-gcs',
        dest_gcs='gs://us-central1-example-environ-361f2312-bucket/data/from-azure/')

    sleep_2min = BashOperator(
        task_id='sleep_2min',
        bash_command='sleep 2m')

    print_dir_files = BashOperator(
        task_id='print_dir_files',
        bash_command='ls /home/airflow/gcs/data/from-azure/')


    transfer_dir_from_azure >> sleep_2min >> print_dir_files

Passaggi successivi

• Utilizzare gli operatori GKE