Attivare l'integrazione della derivazione dei dati

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Informazioni sull'integrazione della derivazione dei dati

La derivazione dei dati è un Dataplex che consente di tenere traccia del movimento dei dati nei sistemi: a dove vengono da dove viene trasmesso e quali trasformazioni vengono applicate. La derivazione dei dati è disponibile per:

Una volta attivata la funzionalità nell'ambiente Cloud Composer, l'esecuzione di DAG che utilizzano uno degli operatori supportati fa sì che Cloud Composer registri le informazioni sulla cronologia all'API Data Lineage.

Puoi quindi accedere a tali informazioni utilizzando:

Operatori supportati

I seguenti operatori supportano i report automatici sulla provenienza in Cloud Composer:

  • airflow.providers.google.cloud.operators.bigquery.BigQueryExecuteQueryOperator
  • airflow.providers.google.cloud.operators.bigquery.BigQueryInsertJobOperator
  • airflow.providers.google.cloud.transfers.bigquery_to_bigquery.BigQueryToBigQueryOperator
  • airflow.contrib.operators.bigquery_to_gcs.BigQueryToCloudStorageOperator
  • airflow.providers.google.cloud.transfers.bigquery_to_gcs.BigQueryToGCSOperator
  • airflow.providers.google.cloud.transfers.gcs_to_bigquery.GCSToBigQueryOperator
  • airflow.contrib.operators.gcs_to_bq.GoogleCloudStorageToBigQueryOperator
  • airflow.providers.google.cloud.operators.dataproc.DataprocSubmitJobOperator

Ad esempio, esegui la seguente attività:

task = BigQueryInsertJobOperator(
    task_id='snapshot_task',
    dag=dag,
    location='<dataset-location>',
    configuration={
        'query': {
            'query': 'SELECT * FROM dataset.tableA',
            'useLegacySql': False,
            'destinationTable': {
                'project_id': GCP_PROJECT,
                'dataset_id': 'dataset',
                'table_id': 'tableB',
            },
        }
    },
)

Risultati nella creazione del seguente grafico di derivazione nella UI di Dataplex:

Esempio di grafico della struttura in Dataplex UI.
Figura 1. Esempio di grafico della derivazione per una tabella BigQuery in la UI di Dataplex.

Considerazioni sulle funzionalità di Cloud Composer

Ogni esecuzione di attività Airflow che segnala la derivazione dei dati esegue:

  • Una richiesta RPC di creazione o aggiornamento per un processo di albero genealogico
  • Una richiesta RPC di creazione o aggiornamento per un'esecuzione della cronologia
  • Una o più richieste RPC per creare eventi di eredità (nella maggior parte dei casi 0 o 1)

Per informazioni dettagliate su queste entità, consulta il modello di informazioni sulla derivazione e il riferimento all'API Lineage nella documentazione di Dataplex.

Il traffico di derivazione emesso è soggetto alle quote nell'API Data Lineage. Cloud Composer utilizza la quota di scrittura.

I prezzi associati alla gestione dei dati sulla struttura sono soggetti ai prezzi della struttura. Consulta le considerazioni sulla derivazione dei dati.

Implicazioni sul rendimento

La derivazione dei dati viene registrata al termine dell'esecuzione dell'attività Airflow. In media, i report sulla tracciabilità dei dati richiedono circa 1-2 secondi.

Ciò non influisce sulle prestazioni dell'attività stessa: le attività Airflow non errore se la derivazione non viene segnalata correttamente all'API Lineage. Non c'è alcun impatto sulla logica principale dell'operatore, ma l'intera istanza dell'attività lo fa più a lungo per tenere conto dei dati di derivazione dei report.

Un ambiente che riporta la derivazione dei dati avrà un leggero aumento delle associati ai costi associati, a causa del tempo aggiuntivo necessario per registrare la derivazione dei dati.

Conformità

La derivazione dei dati offre diversi livelli di supporto per funzionalità come Controlli di servizio VPC. Esamina le considerazioni sulla consistenza dei dati per assicurarti che i livelli di assistenza corrispondano ai requisiti del tuo ambiente.

Lavora con l'integrazione della derivazione dei dati

L'integrazione della derivazione dei dati per Cloud Composer viene gestita su base per ambiente. Ciò significa che l'attivazione della funzionalità richiede due passaggi:

  1. Abilita l'API Data Lineage nel tuo progetto.
  2. Attiva l'integrazione della derivazione dei dati in un ambiente Cloud Composer specifico.

Prima di iniziare

Quando crei un ambiente, l'integrazione della derivazione dei dati abilitata automaticamente se vengono soddisfatte le seguenti condizioni:

  • L'API Data Lineage è abilitata nel progetto. Per ulteriori informazioni, vedi Abilita l'API Data Lineage in documentazione di Dataplex.

  • Un backend della struttura personalizzato non è configurato in Airflow.

Per un ambiente esistente, puoi abilitare o disabilita l'integrazione della derivazione dei dati in qualsiasi momento.

Ruoli obbligatori

L'integrazione con la cronologia dei dati richiede l'aggiunta delle seguenti autorizzazioni per l'account di servizio dell'ambiente Cloud Composer:

  • Per gli account di servizio predefiniti: non sono necessarie modifiche. Gli account di servizio predefiniti includono le autorizzazioni richieste.
  • Per gli account di servizio gestiti dall'utente: concedi al tuo account di servizio il ruolo Composer Worker (roles/composer.worker). Questo ruolo include tutte le autorizzazioni necessarie per la concatenazione dei dati.

Per maggiori dettagli, consulta i ruoli e le autorizzazioni di derivazione nella documentazione di Dataplex.

Abilita la derivazione dei dati in Cloud Composer

Console

  1. Nella console Google Cloud, vai alla pagina Ambienti.

    Vai ad Ambienti

  2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Viene visualizzata la pagina Dettagli dell'ambiente.

  3. Seleziona la scheda Configurazione dell'ambiente.

  4. Nella sezione Integrazione della derivazione dei dati Dataplex, fai clic su Modifica.

  5. Nel riquadro Integrazione della derivazione dei dati Dataplex, seleziona Abilita l'integrazione con la derivazione dei dati Dataplex e fai clic su Salva.

gcloud

Utilizza l'argomento --enable-cloud-data-lineage-integration.

gcloud composer environments update ENVIRONMENT_NAME \
    --location LOCATION \
    --enable-cloud-data-lineage-integration

Sostituisci:

  • ENVIRONMENT_NAME con il nome dell'ambiente.

    Il nome deve iniziare con una lettera minuscola seguita da un massimo di 62 minuscoli lettere, numeri o trattini e non può terminare con un trattino. Il nome dell'ambiente viene utilizzato per creare componenti secondari per l'ambiente, quindi devi fornire un nome valido anche come nome del bucket Cloud Storage. Consulta le linee guida per la denominazione dei bucket per un elenco delle limitazioni.

  • LOCATION con la regione per l'ambiente.

    Una località è la regione in cui si trova il cluster GKE dell'ambiente.

Esempio:

gcloud composer environments update example-environment \
    --location us-central1 \
    --enable-cloud-data-lineage-integration

Invia eventi di derivazione personalizzati

Puoi inviare eventi di eredità personalizzati se vuoi generare report sull'eredità per un operatore che non è supportato per i report sull'eredità automatica.

Ad esempio, per inviare eventi personalizzati con:

  • BashOperator, modifica il parametro inlets o outlets nell'attività definizione di Kubernetes.
  • PythonOperator, modifica il parametro task.inlets o task.outlets nella definizione dell'attività. L'utilizzo di AUTO per il parametro inlets imposta il suo valore su outlets dell'attività a monte.

Ad esempio, esegui questa attività:


from airflow.composer.data_lineage.entities import BigQueryTable
from airflow.lineage import AUTO

…

bash_task = BashOperator(
   task_id='bash_task',
   dag=dag,
   bash_command='sleep 0',
   inlets=[BigQueryTable(
       project_id=GCP_PROJECT,
       dataset_id='dataset',
       table_id='table1',
   )],
   outlets=[BigQueryTable(
       project_id=GCP_PROJECT,
       dataset_id='dataset',
       table_id='table2',
   )]
)


def _python_task(task):
   task.inlets.append(BigQueryTable(
       project_id=GCP_PROJECT,
       dataset_id='dataset',
       table_id='table3',
   ))

   task.outlets.append(BigQueryTable(
       project_id=GCP_PROJECT,
       dataset_id='dataset',
       table_id='table4',
   ))


python_task = PythonOperator(
   task_id='python_task',
   dag=dag,
   python_callable=_python_task,
   inlets=[AUTO],
)

bash_task >> python_task

Risultati nella creazione del seguente grafico di derivazione nella UI di Dataplex:

Esempio di grafico della derivazione per eventi personalizzati nella UI di Dataplex.
Figura 2. Grafo di eredità di esempio per più tabelle BigQuery nell'interfaccia utente di Dataplex.

Disabilita la derivazione dei dati in Cloud Composer

La disattivazione dell'integrazione della struttura in un ambiente Cloud Composer non disattiva l'API Data Lineage. Se vuoi disattivare completamente i report sulla derivazione per il tuo progetto, disabilita anche l'API Data Lineage. Consulta la sezione Disattivare i servizi.

Console

  1. Nella console Google Cloud, vai alla pagina Ambienti.

    Vai ad Ambienti

  2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Viene visualizzata la pagina Dettagli dell'ambiente.

  3. Seleziona la scheda Configurazione dell'ambiente.

  4. Nella sezione Integrazione della derivazione dei dati Dataplex, fai clic su Modifica.

  5. Nel riquadro Integrazione della derivazione dei dati Dataplex, seleziona Disabilita l'integrazione con la derivazione dei dati Dataplex e fai clic su Salva.

gcloud

Utilizza l'argomento --disable-cloud-data-lineage-integration.

gcloud composer environments update ENVIRONMENT_NAME \
    --location LOCATION \
    --disable-cloud-data-lineage-integration

Sostituisci:

  • ENVIRONMENT_NAME con il nome dell'ambiente.

    Il nome deve iniziare con una lettera minuscola seguita da un massimo di 62 lettere minuscole, numeri o trattini e non può terminare con un trattino. Ambiente viene utilizzato per creare i sottocomponenti dell'ambiente, quindi devi fornire un nome che sia valido anche come Cloud Storage il nome del bucket. Consulta le linee guida per la denominazione dei bucket di restrizioni.

  • LOCATION con la regione per l'ambiente.

    Una località è la regione in cui si trova il cluster GKE dell'ambiente.

Esempio:

gcloud composer environments update example-environment \
    --location us-central1 \
    --disable-cloud-data-lineage-integration

Visualizza i log di derivazione in Cloud Composer

Puoi esaminare i log relativi alla derivazione dei dati utilizzando il link nella Pagina Configurazione dell'ambiente in Dataplex integrazione della derivazione dei dati.

Risoluzione dei problemi

Se i dati di derivazione non vengono segnalati all'API Lineage o non puoi vederli in Dataplex, prova a seguire questi passaggi per la risoluzione dei problemi:

  • Assicurati che l'API Data Lineage sia abilitata nel progetto della tua nell'ambiente Cloud Composer.
  • Verifica se l'integrazione della derivazione dei dati è attiva nell'ambiente Cloud Composer.
  • Verifica se l'operatore che utilizzi è incluso nella derivazione automatica per la generazione di report. Vedi Operatori Airflow supportati.
  • Controlla i log di derivazione in Cloud Composer per individuare eventuali problemi.