Cloud Composer 1 处于维护后模式。Google 无法发布 Cloud Composer 1 的进一步更新，包括新版 Airflow、问题修复和安全更新。我们建议您规划迁移到 Cloud Composer 2。

此页面由 Cloud Translation API 翻译。

启用数据沿袭集成

Cloud Composer 1 |Cloud Composer 2 |Cloud Composer 3

数据沿袭集成简介

数据沿袭是一个 Dataplex 功能，您可以跟踪数据在系统中是如何移动的：数据来源、传递到数据的位置以及对数据应用了哪些转换。数据沿袭适用于：

运行 2.1.2 及更高版本的 Cloud Composer 2 环境，以及运行 2.2.5 及更高版本的 Airflow。
Cloud Composer 2 环境支持数据沿袭的 Data Catalog 区域。

在 Cloud Composer 环境中启用此功能后，运行利用任何受支持运算符的 DAG 会导致 Cloud Composer 向 Data Lineage API 报告谱系信息。

然后，您可以通过以下方式访问这些信息：

Data Lineage API
支持的 Data Catalog 条目的沿袭可视化图数据。请参阅 Dataplex 文档中的沿袭可视化图。

支持的运算符

以下运算符支持 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

例如，运行以下任务：

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',
            },
        }
    },
)

这会在 Dataplex 界面中创建以下谱系图：

Dataplex 界面中的沿袭图示例。 — **图 1**：Dataplex 界面中 BigQuery 表的示例谱系图。

Cloud Composer 的功能注意事项

每项报告数据沿袭的 Airflow 任务执行都会执行以下操作：

针对谱系进程的一次创建或更新 RPC 请求
一个针对沿袭运行作业的创建或更新 RPC 请求
用于创建沿袭事件的一个或多个 RPC 请求（大多数情况下为 0 或 1）

如需详细了解这些实体，请参阅 Dataplex 文档中的谱系信息模型和谱系 API 参考。

发出的沿袭流量受制于 Data Lineage API 中的配额。 Cloud Composer 会消耗写入配额。

与处理沿袭数据相关的价格取决于沿袭价格。请参阅数据沿袭注意事项。

性能影响

系统会在 Airflow 任务执行结束时报告数据沿袭。平均而言，数据传承报告大约需要 1-2 秒。

这不会影响任务本身的性能：Airflow 任务不会如果沿袭未成功报告给 Lineage API，则会失败。对主操作器逻辑没有影响，但整个任务实例会执行时间略长一点，以便将沿袭数据纳入考虑范围。

在报告数据沿袭的环境中，，因为报告数据沿袭需要额外的时间，从而节省费用。

合规性

数据源流可为 VPC Service Controls 等功能提供不同的支持级别。评价数据沿袭注意事项以确保支持级别符合您的环境要求。

使用数据沿袭集成

Cloud Composer 的数据沿袭集成通过。这意味着，启用该功能需要完成以下两个步骤：

在项目中启用 Data Lineage API。
在特定 Cloud Composer 环境中启用数据沿袭集成。

准备工作

创建环境时，数据沿袭集成如果满足以下条件，则会自动启用：

您的项目已启用 Data Lineage API。如需了解详情，请参阅启用 Data Lineage API： Dataplex 文档。

注意：启用 Data Lineage API 后，Dataplex 自动开始为 BigQuery 提取数据， Cloud Data Fusion、Dataproc。即使您未创建启用了数据谱系集成的 Cloud Composer 环境，也会发生这种情况。
未在 Airflow 中配置自定义谱系后端。

对于现有环境，您可以启用或停用数据沿袭集成。

所需的角色

若要与数据源流水线集成，您需要为 Cloud Composer 环境服务账号添加以下权限：

对于默认服务账号：无需进行任何更改。默认服务账号包含所需权限。
对于用户代管式服务账号：向 Composer Worker 授予 (roles/composer.worker) 角色分配给您的服务账号。此角色包括所有必要的数据沿袭权限

如需了解详情，请参阅 Dataplex 文档中的沿袭角色和权限。

在 Cloud Composer 中启用数据沿袭

控制台

在 Google Cloud 控制台中，前往环境页面。

转到“环境”
在环境列表中，点击您的环境名称。环境详情页面会打开。
选择环境配置标签页。
在 Dataplex 数据沿袭集成部分中，点击修改。
在 Dataplex 数据沿袭集成面板中，选择启用与 Dataplex 数据沿袭的集成，然后点击保存。

gcloud

使用 --enable-cloud-data-lineage-integration 参数。

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

您需要将其中的：

将 ENVIRONMENT_NAME 替换为环境的名称。

该名称必须以小写字母开头，后面最多可跟 62 个小写字母、数字或连字符，但不能以连字符结尾。该环境名称用于创建环境的子组件，因此您必须提供一个有效的 Cloud Storage 存储桶名称。如需查看限制列表，请参阅存储桶命名准则。
LOCATION 替换为环境的区域。

该位置是环境的 GKE 集群所在的区域。

示例：

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

发送自定义谱系事件

如果您想报告某个运营商的沿袭，可以发送自定义沿袭事件自动沿袭报告不支持的数据。

例如，要通过以下代码发送自定义事件：

BashOperator，修改任务中的 inlets 或 outlets 参数定义。
PythonOperator，请修改 task.inlets 或 task.outlets 参数。对 inlets 参数使用 AUTO 可设置其值等于其上游任务的 outlets。

例如，运行以下任务：


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

这会在 Dataplex 界面中创建以下谱系图：

Dataplex 界面中自定义事件的谱系图示例。 — **图 2**：多个 BigQuery 的沿袭图示例 Dataplex 界面中的各个表。

在 Cloud Composer 中停用数据沿袭

在 Cloud Composer 环境中停用谱系集成不会停用 Data Lineage API。如果要完全停用沿袭报告项目的数据，也要停用 Data Lineage API。请参阅停用服务。

控制台

在 Google Cloud 控制台中，前往环境页面。

转到“环境”
在环境列表中，点击您的环境名称。环境详情页面会打开。
选择环境配置标签页。
在 Dataplex 数据沿袭集成部分中，点击修改。
在 Dataplex 数据沿袭集成面板中，选择停用与 Dataplex 数据沿袭的集成，然后点击保存。

gcloud

使用 --disable-cloud-data-lineage-integration 参数。

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

您需要将其中的：

将 ENVIRONMENT_NAME 替换为环境的名称。

该名称必须以小写字母开头，后面最多可跟 62 个小写字母、数字或连字符，但不能以连字符结尾。该环境名称用于创建环境的子组件，因此您必须提供一个有效的 Cloud Storage 存储桶名称。如需查看限制列表，请参阅存储桶命名准则。
LOCATION 替换为环境的区域。

该位置是环境的 GKE 集群所在的区域。

示例：

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

在 Cloud Composer 中查看谱系日志

您可以使用 Dataplex 中的环境配置页面数据沿袭集成部分。

问题排查

如果沿袭数据未报告给 Lineage API，或者您在 Dataplex，请尝试执行以下问题排查步骤：

确保在项目的项目中启用了 Data Lineage API Cloud Composer 环境。
检查是否已在 Cloud Composer 中启用数据沿袭集成环境
检查您使用的运营商是否包含在自动沿袭中报告支持。请参阅支持的 Airflow 运算符。
查看 Cloud Composer 中的沿袭日志，了解可能存在的问题。