Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3
Diese Anleitung ist eine Modifikation von Datenanalyse-DAG in Google Cloud ausführen. Darin wird gezeigt, wie Sie Ihre Cloud Composer-Umgebung mit Amazon Web Services verbinden, um dort gespeicherte Daten zu verwenden. Es wird gezeigt, wie Sie mit Cloud Composer einen Apache Airflow-DAG erstellen. Der DAG verknüpft Daten aus einem öffentlichen BigQuery-Dataset mit einer CSV-Datei, die in einem Amazon Web Services-S3-Bucket gespeichert ist, und führt dann einen Dataproc Serverless-Batchjob aus, um die zusammengeführten Daten zu verarbeiten.
Das öffentliche BigQuery-Dataset in dieser Anleitung ist ghcn_d, eine integrierte Datenbank mit globalen Klimazusammenfassungen. Die CSV-Datei enthält Informationen zu den Datumsangaben und Namen von Feiertagen in den USA von 1997 bis 2021.
Die Frage, die wir mithilfe des DAG beantworten möchten, lautet: „Wie warm war es in Chicago in den letzten 25 Jahren an Thanksgiving?“
Lernziele
- Cloud Composer-Umgebung in der Standardkonfiguration erstellen
- Bucket in AWS S3 erstellen
- Leeres BigQuery-Dataset erstellen
- Neuen Cloud Storage-Bucket erstellen
- Erstellen Sie einen DAG und führen Sie ihn aus, der die folgenden Aufgaben enthält:
- Externes Dataset aus S3 in Cloud Storage laden
- Externes Dataset aus Cloud Storage in BigQuery laden
- Zwei Datasets in BigQuery verknüpfen
- PySpark-Job zur Datenanalyse ausführen
Hinweise
Berechtigungen in AWS verwalten
Folgen Sie dem Abschnitt "Richtlinien mit dem visuellen Editor erstellen" der AWS-Anleitung zum Erstellen von IAM-Richtlinien, um eine benutzerdefinierte IAM-Richtlinie für AWS S3 mit der folgenden Konfiguration zu erstellen:
- Dienst:S3
- ListAllMyBuckets (
s3:ListAllMyBuckets
), zum Aufrufen des S3-Buckets - CreateBucket (
s3:CreateBucket
) zum Erstellen eines Buckets - PutBucketOwnershipControls (
s3:PutBucketOwnershipControls
) zum Erstellen eines Buckets - ListBucket (
s3:ListBucket
) zum Gewähren der Berechtigung zum Auflisten von Objekten in einem S3-Bucket - PutObject (
s3:PutObject
) zum Hochladen von Dateien in einen Bucket - GetBucketVersioning (
s3:GetBucketVersioning
), zum Löschen eines Objekts in einem Bucket - DeleteObject (
s3:DeleteObject
) zum Löschen eines Objekts in einem Bucket - ListBucketVersions (
s3:ListBucketVersions
) zum Löschen eines Buckets - DeleteBucket (
s3:DeleteBucket
) zum Löschen eines Buckets - Ressourcen: Wählen Sie neben "Bucket" und "Objekt" die Option "Beliebig" aus, um allen Ressourcen dieses Typs Berechtigungen zu gewähren.
- Tag:Keines
- Name:TutorialPolicy
Weitere Informationen zu den oben aufgeführten Konfigurationen finden Sie in der Liste der in Amazon S3 unterstützten Aktionen.
APIs aktivieren
Aktivieren Sie folgende APIs:
Console
Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs aktivieren.
gcloud
Aktivieren Sie die Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs:
gcloud services enable dataproc.googleapis.comcomposer.googleapis.com bigquery.googleapis.com storage.googleapis.com
Berechtigungen erteilen
Gewähren Sie Ihrem Nutzerkonto die folgenden Rollen und Berechtigungen:
Gewähren Sie Rollen zum Verwalten von Cloud Composer-Umgebungen und Umgebungs-Buckets.
Gewähren Sie die Rolle BigQuery-Dateninhaber (
roles/bigquery.dataOwner
), um ein BigQuery-Dataset zu erstellen.Gewähren Sie die Rolle Storage-Administrator (
roles/storage.admin
), um einen Cloud Storage-Bucket zu erstellen.
Cloud Composer-Umgebung erstellen und vorbereiten
Erstellen Sie eine Cloud Composer-Umgebung mit Standardparametern:
- Wählen Sie eine Region in den USA aus.
- Wählen Sie die neueste Cloud Composer-Version aus.
Gewähren Sie dem Dienstkonto, das in Ihrer Cloud Composer-Umgebung verwendet wird, die folgenden Rollen, damit die Airflow-Worker DAG-Aufgaben erfolgreich ausführen können:
- BigQuery-Nutzer (
roles/bigquery.user
) - BigQuery-Dateninhaber (
roles/bigquery.dataOwner
) - Dienstkontonutzer (
roles/iam.serviceAccountUser
) - Dataproc-Bearbeiter (
roles/dataproc.editor
) - Dataproc-Worker (
roles/dataproc.worker
)
- BigQuery-Nutzer (
Zugehörige Ressourcen in Google Cloud erstellen und ändern
Installieren Sie das PyPI-Paket
apache-airflow-providers-amazon
in der Cloud Composer-Umgebung.Erstellen Sie ein leeres BigQuery-Dataset mit den folgenden Parametern:
- Name:
holiday_weather
- Region:
US
- Name:
Erstellen Sie einen neuen Cloud Storage-Bucket am multiregionalen Standort
US
.Führen Sie den folgenden Befehl aus, um den privaten Google-Zugriff im Standardsubnetz in der Region zu aktivieren, in der Sie Dataproc Serverless ausführen möchten, um die Netzwerkanforderungen zu erfüllen. Wir empfehlen, dieselbe Region wie in Ihrer Cloud Composer-Umgebung zu verwenden.
gcloud compute networks subnets update default \ --region DATAPROC_SERVERLESS_REGION \ --enable-private-ip-google-access
Zugehörige Ressourcen in AWS erstellen
Erstellen Sie einen S3-Bucket mit Standardeinstellungen in Ihrer bevorzugten Region.
Verbindung zu AWS von Cloud Composer herstellen
- AWS-Zugriffsschlüssel-ID und geheimen Zugriffsschlüssel abrufen
Fügen Sie über die Airflow-UI die AWS S3-Verbindung hinzu:
- Gehen Sie zu Verwaltung > Verbindungen.
Erstellen Sie eine neue Verbindung mit der folgenden Konfiguration:
- Verbindungs-ID:
aws_s3_connection
- Verbindungstyp:
Amazon S3
- Extras:
{"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}
- Verbindungs-ID:
Datenverarbeitung mit Dataproc Serverless
PySpark-Beispieljob ansehen
Der folgende Code ist ein PySpark-Beispieljob, der die Temperatur von Zehntelgrad in Celsius in Grad Celsius umwandelt. Dieser Job wandelt Temperaturdaten aus dem Dataset in ein anderes Format um.
PySpark-Datei in Cloud Storage hochladen
So laden Sie die PySpark-Datei in Cloud Storage hoch:
Speichern Sie data_analytics_process.py auf Ihrem lokalen Computer.
Rufen Sie in der Google Cloud Console die Seite Cloud Storage-Browser auf:
Klicken Sie auf den Namen des Buckets, den Sie zuvor erstellt haben.
Klicken Sie auf dem Tab Objekte des Buckets auf die Schaltfläche Dateien hochladen, wählen Sie im angezeigten Dialogfeld
data_analytics_process.py
aus und klicken Sie auf Öffnen.
CSV-Datei in AWS S3 hochladen
So laden Sie die Datei holidays.csv
hoch:
- Speichern Sie
holidays.csv
auf Ihrem lokalen Computer. - Folgen Sie dem AWS-Leitfaden, um die Datei in Ihren Bucket hochzuladen.
Datenanalyse-DAG
Beispiel-DAG ansehen
Der DAG verwendet mehrere Operatoren, um die Daten zu transformieren und zu vereinheitlichen:
Die Datei
S3ToGCSOperator
überträgt die Datei holidays.csv aus dem AWS S3-Bucket in den Cloud Storage-Bucket.Der
GCSToBigQueryOperator
nimmt die Datei holidays.csv aus Cloud Storage in eine neue Tabelle im BigQuery-Datasetholidays_weather
auf, das Sie zuvor erstellt haben.Der
DataprocCreateBatchOperator
erstellt einen PySpark-Batchjob mit Dataproc Serverless und führt ihn aus.Über
BigQueryInsertJobOperator
werden die Daten aus holidays.csv in der Spalte „Date“ mit Wetterdaten aus dem öffentlichen BigQuery-Dataset ghcn_d zusammengeführt. DieBigQueryInsertJobOperator
-Aufgaben werden dynamisch mit einer For-Schleife generiert und befinden sich zur besseren Lesbarkeit in einerTaskGroup
in der Grafikansicht der Airflow-UI.
Variablen über die Airflow-UI hinzufügen
In Airflow sind Variablen eine universelle Möglichkeit, beliebige Einstellungen oder Konfigurationen als einfachen Schlüssel/Wert-Speicher zu speichern und abzurufen. Dieser DAG verwendet Airflow-Variablen zum Speichern gängiger Werte. So fügen Sie sie Ihrer Umgebung hinzu:
Greifen Sie über die Cloud Composer-Konsole auf die Airflow-UI zu.
Klicken Sie auf Admin > Variablen.
Fügen Sie die folgenden Variablen hinzu:
s3_bucket
: der Name des zuvor erstellten S3-Buckets.gcp_project
: Ihre Projekt-ID.gcs_bucket
: der Name des Buckets, den Sie zuvor erstellt haben (ohne das Präfixgs://
).gce_region
: Die Region, in der der Dataproc-Job gespeichert werden soll und die die Anforderungen an serverloses Dataproc-Netzwerk erfüllt. Das ist die Region, in der Sie den privaten Google-Zugriff zuvor aktiviert haben.dataproc_service_account
: das Dienstkonto für Ihre Cloud Composer-Umgebung. Sie finden dieses Dienstkonto auf dem Tab „Umgebungskonfiguration“ für Ihre Cloud Composer-Umgebung.
DAG in den Bucket Ihrer Umgebung hochladen
Cloud Composer plant DAGs, die sich im Ordner /dags
des Buckets Ihrer Umgebung befinden. So laden Sie den DAG über die Google Cloud Console hoch:
Speichern Sie s3togcsoperator_tutorial.py auf Ihrem lokalen Computer.
Rufen Sie in der Google Cloud Console die Seite Umgebungen auf.
Klicken Sie in der Liste der Umgebungen in der Spalte DAG-Ordner auf den Link DAGs. Der DAGs-Ordner Ihrer Umgebung wird geöffnet.
Klicken Sie auf Dateien hochladen.
Wählen Sie auf Ihrem lokalen Computer
s3togcsoperator_tutorial.py
aus und klicken Sie auf Öffnen.
DAG auslösen
Klicken Sie in Ihrer Cloud Composer-Umgebung auf den Tab DAGs.
Klicken Sie auf die DAG-ID
s3_to_gcs_dag
.Klicken Sie auf DAG auslösen.
Warten Sie etwa fünf bis zehn Minuten, bis ein grünes Häkchen angezeigt wird, das anzeigt, dass die Aufgaben erfolgreich abgeschlossen wurden.
Erfolg des DAG validieren
Öffnen Sie in der Google Cloud Console die Seite BigQuery.
Klicken Sie im Explorer-Bereich auf den Namen Ihres Projekts.
Klicken Sie auf
holidays_weather_joined
.Klicken Sie auf „Vorschau“, um die resultierende Tabelle zu sehen. Beachten Sie, dass die Zahlen in der Wertspalte in Zehntelgrad Celsius angegeben sind.
Klicken Sie auf
holidays_weather_normalized
.Klicken Sie auf „Vorschau“, um die resultierende Tabelle zu sehen. Die Zahlen in der Wertspalte sind in Grad Celsius angegeben.
Bereinigen
Löschen Sie einzelne Ressourcen, die Sie für diese Anleitung erstellt haben:
Löschen Sie die Datei
holidays.csv
in Ihrem AWS S3-Bucket.Löschen Sie den AWS S3-Bucket, den Sie erstellt haben.
Löschen Sie den Cloud Storage-Bucket, den Sie für diese Anleitung erstellt haben.
Löschen Sie die Cloud Composer-Umgebung, einschließlich des manuellen Löschens des Buckets der Umgebung.