Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1
Ce tutoriel est une modification de Exécuter un DAG d'analyse de données dans Google Cloud, qui explique comment connecter votre environnement Cloud Composer à Microsoft Azure pour utiliser les données qui y sont stockées. Il explique comment utiliser Cloud Composer pour créer un DAG Apache Airflow. Le DAG joint les données d'un ensemble de données public BigQuery et d'un fichier CSV stocké dans un Azure Blob Storage, puis exécute un job par lot Dataproc sans serveur pour traiter les données jointes.
L'ensemble de données public BigQuery de ce tutoriel est ghcn_d, une base de données intégrée de résumés climatiques à travers le monde. Le fichier CSV contient des informations sur les dates et les noms des jours fériés américains de 1997 à 2021.
La question à laquelle nous voulons répondre à l'aide du DAG est la suivante: "Quelle température a-t-il fait à Chicago le jour de Thanksgiving au cours des 25 dernières années ?"
Objectifs
- Créer un environnement Cloud Composer avec la configuration par défaut
- Créer un blob dans Azure
- Créer un ensemble de données BigQuery vide
- Créer un bucket Cloud Storage
- Créez et exécutez un DAG comprenant les tâches suivantes :
- Charger un ensemble de données externe depuis Azure Blob Storage vers Cloud Storage
- Charger un ensemble de données externe de Cloud Storage vers BigQuery
- Associer deux ensembles de données dans BigQuery
- Exécuter un job PySpark d'analyse de données
Avant de commencer
Activer les API
Activez les API suivantes :
Console
Enable the Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs.
gcloud
Enable the Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs:
gcloud services enable dataproc.googleapis.comcomposer.googleapis.com bigquery.googleapis.com storage.googleapis.com
Octroyer des autorisations
Attribuez les rôles et autorisations suivants à votre compte utilisateur:
Accordez des rôles pour gérer les environnements et les buckets d'environnement Cloud Composer.
Attribuez le rôle Propriétaire de données BigQuery (
roles/bigquery.dataOwner
) pour créer un ensemble de données BigQuery.Attribuez le rôle Storage Admin (
roles/storage.admin
) pour créer un bucket Cloud Storage.
Créer et préparer votre environnement Cloud Composer
Créez un environnement Cloud Composer avec les paramètres par défaut:
- Choisissez une région située aux États-Unis.
- Sélectionnez la dernière version de Cloud Composer.
Attribuez les rôles suivants au compte de service utilisé dans votre environnement Cloud Composer afin que les nœuds de calcul Airflow puissent exécuter correctement les tâches DAG:
- Utilisateur BigQuery (
roles/bigquery.user
) - Propriétaire de données BigQuery (
roles/bigquery.dataOwner
) - Utilisateur du compte de service (
roles/iam.serviceAccountUser
) - Éditeur Dataproc (
roles/dataproc.editor
) - Nœud de calcul Dataproc (
roles/dataproc.worker
)
- Utilisateur BigQuery (
Créer et modifier des ressources associées dans Google Cloud
Installez le package PyPI
apache-airflow-providers-microsoft-azure
dans votre environnement Cloud Composer.Créez un ensemble de données BigQuery vide avec les paramètres suivants:
- Nom :
holiday_weather
- Région :
US
- Nom :
Créez un bucket Cloud Storage dans la multirégion
US
.Exécutez la commande suivante pour activer l'accès privé à Google sur le sous-réseau par défaut de la région dans laquelle vous souhaitez exécuter Dataproc sans serveur afin de répondre aux exigences réseau. Nous vous recommandons d'utiliser la même région que votre environnement Cloud Composer.
gcloud compute networks subnets update default \ --region DATAPROC_SERVERLESS_REGION \ --enable-private-ip-google-access
Créer des ressources associées dans Azure
Créez un compte de stockage avec les paramètres par défaut.
Obtenez la clé d'accès et la chaîne de connexion pour votre compte de stockage.
Créez un conteneur avec les options par défaut dans votre compte de stockage nouvellement créé.
Accordez le rôle "Storage Blob Delegator" au conteneur créé à l'étape précédente.
Importez holidays.csv pour créer un bloc blob avec les options par défaut dans le portail Azure.
Créez un jeton SAS pour le blob de blocs que vous avez créé à l'étape précédente dans le portail Azure.
- Méthode de signature: clé de délégation utilisateur
- Autorisations: lecture
- Adresse IP autorisée: aucune
- Protocoles autorisés: HTTPS uniquement
Se connecter à Azure depuis Cloud Composer
Ajoutez votre connexion Microsoft Azure à l'aide de l'interface utilisateur d'Airflow:
Accédez à Administration > Connexions.
Créez une connexion avec la configuration suivante:
- ID de connexion:
azure_blob_connection
- Type de connexion:
Azure Blob Storage
- Blob Storage Login (Connexion Blob Storage) : nom de votre compte de stockage
- Clé Blob Storage:clé d'accès de votre compte de stockage
- Chaîne de connexion du compte Blob Storage:chaîne de connexion de votre compte de stockage.
- Jeton SAP:jeton SAP généré à partir de votre blob
- ID de connexion:
Traitement des données à l'aide de Dataproc sans serveur
Explorer l'exemple de tâche PySpark
Le code ci-dessous est un exemple de tâche PySpark qui convertit la température en dixièmes de degré Celsius en degrés Celsius. Cette tâche convertit les données de température de l'ensemble de données dans un autre format.
Importer le fichier PySpark dans Cloud Storage
Pour importer le fichier PySpark dans Cloud Storage:
Enregistrez data_analytics_process.py sur votre machine locale.
Dans la console Google Cloud, accédez à la page du Navigateur Cloud Storage:
Cliquez sur le nom du bucket que vous avez créé précédemment.
Dans l'onglet Objets du bucket, cliquez sur le bouton Importer des fichiers, sélectionnez
data_analytics_process.py
dans la boîte de dialogue qui s'affiche, puis cliquez sur Ouvrir.
DAG d'analyse de données
Explorer l'exemple de DAG
Le DAG utilise plusieurs opérateurs pour transformer et unifier les données:
AzureBlobStorageToGCSOperator
transfère le fichier holidays.csv de votre blob de bloc Azure vers votre bucket Cloud Storage.GCSToBigQueryOperator
ingère le fichier holidays.csv à partir de Cloud Storage dans une nouvelle table de l'ensemble de donnéesholidays_weather
BigQuery que vous avez créé précédemment.DataprocCreateBatchOperator
crée et exécute un job par lot PySpark à l'aide de Dataproc sans serveur.BigQueryInsertJobOperator
joint les données de holidays.csv dans la colonne "Date" aux données météorologiques de l'ensemble de données public BigQuery ghcn_d. Les tâchesBigQueryInsertJobOperator
sont générées dynamiquement à l'aide d'une boucle for. Elles se trouvent dans unTaskGroup
pour une meilleure lisibilité dans la vue Graphique de l'interface utilisateur Airflow.
Ajouter des variables via l'interface utilisateur d'Airflow
Dans Airflow, les variables sont un moyen universel de stocker et de récupérer des paramètres ou des configurations arbitraires en tant que simple magasin de clés-valeurs. Ce DAG utilise des variables Airflow pour stocker des valeurs courantes. Pour les ajouter à votre environnement:
Accédez à l'interface utilisateur d'Airflow à partir de la console Cloud Composer.
Accédez à Administration > Variables.
Ajoutez les variables suivantes :
gcp_project
: ID de votre projet.gcs_bucket
: nom du bucket que vous avez créé précédemment (sans le préfixegs://
).gce_region
: région dans laquelle vous souhaitez que votre tâche Dataproc réponde aux exigences de mise en réseau Dataproc sans serveur. Il s'agit de la région dans laquelle vous avez activé l'accès privé à Google précédemment.dataproc_service_account
: compte de service de votre environnement Cloud Composer. Vous trouverez ce compte de service dans l'onglet "Configuration de l'environnement" de votre environnement Cloud Composer.azure_blob_name
: nom du blob que vous avez créé précédemment.azure_container_name
: nom du conteneur que vous avez créé précédemment.
Importer le DAG dans le bucket de votre environnement
Cloud Composer programme les DAG qui se trouvent dans le dossier /dags
du bucket de votre environnement. Pour importer le DAG à l'aide de la console Google Cloud:
Sur votre machine locale, enregistrez azureblobstoretogcsoperator_tutorial.py.
Dans la console Google Cloud, accédez à la page Environnements.
Dans la liste des environnements, dans la colonne Dossier des DAG, cliquez sur le lien DAG. Le dossier des DAG de votre environnement s'ouvre.
Cliquez sur Importer des fichiers.
Sélectionnez
azureblobstoretogcsoperator_tutorial.py
sur votre machine locale, puis cliquez sur Ouvrir.
Déclencher le DAG
Dans votre environnement Cloud Composer, cliquez sur l'onglet DAG.
Cliquez sur l'ID de DAG
azure_blob_to_gcs_dag
.Cliquez sur Déclencher le DAG.
Attendez environ cinq à dix minutes jusqu'à ce qu'une coche verte s'affiche, indiquant que les tâches ont bien été effectuées.
Vérifier la réussite du DAG
Dans la console Google Cloud, accédez à la page BigQuery.
Dans le panneau Explorateur, cliquez sur le nom de votre projet.
Cliquez sur
holidays_weather_joined
.Cliquez sur "Aperçu" pour afficher le tableau obtenu. Notez que les nombres de la colonne "Valeur" sont exprimés en dixièmes de degré Celsius.
Cliquez sur
holidays_weather_normalized
.Cliquez sur "Aperçu" pour afficher le tableau obtenu. Notez que les nombres de la colonne "Valeur" sont exprimés en degrés Celsius.
Nettoyage
Supprimez les ressources individuelles que vous avez créées pour ce tutoriel:
Supprimez le bucket Cloud Storage que vous avez créé pour ce tutoriel.
Supprimez l'environnement Cloud Composer, y compris en supprimant manuellement le bucket de l'environnement.
Étape suivante
- Exécutez un DAG d'analyse de données dans Google Cloud.
- Exécutez un DAG d'analyse de données dans AWS.