Menjalankan DAG analisis data di Google Cloud menggunakan data dari Azure

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Tutorial ini adalah modifikasi dari Jalankan DAG Analisis Data di Google Cloud yang menunjukkan cara menghubungkan lingkungan Cloud Composer ke Microsoft Azure untuk memanfaatkan data yang tersimpan di sana. Ini menunjukkan cara menggunakan Cloud Composer untuk membuat DAG Apache Airflow. Tujuan DAG menggabungkan data dari {i>dataset<i} publik BigQuery dan file CSV yang disimpan di Penyimpanan Blob Azure lalu menjalankan tugas batch Dataproc Serverless untuk memproses penautan layanan otomatis dan data skalabel.

{i>Dataset<i} publik BigQuery dalam tutorial ini adalah ghcn_d, database terintegrasi yang berisi ringkasan iklim di seluruh dunia. File CSV berisi informasi tentang tanggal dan nama hari libur AS dari tahun 1997 hingga 2021.

Pertanyaan yang ingin kita jawab menggunakan DAG adalah: "Seberapa hangat hari ini di Chicago pada Thanksgiving selama 25 tahun terakhir?"

Tujuan

  • Membuat lingkungan Cloud Composer dalam konfigurasi default
  • Membuat blob di Azure
  • Membuat set data BigQuery kosong
  • Membuat bucket Cloud Storage baru
  • Buat dan jalankan DAG yang mencakup tugas berikut:
    • Muat set data eksternal dari Azure Blob Storage ke Penyimpanan Cloud
    • Muat set data eksternal dari Cloud Storage ke BigQuery
    • Menggabungkan dua set data di BigQuery
    • Menjalankan tugas PySpark analisis data

Sebelum memulai

Mengaktifkan API

Mengaktifkan API berikut:

Konsol

Aktifkan API Dataproc, Cloud Composer, BigQuery, Cloud Storage.

Mengaktifkan API

gcloud

Aktifkan API Dataproc, Cloud Composer, BigQuery, Cloud Storage: 

gcloud services enable dataproc.googleapis.com  composer.googleapis.com  bigquery.googleapis.com  storage.googleapis.com

Memberikan izin

Berikan peran dan izin berikut ke akun pengguna Anda:

Membuat dan menyiapkan lingkungan Cloud Composer

  1. Membuat lingkungan Cloud Composer dengan default parameter:

  2. Berikan peran berikut ke akun layanan yang digunakan di lingkungan Cloud Composer agar pekerja Airflow dapat berhasil menjalankan tugas DAG:

    • Pengguna BigQuery (roles/bigquery.user)
    • Pemilik Data BigQuery (roles/bigquery.dataOwner)
    • Service Account User (roles/iam.serviceAccountUser)
    • Editor Dataproc (roles/dataproc.editor)
    • Pekerja Dataproc (roles/dataproc.worker)

  1. Menginstal apache-airflow-providers-microsoft-azure paket PyPI di lingkungan Cloud Composer.

  2. Membuat set data BigQuery kosong dengan parameter berikut:

    • Nama: holiday_weather
    • Region: US

  3. Membuat bucket Cloud Storage baru di multiregion US.

  4. Jalankan perintah berikut untuk mengaktifkan akses Google pribadi di subnet default di region tempat Anda ingin menjalankan Dataproc Serverless untuk memenuhi persyaratan jaringan. Rab sebaiknya gunakan region yang sama dengan Cloud Composer Anda lingkungan fleksibel App Engine.

    gcloud compute networks subnets update default \
    --region DATAPROC_SERVERLESS_REGION \
    --enable-private-ip-google-access

  1. Membuat akun penyimpanan dengan pengaturan {i>default<i}.

  2. Mendapatkan kunci akses dan string koneksi untuk akun penyimpanan Anda.

  3. Membuat penampung dengan opsi default di akun penyimpanan yang baru Anda buat.

  4. Memberikan Delegasi Storage Blob untuk penampung yang dibuat di langkah sebelumnya.

  5. Upload holidays.csv ke membuat blob blok dengan opsi default di portal Azure.

  6. Membuat token SAS untuk blob blok yang Anda buat pada langkah sebelumnya di portal Azure.

    • Metode penandatanganan: Kunci delegasi pengguna
    • Izin: Baca
    • Alamat IP yang diizinkan: Tidak ada
    • Protokol yang diizinkan: Hanya HTTPS

Menghubungkan ke Azure dari Cloud Composer

Tambahkan Microsoft Azure Anda koneksi menggunakan UI Airflow:

  1. Buka Admin &gt; Koneksi.

  2. Buat koneksi baru dengan konfigurasi berikut:

    • ID Koneksi: azure_blob_connection
    • Jenis Koneksi: Azure Blob Storage
    • Blob Storage Login: nama akun penyimpanan Anda
    • Kunci Penyimpanan Blob: kunci akses untuk akun penyimpanan Anda
    • String Koneksi Akun Penyimpanan Blob: akun penyimpanan Anda string koneksi
    • Token SAS: token SAS yang dihasilkan dari blob Anda

Pemrosesan data menggunakan Dataproc Serverless

Mempelajari contoh PySpark Job

Kode yang ditampilkan di bawah ini adalah contoh tugas PySpark yang mengonversi suhu dari sepersepuluh derajat dalam Celsius ke derajat Celsius. Lowongan ini melakukan konversi data suhu dari {i>dataset <i}ke dalam format yang berbeda.

import sys


from py4j.protocol import Py4JJavaError
from pyspark.sql import SparkSession
from pyspark.sql.functions import col


if __name__ == "__main__":
    BUCKET_NAME = sys.argv[1]
    READ_TABLE = sys.argv[2]
    WRITE_TABLE = sys.argv[3]

    # Create a SparkSession, viewable via the Spark UI
    spark = SparkSession.builder.appName("data_processing").getOrCreate()

    # Load data into dataframe if READ_TABLE exists
    try:
        df = spark.read.format("bigquery").load(READ_TABLE)
    except Py4JJavaError as e:
        raise Exception(f"Error reading {READ_TABLE}") from e

    # Convert temperature from tenths of a degree in celsius to degrees celsius
    df = df.withColumn("value", col("value") / 10)
    # Display sample of rows
    df.show(n=20)

    # Write results to GCS
    if "--dry-run" in sys.argv:
        print("Data will not be uploaded to BigQuery")
    else:
        # Set GCS temp location
        temp_path = BUCKET_NAME

        # Saving the data to BigQuery using the "indirect path" method and the spark-bigquery connector
        # Uses the "overwrite" SaveMode to ensure DAG doesn't fail when being re-run
        # See https://spark.apache.org/docs/latest/sql-data-sources-load-save-functions.html#save-modes
        # for other save mode options
        df.write.format("bigquery").option("temporaryGcsBucket", temp_path).mode(
            "overwrite"
        ).save(WRITE_TABLE)
        print("Data written to BigQuery")

Mengupload file PySpark ke Cloud Storage

Untuk mengupload file PySpark ke Cloud Storage:

  1. Simpan data_analytics_process.py ke komputer lokal Anda.

  2. Di konsol Google Cloud, buka halaman browser Cloud Storage:

    Buka browser Cloud Storage

  3. Klik nama bucket yang Anda buat sebelumnya.

  4. Di tab Objects untuk bucket, klik tombol Upload files, pilih data_analytics_process.py di dialog yang muncul, lalu klik Buka.

DAG analisis data

Mempelajari contoh DAG

DAG menggunakan beberapa operator untuk mengubah dan menyatukan data:

import datetime

from airflow import models
from airflow.providers.google.cloud.operators import dataproc
from airflow.providers.google.cloud.operators.bigquery import BigQueryInsertJobOperator
from airflow.providers.google.cloud.transfers.gcs_to_bigquery import (
    GCSToBigQueryOperator,
)
from airflow.providers.microsoft.azure.transfers.azure_blob_to_gcs import (
    AzureBlobStorageToGCSOperator,
)
from airflow.utils.task_group import TaskGroup

PROJECT_NAME = "{{var.value.gcp_project}}"
REGION = "{{var.value.gce_region}}"

# BigQuery configs
BQ_DESTINATION_DATASET_NAME = "holiday_weather"
BQ_DESTINATION_TABLE_NAME = "holidays_weather_joined"
BQ_NORMALIZED_TABLE_NAME = "holidays_weather_normalized"

# Dataproc configs
BUCKET_NAME = "{{var.value.gcs_bucket}}"
PYSPARK_JAR = "gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar"
PROCESSING_PYTHON_FILE = f"gs://{BUCKET_NAME}/data_analytics_process.py"

# Azure configs
AZURE_BLOB_NAME = "{{var.value.azure_blob_name}}"
AZURE_CONTAINER_NAME = "{{var.value.azure_container_name}}"

BATCH_ID = "data-processing-{{ ts_nodash | lower}}"  # Dataproc serverless only allows lowercase characters
BATCH_CONFIG = {
    "pyspark_batch": {
        "jar_file_uris": [PYSPARK_JAR],
        "main_python_file_uri": PROCESSING_PYTHON_FILE,
        "args": [
            BUCKET_NAME,
            f"{BQ_DESTINATION_DATASET_NAME}.{BQ_DESTINATION_TABLE_NAME}",
            f"{BQ_DESTINATION_DATASET_NAME}.{BQ_NORMALIZED_TABLE_NAME}",
        ],
    },
    "environment_config": {
        "execution_config": {
            "service_account": "{{var.value.dataproc_service_account}}"
        }
    },
}

yesterday = datetime.datetime.combine(
    datetime.datetime.today() - datetime.timedelta(1), datetime.datetime.min.time()
)

default_dag_args = {
    # Setting start date as yesterday starts the DAG immediately when it is
    # detected in the Cloud Storage bucket.
    "start_date": yesterday,
    # To email on failure or retry set 'email' arg to your email and enable
    # emailing here.
    "email_on_failure": False,
    "email_on_retry": False,
}

with models.DAG(
    "azure_to_gcs_dag",
    # Continue to run DAG once per day
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    azure_blob_to_gcs = AzureBlobStorageToGCSOperator(
        task_id="azure_blob_to_gcs",
        # Azure args
        blob_name=AZURE_BLOB_NAME,
        container_name=AZURE_CONTAINER_NAME,
        wasb_conn_id="azure_blob_connection",
        filename=f"https://console.cloud.google.com/storage/browser/{BUCKET_NAME}/",
        # GCP args
        gcp_conn_id="google_cloud_default",
        object_name="holidays.csv",
        bucket_name=BUCKET_NAME,
        gzip=False,
        impersonation_chain=None,
    )

    create_batch = dataproc.DataprocCreateBatchOperator(
        task_id="create_batch",
        project_id=PROJECT_NAME,
        region=REGION,
        batch=BATCH_CONFIG,
        batch_id=BATCH_ID,
    )

    load_external_dataset = GCSToBigQueryOperator(
        task_id="run_bq_external_ingestion",
        bucket=BUCKET_NAME,
        source_objects=["holidays.csv"],
        destination_project_dataset_table=f"{BQ_DESTINATION_DATASET_NAME}.holidays",
        source_format="CSV",
        schema_fields=[
            {"name": "Date", "type": "DATE"},
            {"name": "Holiday", "type": "STRING"},
        ],
        skip_leading_rows=1,
        write_disposition="WRITE_TRUNCATE",
    )

    with TaskGroup("join_bq_datasets") as bq_join_group:
        for year in range(1997, 2022):
            BQ_DATASET_NAME = f"bigquery-public-data.ghcn_d.ghcnd_{str(year)}"
            BQ_DESTINATION_TABLE_NAME = "holidays_weather_joined"
            # Specifically query a Chicago weather station
            WEATHER_HOLIDAYS_JOIN_QUERY = f"""
            SELECT Holidays.Date, Holiday, id, element, value
            FROM `{PROJECT_NAME}.holiday_weather.holidays` AS Holidays
            JOIN (SELECT id, date, element, value FROM {BQ_DATASET_NAME} AS Table
            WHERE Table.element="TMAX" AND Table.id="USW00094846") AS Weather
            ON Holidays.Date = Weather.Date;
            """

            # For demo purposes we are using WRITE_APPEND
            # but if you run the DAG repeatedly it will continue to append
            # Your use case may be different, see the Job docs
            # https://cloud.google.com/bigquery/docs/reference/rest/v2/Job
            # for alternative values for the writeDisposition
            # or consider using partitioned tables
            # https://cloud.google.com/bigquery/docs/partitioned-tables
            bq_join_holidays_weather_data = BigQueryInsertJobOperator(
                task_id=f"bq_join_holidays_weather_data_{str(year)}",
                configuration={
                    "query": {
                        "query": WEATHER_HOLIDAYS_JOIN_QUERY,
                        "useLegacySql": False,
                        "destinationTable": {
                            "projectId": PROJECT_NAME,
                            "datasetId": BQ_DESTINATION_DATASET_NAME,
                            "tableId": BQ_DESTINATION_TABLE_NAME,
                        },
                        "writeDisposition": "WRITE_APPEND",
                    }
                },
                location="US",
            )

        azure_blob_to_gcs >> load_external_dataset >> bq_join_group >> create_batch

Menggunakan UI Airflow untuk menambahkan variabel

Di Airflow, variabel adalah cara universal untuk menyimpan dan mengambil pengaturan arbitrer atau konfigurasi sebagai penyimpanan nilai kunci sederhana. DAG ini menggunakan variabel Airflow untuk menyimpan nilai umum. Untuk menambahkannya ke lingkungan Anda:

  1. Akses UI Airflow dari konsol Cloud Composer.

  2. Buka Admin &gt; Variabel.

  3. Tambahkan variabel berikut:

    • gcp_project: project ID Anda.

    • gcs_bucket: nama bucket yang Anda buat sebelumnya (tanpa awalan gs://).

    • gce_region: wilayah tempat Anda ingin Tugas Dataproc yang memenuhi Persyaratan jaringan Serverless Dataproc. Ini adalah wilayah tempat Anda mengaktifkan akses Google pribadi sebelumnya.

    • dataproc_service_account: akun layanan untuk lingkungan Cloud Composer. Anda dapat menemukan layanan ini akun di tab konfigurasi lingkungan untuk lingkungan Cloud Composer.

    • azure_blob_name: nama blob yang Anda buat sebelumnya.

    • azure_container_name: nama penampung yang Anda buat sebelumnya.

Mengupload DAG ke bucket lingkungan Anda

Cloud Composer menjadwalkan DAG yang berada di /dags folder di bucket lingkungan Anda. Untuk mengupload DAG menggunakan metode Konsol Google Cloud:

  1. Di komputer lokal Anda, simpan azureblobstoretogcsoperator_tutorial.py.

  2. Di Konsol Google Cloud, buka halaman Environments.

    Buka Lingkungan

  3. Dalam daftar lingkungan, di kolom folder DAG, klik link DAGs. Folder DAG lingkungan Anda akan terbuka.

  4. Klik Upload files.

  5. Pilih azureblobstoretogcsoperator_tutorial.py di komputer lokal Anda dan klik Open.

Memicu DAG

  1. Di lingkungan Cloud Composer, klik tab DAGs.

  2. Klik ID DAG azure_blob_to_gcs_dag.

  3. Klik Pemicu DAG.

  4. Tunggu sekitar lima sampai sepuluh menit hingga Anda melihat tanda centang hijau yang menunjukkan tugas telah berhasil diselesaikan.

Memvalidasi keberhasilan DAG

  1. Di Konsol Google Cloud, buka halaman BigQuery.

    Buka BigQuery

  2. Di panel Explorer, klik nama project Anda.

  3. Klik holidays_weather_joined.

  4. Klik pratinjau untuk melihat tabel yang dihasilkan. Perhatikan bahwa angka dalam dalam sepersepuluh derajat Celsius.

  5. Klik holidays_weather_normalized.

  6. Klik pratinjau untuk melihat tabel yang dihasilkan. Perhatikan bahwa angka dalam kolom nilai dalam derajat Celsius.

Pembersihan

Hapus masing-masing resource yang Anda buat untuk tutorial ini:

Langkah selanjutnya