Executar um DAG de análise de dados no Google Cloud usando dados do Azure

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Observação: esta página ainda não foi revisada para o Cloud Composer 3 e mostra conteúdo para o Cloud Composer 2.

Este tutorial é uma modificação de Executar um DAG de análise de dados no Google Cloud, que mostra como conectar seu ambiente do Cloud Composer ao Microsoft Azure para usar os dados armazenados nele. Ele mostra como usar o Cloud Composer para criar DAG do Apache Airflow (em inglês). O DAG mescla dados de um conjunto de dados público do BigQuery e um arquivo CSV armazenado em um Armazenamento de Blobs do Azure e executa um job em lote sem servidor do Dataproc para processar os dados mesclados.

O conjunto de dados público do BigQuery neste tutorial é ghcn_d, um banco de dados integrado de resumos climáticos em todo o mundo. O arquivo CSV contém informações sobre as datas e os nomes dos feriados dos EUA de 1997 a 2021.

A pergunta que queremos responder usando a DAG é: "Qual foi a temperatura em Chicago no Dia de Ação de Graças nos últimos 25 anos?"

Objetivos

• Criar um ambiente do Cloud Composer na configuração padrão
• Criar um blob no Azure
• Criar um conjunto de dados vazio do BigQuery
• Crie um novo bucket do Cloud Storage
• Crie e execute um DAG que inclua as seguintes tarefas:
  • Carregar um conjunto de dados externos do Azure Blob Storage para o Cloud Storage
  • Carregue um conjunto de dados externo do Cloud Storage para BigQuery
  • mesclar dois conjuntos de dados no BigQuery;
  • Executar um job de análise de dados do PySpark

Antes de começar

Ativar APIs

Ative as APIs a seguir:

Console

Enable the Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs.

Enable the APIs

gcloud

Enable the Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs:

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

Conceder permissões

Conceda os seguintes papéis e permissões à sua conta de usuário:

• Conceder papéis para gerenciar ambientes e buckets de ambiente do Cloud Composer.

• Conceda o papel Proprietário de dados do BigQuery (roles/bigquery.dataOwner) para criar um conjunto de dados do BigQuery.

• Conceda o papel Administrador do Storage (roles/storage.admin) para criar um bucket do Cloud Storage.

Criar e preparar seu ambiente do Cloud Composer

1. Crie um ambiente do Cloud Composer com parâmetros padrão:

   • Escolha uma região dos EUA.
   • Escolha a versão mais recente do Cloud Composer.
   Observação: a parte do BigQuery deste tutorial precisa ser executada na multirregião US. Recomendamos escolher uma região dos EUA para o ambiente do Cloud Composer e reduzir os custos e a latência, mas o tutorial ainda pode ser executado se o ambiente do Cloud Composer estiver em outra região.

2. Conceda os papéis a seguir à conta de serviço usada no ambiente do Cloud Composer para que os workers do Airflow executar corretamente as tarefas do DAG:

   • Usuário do BigQuery (roles/bigquery.user)
   • Proprietário de dados do BigQuery (roles/bigquery.dataOwner)
   • Usuário da conta de serviço (roles/iam.serviceAccountUser)
   • Editor do Dataproc (roles/dataproc.editor)
   • Worker do Dataproc (roles/dataproc.worker)

Criar e modificar recursos relacionados no Google Cloud

1. Instalar o apache-airflow-providers-microsoft-azure pacote PyPI no ambiente do Cloud Composer.

2. Crie um conjunto de dados vazio do BigQuery com os seguintes parâmetros:

   • Nome: holiday_weather
   • Região: US

3. Crie um novo bucket do Cloud Storage na multirregião US.

4. Execute o comando a seguir para ativar o acesso privado do Google na sub-rede padrão da região em que você quer executar Dataproc sem servidor para realizar requisitos de rede. Recomendamos usar a mesma região do seu ambiente do Cloud Composer.

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

Atenção: o conjunto de dados vazio do BigQuery precisa estar localizado na região dos EUA para atender aos requisitos de colocalização para transferir o conjunto de dados público do BigQuery ghcn_d.

Criar recursos relacionados no Azure

1. Criar uma conta de armazenamento com as configurações padrão.

2. Gerar a chave de acesso e a string de conexão para sua conta de armazenamento.

3. Criar um contêiner com as opções padrão da conta de armazenamento recém-criada.

4. Conceda o papel de delegação de blob do Storage para o contêiner criado na etapa anterior.

5. Faça upload de holidays.csv para criar um blob de bloco com opções padrão no portal do Azure.

6. Crie um token SAS para o blob de bloco criado na etapa anterior no portal do Azure.

   • Método de assinatura: chave de delegação do usuário
   • Permissões: leitura
   • Endereço IP permitido: nenhum
   • Protocolos permitidos: somente HTTPS

Observação: os tokens SAS são uma forma maneira documentada de acessar sua conta de armazenamento do Azure. No entanto, eles são sensíveis ao tempo e cada um tem uma data de validade. Não se esqueça escolha uma data de validade.

Conectar ao Azure pelo Cloud Composer

Observação: recomendamos armazenar todas as credenciais para conexões no Secret Manager. Se você planeja usar este tutorial para para fins de produção, configure o Secret Manager para em seu ambiente. Para mais informações, consulte Configure o Secret Manager para o ambiente.

Adicionar o Microsoft Azure conexão usando a interface do Airflow:

1. Acesse Administrador > Conexões.

2. Crie uma nova conexão com a seguinte configuração:

   • ID da conexão: azure_blob_connection
   • Tipo de conexão: Azure Blob Storage
   • Login do Armazenamento de Blobs: seu nome da conta de armazenamento
   • Chave de armazenamento de blobs: a chave de acesso para sua conta de armazenamento
   • String de conexão da conta do armazenamento de blobs: sua conta de armazenamento string de conexão
   • Token SAS: o token SAS gerado pelo blob.

Processamento de dados com o Dataproc sem servidor

conheça o exemplo de job do PySpark

O código mostrado abaixo é um exemplo de job do PySpark que converte a temperatura décimos de grau de Celsius para graus Celsius. Esta vaga converte de temperatura do conjunto de dados em um formato diferente.

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")

Fazer upload do arquivo PySpark para o Cloud Storage

Para fazer upload do arquivo PySpark no Cloud Storage:

1. Salve data_analytics_process.py na sua máquina local.

2. No console do Google Cloud, acesse a página Navegador do Cloud Storage:

   Ir para o navegador do Cloud Storage

3. Clique no nome do bucket que você criou anteriormente.

4. Na guia Objetos do bucket, clique no botão Fazer upload de arquivos, selecione data_analytics_process.py na caixa de diálogo exibida e clique em Abrir.

DAG de análise de dados

conheça o DAG de exemplo

O DAG usa vários operadores para transformar e unificar os dados:

• O AzureBlobStorageToGCSOperator transfere o arquivo holidays.csv do seu blob de bloco do Azure para seu bucket do Cloud Storage.

• O GCSToBigQueryOperator ingere o arquivo holidays.csv do Cloud Storage para uma nova tabela no BigQuery conjunto de dados holidays_weather criado anteriormente.

• O DataprocCreateBatchOperator cria e executa um job em lote do PySpark usando o Dataproc sem servidor.

• O BigQueryInsertJobOperator une os dados de holidays.csv na coluna "Data" com os dados meteorológicos do conjunto de dados público do BigQuery ghcn_d. As tarefas BigQueryInsertJobOperator são geradas dinamicamente usando um loop for, e essas tarefas estão em um TaskGroup para melhor legibilidade na visualização de gráfico da interface do Airflow.

Importante :o DataprocCreateBatchOperator está disponível no apache-airflow-providers-google versões 6.2.0 e mais recentes. O versões necessárias desse pacote estão pré-instaladas no seu ambiente a partir de Cloud Composer versões 1.17.10 e 2.0.3.

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

Usar a interface do Airflow para adicionar variáveis

No Airflow, as variáveis são uma maneira universal de armazenar e recuperar configurações ou configurações arbitrárias como um repositório de chave-valor simples. Esse DAG usa variáveis do Airflow para e armazenar valores comuns. Para adicionar ao seu ambiente:

1. Acesse a interface do Airflow no console do Cloud Composer.

2. Acesse Administrador > Variáveis.

3. Adicione as seguintes variáveis:

   • gcp_project: o ID do projeto.

   • gcs_bucket: o nome do bucket criado anteriormente (sem o prefixo gs://).

   • gce_region: a região em que você quer que o job do Dataproc atenda aos requisitos de rede do Dataproc sem servidor. Esta é a região em que você ativou o Acesso privado do Google anteriormente.

   • dataproc_service_account: a conta de serviço do seu ambiente do Cloud Composer. Você pode encontrar esse serviço do contêiner na guia de configuração do ambiente da sua ambiente do Cloud Composer.

   • azure_blob_name: o nome do blob criado anteriormente.

   • azure_container_name: o nome do contêiner que você criou anteriormente.

Faça upload do DAG para o bucket do ambiente

O Cloud Composer programa DAGs que estão na pasta /dags no bucket do ambiente. Para fazer o upload do DAG usando o Console do Google Cloud:

1. Na sua máquina local, salve azureblobstoretogcsoperator_tutorial.py.

2. No console do Google Cloud, acesse a página Ambientes.

   Acessar "Ambientes"

3. Na lista de ambientes, na coluna pasta do DAG, clique em link DAGs. A pasta de DAGs do seu ambiente é aberta.

4. Clique em Fazer o upload dos arquivos.

5. Selecione azureblobstoretogcsoperator_tutorial.py na sua máquina local e clique em Abrir.

Como acionar o DAG

1. No ambiente do Cloud Composer, clique na guia DAGs.

2. Clique no ID do DAG azure_blob_to_gcs_dag.

3. Clique em Acionar DAG.

4. Aguarde de cinco a dez minutos até que uma marca de seleção verde apareça, indicando que as tarefas foram concluídas.

Valide o sucesso do DAG

1. No console do Google Cloud, acesse a página do BigQuery.

   Ir para o BigQuery

2. No painel Explorer, clique no nome do projeto.

3. Clique em holidays_weather_joined.

4. Clique em "Visualizar" para ver a tabela resultante. Os números na coluna "Valor" estão em décimos de um grau Celsius.

5. Clique em holidays_weather_normalized.

6. Clique em "Visualizar" para ver a tabela resultante. Observe que os números na estão em graus Celsius.

Limpeza

Exclua os recursos individuais que você criou para este tutorial:

• Exclua o contêiner que você criou no Azure.

• Exclua o bucket do Cloud Storage que você criou para este tutorial.

• Exclua o conjunto de dados do BigQuery.

• Exclua o ambiente do Cloud Composer, incluindo: excluir manualmente o bucket do ambiente.

A seguir

• Execute um DAG de análise de dados no Google Cloud.
• Execute um DAG de análise de dados na AWS