Ejecuta un DAG de análisis de datos en Google Cloud

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

En este instructivo, se muestra cómo usar Cloud Composer para crear una DAG de Apache Airflow El DAG une datos de un conjunto de datos públicos de BigQuery y un archivo CSV almacenado en un bucket de Cloud Storage y, luego, ejecuta un trabajo por lotes de Dataproc sin servidor para procesar los datos unidos.

El conjunto de datos públicos de BigQuery en este instructivo es ghcn_d, una base de datos integrada de resúmenes climáticos de todo el mundo. El archivo CSV contiene información sobre las fechas y los nombres de los días festivos de EE.UU. de 1997 a 2021.

La pregunta que queremos responder con el DAG es: "¿Qué temperatura hizo en Chicago el Día de Acción de Gracias en los últimos 25 años?"

Objetivos

  • Crea un entorno de Cloud Composer en la configuración predeterminada
  • Crea un conjunto de datos vacío de BigQuery
  • Cree un nuevo bucket de Cloud Storage
  • Crear y ejecutar un DAG que incluya las siguientes tareas:
    • Cargar un conjunto de datos externo desde Cloud Storage a BigQuery
    • Unir dos conjuntos de datos en BigQuery
    • Ejecuta un trabajo de PySpark de análisis de datos

Antes de comenzar

Habilita las APIs

Habilita las siguientes APIs:

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

Otorgar permisos

Otorga los siguientes roles y permisos a tu cuenta de usuario:

Crea y prepara tu entorno de Cloud Composer

  1. Crea un entorno de Cloud Composer con los parámetros predeterminados:

  2. Otorga los siguientes roles a la cuenta de servicio que se usa en tu entorno de Cloud Composer para que los trabajadores de Airflow ejecuten tareas de DAG de forma correcta:

    • Usuario de BigQuery (roles/bigquery.user)
    • Propietario de datos de BigQuery (roles/bigquery.dataOwner)
    • Usuario de cuenta de servicio (roles/iam.serviceAccountUser)
    • Editor de Dataproc (roles/dataproc.editor)
    • Trabajador de Dataproc (roles/dataproc.worker)

  1. Crea un conjunto de datos de BigQuery vacío con los siguientes parámetros:

    • Nombre: holiday_weather
    • Región: US

  2. Crea un bucket nuevo de Cloud Storage en la multiregión US.

  3. Ejecuta el siguiente comando para habilitar el Acceso privado a Google en la subred predeterminada de la región en la que deseas ejecutar Dataproc sin servidores para cumplir con los requisitos de red. Te recomendamos que uses la misma región que tu entorno de Cloud Composer.

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

Procesamiento de datos con Dataproc Serverless

Explora el ejemplo de trabajo de PySpark

El código que se muestra a continuación es un ejemplo de trabajo de PySpark que convierte la temperatura de décimas de grado en Celsius a grados Celsius. Este trabajo convierte de temperatura del conjunto de datos a un 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")

Sube archivos de respaldo a Cloud Storage

Para subir el archivo de PySpark y el conjunto de datos almacenado en holidays.csv, haz lo siguiente:

  1. Guarda data_analytics_process.py en tu máquina local.

  2. Guarda holidays.csv en tu máquina local.

  3. En la consola de Google Cloud, ve a la página Navegador de Cloud Storage:

    Ir al navegador de Cloud Storage

  4. Haz clic en el nombre del bucket que creaste antes.

  5. En la pestaña Objetos del bucket, haz clic en el botón Subir archivos, selecciona data_analytics_process.py y holidays.csv en el diálogo que aparece y haz clic en Abrir.

DAG de análisis de datos

Explora el DAG de ejemplo

El DAG usa varios operadores para transformar y unificar los datos:

  • El GCSToBigQueryOperator transfiere el archivo holidays.csv de Cloud Storage a una nueva tabla en BigQuery Conjunto de datos holidays_weather que creaste antes.

  • El DataprocCreateBatchOperator crea y ejecuta un trabajo por lotes de PySpark Dataproc sin servidores.

  • El BigQueryInsertJobOperator une los datos de holidays.csv en el "Fecha" Columna con datos meteorológicos del conjunto de datos públicos de BigQuery ghcn_d. Las tareas BigQueryInsertJobOperator se de forma dinámica con un bucle for, y estas tareas están TaskGroup para mejorar la legibilidad de la Vista de gráfico de la IU de Airflow.

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.utils.task_group import TaskGroup

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

# 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}}"
PROCESSING_PYTHON_FILE = f"gs://{BUCKET_NAME}/data_analytics_process.py"

BATCH_ID = "data-processing-{{ ts_nodash | lower}}"  # Dataproc serverless only allows lowercase characters
BATCH_CONFIG = {
    "runtime_config": {"version": "1.1"},
    "pyspark_batch": {
        "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(
    "data_analytics_dag",
    # Continue to run DAG once per day
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    create_batch = dataproc.DataprocCreateBatchOperator(
        task_id="create_batch",
        project_id=PROJECT_NAME,
        region="{{ var.value.gce_region }}",
        batch=BATCH_CONFIG,
        batch_id=BATCH_ID,
    )
    # This data is static and it is safe to use WRITE_TRUNCATE
    # to reduce chance of 409 duplicate errors
    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):
            # BigQuery configs
            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",
            )

        load_external_dataset >> bq_join_group >> create_batch

Usa la IU de Airflow para agregar variables

En Airflow, las variables son una forma universal de almacenar y recuperar parámetros de configuración arbitrarios como un almacén de pares clave-valor simple. Este DAG usa variables de Airflow para almacenar valores comunes. Para agregarlos a tu entorno, sigue estos pasos:

  1. Accede a la IU de Airflow desde la consola de Cloud Composer.

  2. Ve a Administrador > Variables.

  3. Agrega las siguientes variables:

    • gcp_project: el ID de tu proyecto

    • gcs_bucket: Es el nombre del bucket que creaste antes. (sin el prefijo gs://).

    • gce_region: Es la región en la que deseas que se ejecute tu trabajo de Dataproc que cumpla con los requisitos de redes de Dataproc sin servidores. Esta es la región en la que habilitaste el acceso privado a Google antes.

    • dataproc_service_account: La cuenta de servicio de tu ambiente de Cloud Composer. Puedes encontrar este servicio en la pestaña de configuración del entorno de tu entorno de Cloud Composer.

Sube el DAG al bucket de tu entorno

Cloud Composer programa los DAG que se encuentran en la carpeta /dags del bucket de tu entorno. Para subir el DAG con la consola de Google Cloud, sigue estos pasos:

  1. En tu máquina local, guarda data_analytics_dag.py

  2. En la consola de Google Cloud, ve a la página Entornos.

    Ir a Entornos

  3. En la lista de entornos, en la columna Carpeta de DAG, haz clic en el vínculo de los DAG. Se abrirá la carpeta de DAGs de tu entorno.

  4. Haz clic en Subir archivos.

  5. Selecciona data_analytics_dag.py en tu máquina local y haz clic en Abrir.

Cómo activar el DAG

  1. En tu entorno de Cloud Composer, haz clic en la pestaña DAG.

  2. Haz clic en el ID del DAG data_analytics_dag.

  3. Haz clic en Trigger DAG.

  4. Espera entre cinco y diez minutos hasta que veas una marca de verificación verde que indique tareas se hayan completado correctamente.

Valida el éxito del DAG

  1. En la consola de Google Cloud, ve a la página de BigQuery.

    Ir a BigQuery

  2. En el panel Explorador, haz clic en el nombre de tu proyecto.

  3. Haz clic en holidays_weather_joined.

  4. Haz clic en la vista previa para ver la tabla resultante. Ten en cuenta que los números en están en décimas de un grado Celsius.

  5. Haz clic en holidays_weather_normalized.

  6. Haz clic en Vista previa para ver la tabla resultante. Ten en cuenta que los números de la columna de valor están en grados Celsius.

Análisis detallado con Dataproc Serverless (opcional)

Puedes probar una versión avanzada de este DAG con un flujo de procesamiento de datos de PySpark más complejo. Consulta la extensión de Dataproc para el ejemplo de análisis de datos en GitHub.

Limpieza

Borra los recursos individuales que creaste para este instructivo:

¿Qué sigue?