Menjalankan DAG analisis data di Google Cloud

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Tutorial ini menunjukkan cara menggunakan Cloud Composer untuk membuat DAG Apache Airflow. DAG menggabungkan data dari set data publik BigQuery dan file CSV yang tersimpan di bucket Cloud Storage, lalu menjalankan tugas batch Serverless Dataproc untuk memproses data yang digabungkan.

Set data publik BigQuery dalam tutorial ini adalah ghcn_d, yakni database terintegrasi yang berisi ringkasan iklim di seluruh dunia. File CSV berisi informasi tentang tanggal dan nama hari libur AS dari 1997 hingga 2021.

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

Tujuan

  • Membuat lingkungan Cloud Composer dalam konfigurasi default
  • Membuat set data BigQuery kosong
  • Membuat bucket Cloud Storage baru
  • Buat dan jalankan DAG yang mencakup tugas berikut:
    • Memuat 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

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

Memberikan izin

Berikan peran dan izin berikut ke akun pengguna Anda:

Membuat dan menyiapkan lingkungan Cloud Composer

  1. Buat lingkungan Cloud Composer dengan parameter default:

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

    • 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. Buat set data BigQuery kosong dengan parameter berikut:

    • Name: holiday_weather
    • Region: US

  2. Buat bucket Cloud Storage baru di multiregion US.

  3. Jalankan perintah berikut untuk mengaktifkan akses Google pribadi pada subnet default di region tempat Anda ingin menjalankan Dataproc Serverless untuk memenuhi persyaratan jaringan. Sebaiknya gunakan region yang sama dengan lingkungan Cloud Composer Anda.

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

Pemrosesan data menggunakan Dataproc Serverless

Mempelajari contoh PySpark Job

Kode yang ditampilkan di bawah ini adalah contoh tugas PySpark yang mengonversi suhu dari sepuluh derajat dalam Celsius menjadi derajat Celsius. Tugas ini mengonversi data suhu dari set data 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 pendukung ke Cloud Storage

Untuk mengupload file PySpark dan set data yang disimpan di holidays.csv:

  1. Simpan data_analytics_process.py ke komputer lokal Anda.

  2. Simpan holidays.csv ke komputer lokal Anda.

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

    Buka browser Cloud Storage

  4. Klik nama bucket yang Anda buat sebelumnya.

  5. Di tab Objects untuk bucket, klik tombol Upload files, pilih data_analytics_process.py dan holidays.csv pada dialog yang muncul, lalu klik Open.

DAG analisis data

Mempelajari contoh DAG

DAG menggunakan beberapa operator untuk mengubah dan menyatukan data:

  • GCSToBigQueryOperator menyerap file holidays.csv dari Cloud Storage ke tabel baru dalam set data holidays_weather BigQuery yang Anda buat sebelumnya.

  • DataprocCreateBatchOperator membuat dan menjalankan tugas batch PySpark menggunakan Dataproc Serverless.

  • BigQueryInsertJobOperator menggabungkan data dari holidays.csv di kolom "Tanggal" dengan data cuaca dari set data publik BigQuery ghcn_d. Tugas BigQueryInsertJobOperator dibuat secara dinamis menggunakan for loop, dan tugas ini berada dalam TaskGroup agar lebih mudah dibaca di Tampilan Grafik UI 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

Menggunakan UI Airflow untuk menambahkan variabel

Di Airflow, variabel adalah cara universal untuk menyimpan dan mengambil setelan atau konfigurasi arbitrer 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 > Variabel.

  3. Tambahkan variabel berikut:

    • gcp_project: project ID Anda.

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

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

Mengupload DAG ke bucket lingkungan Anda

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

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

  2. Di Konsol Google Cloud, buka halaman Environments.

    Buka Lingkungan

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

  4. Klik Upload files.

  5. Pilih data_analytics_dag.py di komputer lokal Anda, lalu klik Open.

Memicu DAG

  1. Di lingkungan Cloud Composer, klik tab DAGs.

  2. Klik ID DAG data_analytics_dag.

  3. Klik Pemicu DAG.

  4. Tunggu sekitar lima hingga sepuluh menit hingga Anda melihat 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 kolom nilai 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.

Pembahasan mendalam tentang Dataproc Serverless (opsional)

Anda dapat mencoba versi lanjutan DAG ini dengan alur pemrosesan data PySpark yang lebih kompleks. Lihat Ekstensi Dataproc untuk Contoh Analisis Data di GitHub.

Pembersihan

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

Langkah selanjutnya