Datenanalyse-DAG in Google Cloud mit Daten aus AWS ausführen

Cloud Composer 1 Cloud Composer 2

Diese Anleitung ist eine Änderung von Datenanalyse-DAG in Google Cloud ausführen. Sie zeigt, wie Sie Ihre Cloud Composer-Umgebung mit Amazon Web Services verbinden, um die dort gespeicherten Daten zu verwenden. Es wird gezeigt, wie Sie mit Cloud Composer einen Apache Airflow-DAG erstellen. Der DAG führt Daten aus einem öffentlichen BigQuery-Dataset und einer CSV-Datei zusammen, die in einem AWS-S3-Bucket (Amazon Web Services) gespeichert sind. Anschließend führt er einen Dataproc Serverless-Batchjob aus, um die verknüpften Daten zu verarbeiten.

Das öffentliche BigQuery-Dataset in dieser Anleitung ist ghcn_d, eine integrierte Datenbank mit globalen Klimazusammenfassungen. Die CSV-Datei enthält Informationen zu den Daten und Namen von Feiertagen in den USA von 1997 bis 2021.

Die Frage, die wir mit dem DAG beantworten möchten, lautet: „Wie warm war es in Chicago am Thanksgiving in den letzten 25 Jahren?“

Hinweis: In dieser Anleitung wird Airflow 2 verwendet.

Lernziele

• Cloud Composer-Umgebung in der Standardkonfiguration erstellen
• Bucket in AWS S3 erstellen
• Leeres BigQuery-Dataset erstellen
• Neuen Cloud Storage-Bucket erstellen
• Erstellen Sie einen DAG, der die folgenden Aufgaben enthält, und führen Sie ihn aus:
  • Externes Dataset aus S3 in Cloud Storage laden
  • Externes Dataset aus Cloud Storage in BigQuery laden
  • Zwei Datasets in BigQuery verknüpfen
  • PySpark-Data-Analytics-Job ausführen

Hinweise

Berechtigungen in AWS verwalten

1. Erstellen Sie ein AWS-Konto.

2. Folgen Sie dem Abschnitt „Richtlinien mit dem visuellen Editor erstellen“ der AWS-Anleitung zum Erstellen von IAM-Richtlinien, um eine benutzerdefinierte IAM-Richtlinie für AWS S3 mit der folgenden Konfiguration zu erstellen:

   • Dienst:S3
   • ListAllMyBuckets (s3:ListAllMyBuckets) zum Aufrufen des S3-Buckets
   • CreateBucket (s3:CreateBucket) zum Erstellen eines Buckets
   • PutBucketOwnershipControls (s3:PutBucketOwnershipControls) zum Erstellen eines Buckets
   • ListBucket (s3:ListBucket), um die Berechtigung zum Auflisten von Objekten in einem S3-Bucket zu gewähren
   • PutObject (s3:PutObject) zum Hochladen von Dateien in einen Bucket
   • GetBucketVersioning (s3:GetBucketVersioning) zum Löschen eines Objekts in einem Bucket
   • DeleteObject (s3:DeleteObject) zum Löschen eines Objekts in einem Bucket
   • ListBucketVersions (s3:ListBucketVersions) zum Löschen eines Buckets
   • DeleteBucket (s3:DeleteBucket) zum Löschen eines Buckets
   • Ressourcen: Wählen Sie neben „Bucket“ und „Objekt“ die Option „Beliebig“ aus, um allen Ressourcen dieses Typs Berechtigungen zu gewähren.
   • Tag:Keines
   • Name:TutorialPolicy

   Weitere Informationen zu den einzelnen Konfigurationen finden Sie in der Liste der in Amazon S3 unterstützten Aktionen.

3. Ihrer Identität die IAM-Richtlinie TutorialPolicy hinzufügen

Achtung :Wenn Sie „Beliebig“ für „Bucket“ und „Objekt“ auswählen, wird allen Ressourcen in S3 die Berechtigung gewährt. Wenn Sie den Umfang dieser Richtlinie eingrenzen möchten, können Sie die Berechtigungen auf einen bestimmten Bucket und ein bestimmtes Objekt beschränken, sobald Sie diese später in der Anleitung erstellt haben.

APIs aktivieren

Aktivieren Sie folgende 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

Berechtigungen erteilen

Weisen Sie Ihrem Nutzerkonto die folgenden Rollen und Berechtigungen zu:

• Gewähren Sie Rollen zum Verwalten von Cloud Composer-Umgebungen und Umgebungs-Buckets.

• Weisen Sie die Rolle BigQuery-Dateninhaber (roles/bigquery.dataOwner) zu, um ein BigQuery-Dataset zu erstellen.

• Gewähren Sie die Rolle Storage Admin (roles/storage.admin) zum Erstellen eines Cloud Storage-Buckets.

Cloud Composer-Umgebung erstellen und vorbereiten

1. Erstellen Sie eine Cloud Composer-Umgebung mit Standardparametern:

   • Wählen Sie eine Region in den USA aus.
   • Wählen Sie die neueste Cloud Composer-Version aus.
   Hinweis: Der BigQuery-Abschnitt dieser Anleitung muss am multiregionalen Standort US ausgeführt werden. Wir empfehlen, für Ihre Cloud Composer-Umgebung eine Region in den USA auszuwählen, um Kosten und Latenz zu reduzieren. Die Anleitung kann jedoch weiterhin ausgeführt werden, wenn sich Ihre Cloud Composer-Umgebung in einer anderen Region befindet.

2. Weisen Sie dem Dienstkonto, das in Ihrer Cloud Composer-Umgebung verwendet wird, die folgenden Rollen zu, damit die Airflow-Worker DAG-Aufgaben erfolgreich ausführen können:

   • BigQuery-Nutzer (roles/bigquery.user)
   • BigQuery-Dateninhaber (roles/bigquery.dataOwner)
   • Dienstkontonutzer (roles/iam.serviceAccountUser)
   • Dataproc-Editor (roles/dataproc.editor)
   • Dataproc-Worker (roles/dataproc.worker)

Zugehörige Ressourcen in Google Cloud erstellen und ändern

1. Installieren Sie das PyPI-Paket apache-airflow-providers-amazon in Ihrer Cloud Composer-Umgebung.

2. Erstellen Sie ein leeres BigQuery-Dataset mit den folgenden Parametern:

   • Name: holiday_weather
   • Region: US

3. Erstellen Sie einen neuen Cloud Storage-Bucket am multiregionalen Standort US.

4. Führen Sie den folgenden Befehl aus, um den privaten Google-Zugriff im Standardsubnetz der Region zu aktivieren, in der Sie Dataproc Serverless ausführen möchten, um die Netzwerkanforderungen zu erfüllen. Wir empfehlen, dieselbe Region wie in Ihrer Cloud Composer-Umgebung zu verwenden.

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

Achtung :Das leere BigQuery-Dataset muss sich in der Region „USA“ befinden, um die Anforderungen an die Colocation für die Übertragung des öffentlichen BigQuery-Datasets ghcn_d zu erfüllen.

Zugehörige Ressourcen in AWS erstellen

Erstellen Sie einen S3-Bucket mit Standardeinstellungen in Ihrer bevorzugten Region.

Von Cloud Composer mit AWS verbinden

Hinweis: Wir empfehlen, alle Anmeldedaten für Verbindungen in Secret Manager zu speichern. Wenn Sie diese Anleitung für Produktionszwecke verwenden möchten, sollten Sie Secret Manager für Ihre Umgebung konfigurieren. Weitere Informationen finden Sie unter Secret Manager für Ihre Umgebung konfigurieren.

1. ID und geheimen Zugriffsschlüssel für AWS abrufen

2. Fügen Sie die AWS S3-Verbindung über die Airflow-UI hinzu:

   1. Klicken Sie auf Admin > Verbindungen.

   2. Erstellen Sie eine neue Verbindung mit der folgenden Konfiguration:

      • Verbindungs-ID: aws_s3_connection
      • Verbindungstyp: Amazon S3
      • Extras: {"aws_access_key_id":"your_aws_access_key_id", "aws_secret_access_key": "your_aws_secret_access_key"}

Datenverarbeitung mit Dataproc Serverless

PySpark-Beispiel-Job ansehen

Der folgende Code ist ein PySpark-Beispieljob, der die Temperatur von Zehntelgrad Celsius in Grad Celsius umwandelt. Dieser Job wandelt Temperaturdaten aus dem Dataset in ein anderes Format um.

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")

PySpark-Datei in Cloud Storage hochladen

So laden Sie die PySpark-Datei in Cloud Storage hoch:

1. Speichern Sie data_analytics_process.py auf Ihrem lokalen Computer.

2. Rufen Sie in der Google Cloud Console die Seite Cloud Storage-Browser auf:

   Zum Cloud Storage-Browser

3. Klicken Sie auf den Namen des Buckets, den Sie zuvor erstellt haben.

4. Klicken Sie im Tab Objekte für den Bucket auf die Schaltfläche Dateien hochladen, wählen Sie im angezeigten Dialogfeld data_analytics_process.py aus und klicken Sie auf Öffnen.

CSV-Datei in AWS S3 hochladen

So laden Sie die Datei holidays.csv hoch:

1. Speichern Sie holidays.csv auf Ihrem lokalen Computer.
2. Folgen Sie dem AWS-Leitfaden, um die Datei in Ihren Bucket hochzuladen.

Datenanalyse-DAG

Beispiel-DAG ansehen

Der DAG verwendet mehrere Operatoren, um die Daten zu transformieren und zu vereinheitlichen:

• S3ToGCSOperator überträgt die Datei holidays.csv aus Ihrem AWS S3-Bucket in Ihren Cloud Storage-Bucket.

• Mit GCSToBigQueryOperator wird die Datei holidays.csv aus Cloud Storage in eine neue Tabelle im BigQuery-Dataset holidays_weather aufgenommen, das Sie zuvor erstellt haben.

• Der DataprocCreateBatchOperator erstellt und führt einen PySpark-Batchjob mit Dataproc Serverless aus.

• Mit BigQueryInsertJobOperator werden die Daten aus holidays.csv in der Spalte „Date“ mit Wetterdaten aus dem öffentlichen BigQuery-Dataset ghcn_d zusammengeführt. Die BigQueryInsertJobOperator-Aufgaben werden mit einer For-Schleife dynamisch generiert. Zur besseren Lesbarkeit in der Grafikansicht der Airflow-UI befinden sich diese Aufgaben in einer TaskGroup.

Wichtig: DataprocCreateBatchOperator ist in den apache-airflow-providers-google-Paketversionen ab 6.2.0 verfügbar. Die erforderlichen Versionen dieses Pakets sind ab den Cloud Composer-Versionen 1.17.10 und 2.0.3 in Ihrer Umgebung vorinstalliert.

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.google.cloud.transfers.s3_to_gcs import S3ToGCSOperator
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"

# S3 configs
S3_BUCKET_NAME = "{{var.value.s3_bucket}}"

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(
    "s3_to_gcs_dag",
    # Continue to run DAG once per day
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    s3_to_gcs_op = S3ToGCSOperator(
        task_id="s3_to_gcs",
        bucket=S3_BUCKET_NAME,
        gcp_conn_id="google_cloud_default",
        aws_conn_id="aws_s3_connection",
        dest_gcs=f"gs://{BUCKET_NAME}",
    )

    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",
            )

        s3_to_gcs_op >> load_external_dataset >> bq_join_group >> create_batch

Variablen über die Airflow-UI hinzufügen

In Airflow sind Variablen eine universelle Möglichkeit, beliebige Einstellungen oder Konfigurationen als einfachen Speicher für Schlüssel/Wert-Paare zu speichern und abzurufen. Dieser DAG verwendet Airflow-Variablen zum Speichern gängiger Werte. So fügen Sie sie zu Ihrer Umgebung hinzu:

1. Rufen Sie über die Cloud Composer-Konsole auf die Airflow-UI auf.

2. Klicken Sie auf Verwaltung > Variablen.

3. Fügen Sie die folgenden Variablen hinzu:

   • s3_bucket: der Name des S3-Buckets, den Sie zuvor erstellt haben.

   • gcp_project: Ihre Projekt-ID.

   • gcs_bucket: der Name des zuvor erstellten Buckets (ohne das Präfix gs://).

   • gce_region: Die Region, in der Ihr Dataproc-Job ausgeführt werden soll, der die Anforderungen an das serverlose Dataproc-Netzwerk erfüllt. Das ist die Region, in der Sie zuvor den privaten Google-Zugriff aktiviert haben.

   • dataproc_service_account: das Dienstkonto für Ihre Cloud Composer-Umgebung. Sie finden dieses Dienstkonto auf dem Tab für die Umgebungskonfiguration für Ihre Cloud Composer-Umgebung.

DAG in den Bucket Ihrer Umgebung hochladen

Cloud Composer plant DAGs, die sich im Ordner /dags im Bucket Ihrer Umgebung befinden. So laden Sie den DAG über die Google Cloud Console hoch:

1. Speichern Sie s3togcsoperator_tutorial.py auf Ihrem lokalen Computer.

2. Rufen Sie in der Google Cloud Console die Seite Umgebungen auf.

   Zur Seite Umgebungen“

3. Klicken Sie in der Liste der Umgebungen in der Spalte DAG-Ordner auf den Link DAGs. Der DAGs-Ordner Ihrer Umgebung wird geöffnet.

4. Klicken Sie auf Dateien hochladen.

5. Wählen Sie s3togcsoperator_tutorial.py auf Ihrem lokalen Computer aus und klicken Sie auf Öffnen.

DAG auslösen

1. Klicken Sie in Ihrer Cloud Composer-Umgebung auf den Tab DAGs.

2. Klicken Sie auf die DAG-ID s3_to_gcs_dag.

3. Klicken Sie auf Trigger DAG (DAG auslösen).

4. Warten Sie etwa fünf bis zehn Minuten, bis Sie ein grünes Häkchen sehen, das anzeigt, dass die Aufgaben erfolgreich abgeschlossen wurden.

Erfolg des DAG validieren

1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

   BigQuery aufrufen

2. Klicken Sie im Explorer-Bereich auf den Namen Ihres Projekts.

3. Klicken Sie auf holidays_weather_joined.

4. Klicken Sie auf „Vorschau“, um die resultierende Tabelle anzusehen. Beachten Sie, dass die Zahlen in der Wertspalte in Zehntelgrad Celsius angegeben sind.

5. Klicken Sie auf holidays_weather_normalized.

6. Klicken Sie auf „Vorschau“, um die resultierende Tabelle anzusehen. Beachten Sie, dass die Zahlen in der Spalte Werte in Grad Celsius angegeben sind.

Bereinigen

Löschen Sie einzelne Ressourcen, die Sie für diese Anleitung erstellt haben:

• Löschen Sie die Datei holidays.csv in Ihrem AWS S3-Bucket.

• Löschen Sie den AWS S3-Bucket, den Sie erstellt haben.

• Löschen Sie den Cloud Storage-Bucket, den Sie für diese Anleitung erstellt haben.

• Löschen Sie das BigQuery-Dataset.

• Löschen Sie die Cloud Composer-Umgebung, einschließlich des Buckets der Umgebung.

Nächste Schritte

• Datenanalyse-DAG in Google Cloud ausführen
• Datenanalyse-DAG in Azure ausführen