Ejecuta un DAG de análisis de datos en Google Cloud con datos de Azure

Cloud Composer 1 | Cloud Composer 2

Este instructivo es una modificación de la sección Ejecuta un DAG de análisis de datos en Google Cloud que muestra cómo conectar tu entorno de Cloud Composer a Microsoft Azure para usar los datos almacenados allí. Se muestra cómo usar Cloud Composer para crear un DAG de Apache Airflow. El DAG une los datos de un conjunto de datos públicos de BigQuery y un archivo CSV almacenado en Azure Blob Storage y, luego, ejecuta un trabajo por lotes sin servidores de Dataproc 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 feriados de EE.UU. de 1997 a 2021.

La pregunta que queremos responder con el DAG es la siguiente: “¿Qué tanta temperatura fue en Chicago durante el Día de Acción de Gracias durante los últimos 25 años?”.

Nota: En este instructivo, se usa Airflow 2.

Objetivos

• Crea un entorno de Cloud Composer en la configuración predeterminada
• Crea un BLOB en Azure
• Crea un conjunto de datos vacío de BigQuery
• Cree un nuevo bucket de Cloud Storage
• Crea y ejecuta un DAG que incluya las siguientes tareas:
  • Carga un conjunto de datos externo de Azure Blob Storage a Cloud Storage
  • Carga un conjunto de datos externo de 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:

Consola

Habilita las API de Dataproc, Cloud Composer, BigQuery, Cloud Storage.

Habilita las API

gcloud

Habilita las APIs de Dataproc, Cloud Composer, BigQuery, Cloud Storage:

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

Otorga permisos

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

• Otorga roles para administrar entornos y buckets de entornos de Cloud Composer.

• Otorga el rol Propietario de datos de BigQuery (roles/bigquery.dataOwner) para crear un conjunto de datos de BigQuery.

• Otorga el rol Administrador de almacenamiento (roles/storage.admin) para crear un bucket de Cloud Storage.

Crea y prepara tu entorno de Cloud Composer

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

   • Elige una región de EE.UU.
   • Elige la versión de Cloud Composer más reciente.
   Nota: La parte de BigQuery de este instructivo debe ejecutarse en la multirregión US. Recomendamos elegir una región de EE.UU. para tu entorno de Cloud Composer a fin de reducir el costo y la latencia, pero el instructivo aún se puede ejecutar si tu entorno de Cloud Composer está en otra región.

2. Otorga los siguientes roles a la cuenta de servicio utilizada en tu entorno de Cloud Composer para que los trabajadores de Airflow ejecuten correctamente las tareas de DAG:

   • 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)

Crear y modificar recursos relacionados en Google Cloud

1. Instala el paquete de PyPI apache-airflow-providers-microsoft-azure en tu entorno de Cloud Composer.

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

   • Nombre: holiday_weather
   • Región: US

3. Crea un bucket de Cloud Storage nuevo en la multirregión US.

4. Ejecuta el siguiente comando para habilitar el acceso privado a Google en la subred predeterminada de la región en la que deseas ejecutar Dataproc Serverless a fin de cumplir con los requisitos de red. Recomendamos usar la misma región que tu entorno de Cloud Composer.

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

Precaución: El conjunto de datos vacío de BigQuery debe estar ubicado en la región de EE.UU. para cumplir con los requisitos de colocación para transferir el conjunto de datos públicos de BigQuery ghcn_d.

Crea recursos relacionados en Azure

1. Crea una cuenta de almacenamiento con la configuración predeterminada.

2. Obtén la clave de acceso y la string de conexión de tu cuenta de almacenamiento.

3. Crea un contenedor con opciones predeterminadas en la cuenta de almacenamiento recién creada.

4. Otorga la función Delegador de BLOB de Storage al contenedor que creaste en el paso anterior.

5. Sube holidays.csv para crear un BLOB en bloque con las opciones predeterminadas en el portal de Azure.

6. Crea un token SAS para el BLOB en bloque que creaste en el paso anterior en el portal de Azure.

   • Método de firma: Clave de delegación de usuarios
   • Permisos: Leer
   • Dirección IP permitida: ninguna
   • Protocolos permitidos: Solo HTTPS

Nota: Los tokens de SAS son una forma segura y documentada de acceder a tu cuenta de Azure Storage. Sin embargo, son urgentes y cada una tiene una fecha de vencimiento. Elige una fecha de vencimiento según corresponda.

Conéctate a Azure desde Cloud Composer

Nota: Te recomendamos almacenar todas las credenciales para las conexiones en Secret Manager. Si planeas usar este instructivo con fines de producción, considera configurar Secret Manager para tu entorno. Si quieres obtener más información, consulta Configura Secret Manager para tu entorno.

Agrega tu conexión de Microsoft Azure mediante la IU de Airflow:

1. Ve a Administrador > Conexiones.

2. Crea una conexión nueva con la siguiente configuración:

   • ID de conexión: azure_blob_connection
   • Tipo de conexión: Azure Blob Storage
   • Blob Storage Login: el nombre de tu cuenta de almacenamiento
   • Clave de almacenamiento de BLOB: La clave de acceso de tu cuenta de almacenamiento
   • Blob Storage Account Connection String: Tu string de conexión de cuenta de almacenamiento
   • Token de SAS: es el token de SAS generado a partir de tu BLOB.

Procesamiento de datos con Dataproc Serverless

Explora el trabajo de PySpark de ejemplo

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 los datos de temperatura del conjunto de datos en un formato diferente.

composer/2022_airflow_summit/data_analytics_process.py

Ver en GitHub

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 el archivo PySpark a Cloud Storage

Para subir el archivo PySpark a Cloud Storage, sigue estos pasos:

1. Guarda data_analytics_process.py en tu máquina local.

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

   Ir al navegador de Cloud Storage

3. Haz clic en el nombre del bucket que creaste anteriormente.

4. En la pestaña Objetos del bucket, haz clic en el botón Subir archivos, selecciona data_analytics_process.py en el cuadro de diálogo que aparece y haz clic en Abrir.

DAG de análisis de datos

Explore el DAG de ejemplo

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

• El AzureBlobStorageToGCSOperator transfiere el archivo holidays.csv del BLOB en bloque de Azure al bucket de Cloud Storage.

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

• El DataprocCreateBatchOperator crea y ejecuta un trabajo por lotes de PySpark con Dataproc Serverless.

• El BigQueryInsertJobOperator une los datos de holidays.csv en la columna “Fecha” con los datos meteorológicos del conjunto de datos públicos de BigQuery ghcn_d. Las tareas BigQueryInsertJobOperator se generan de forma dinámica mediante un bucle for, y estas tareas se encuentran en un TaskGroup para mejorar la legibilidad en la Vista de gráfico de la IU de Airflow.

Importante: DataprocCreateBatchOperator está disponible en las versiones 6.2.0 y posteriores del paquete apache-airflow-providers-google. Las versiones requeridas de este paquete están preinstaladas en tu entorno a partir de las versiones 1.17.10 y 2.0.3 de Cloud Composer.

composer/workflows/azureblobstoretogcsoperator_tutorial.py

Ver en GitHub

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 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 clave-valor simple. Este DAG usa variables de Airflow para almacenar valores comunes. Para agregarlas a tu entorno, haz lo siguiente:

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 tu trabajo de Dataproc cumpla con los requisitos de herramientas de redes sin servidores de Dataproc. Esta es la región en la que habilitaste el acceso privado a Google anteriormente.

   • dataproc_service_account: Es la cuenta de servicio para el entorno de Cloud Composer. Puedes encontrar esta cuenta de servicio en la pestaña de configuración del entorno de tu entorno de Cloud Composer.

   • azure_blob_name: Es el nombre del BLOB que creaste antes.

   • azure_blob_path: Es la URL del BLOB que creaste antes. Para obtener la información, haz clic con el botón derecho en el BLOB y selecciona view/edit. La URL se encuentra en la pestaña de descripción general.

   • azure_container_name: Es el nombre del contenedor que creaste antes.

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 mediante la consola de Google Cloud, sigue estos pasos:

1. En tu máquina local, guarda azureblobstoretogcsoperator_tutorial.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 DAG. Se abrirá la carpeta de DAG de tu entorno.

4. Haga clic en Subir archivos.

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

Activa el DAG

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

2. Haz clic en el ID de DAG azure_blob_to_gcs_dag.

3. Haz clic en Activar DAG.

4. Espera entre cinco y diez minutos hasta que veas una marca de verificación verde que indica que las tareas se completaron 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 la columna de valores están en décimas de un grado Celsius.

5. Haz clic en holidays_weather_normalized.

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

Limpieza

Borra los recursos individuales que creaste para este instructivo:

• Borra el contenedor que creaste en Azure.

• Borra el bucket de Cloud Storage que creaste para este instructivo.

• Borra el conjunto de datos de BigQuery.

• Borra el entorno de Cloud Composer, incluida la eliminación manual del bucket del entorno.

¿Qué sigue?

• Ejecuta un DAG de análisis de datos en Google Cloud.
• Ejecuta un DAG de análisis de datos en AWS.