在 Google Cloud 中运行数据分析 DAG

Cloud Composer 1 | Cloud Composer 2

本教程介绍如何使用 Cloud Composer 创建 Apache Airflow DAG。DAG 将 BigQuery 公共数据集和存储在 Cloud Storage 存储桶中的 CSV 文件的数据联接起来，然后运行 Dataproc 无服务器批量作业来处理联接的数据。

本教程中的 BigQuery 公共数据集是 ghcn_d，这是一个全球气候摘要的集成数据库。该 CSV 文件包含有关 1997 年至 2021 年美国节假日的日期和名称信息。

我们想要使用 DAG 回答的问题是：“过去 25 年中芝加哥的感恩节温度有多高？”

注意 ：本教程使用 Airflow 2。

目标

• 使用默认配置创建 Cloud Composer 环境
• 创建空 BigQuery 数据集
• 创建新的 Cloud Storage 存储桶
• 创建并运行包含以下任务的 DAG：
  • 将外部数据集从 Cloud Storage 加载到 BigQuery
  • 在 BigQuery 中联接两个数据集
  • 运行数据分析 PySpark 作业

准备工作

启用 API

启用以下 API：

控制台

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

授予权限

为您的用户帐号授予以下角色和权限：

• 授予用于管理 Cloud Composer 环境和环境存储分区的角色。

• 授予 BigQuery Data Owner (roles/bigquery.dataOwner) 角色以创建 BigQuery 数据集。

• 授予 Storage Admin (roles/storage.admin) 角色以创建 Cloud Storage 存储桶。

创建并准备 Cloud Composer 环境

1. 使用默认参数创建一个 Cloud Composer 环境：

   • 选择一个美国境内的区域。
   • 选择最新的 Cloud Composer 版本。
   注意 ：本教程的 BigQuery 部分必须在 US 多区域中运行。我们建议您为 Cloud Composer 环境选择一个美国区域，以降低费用和延迟时间，但如果您的 Cloud Composer 环境位于其他区域，那么本教程仍然可以运行。

2. 向 Cloud Composer 环境中使用的服务帐号授予以下角色，以使 Airflow 工作器成功运行 DAG 任务：

   • BigQuery 用户 (roles/bigquery.user)
   • BigQuery 数据所有者 (roles/bigquery.dataOwner)
   • Service Account User (roles/iam.serviceAccountUser)
   • Dataproc 编辑者 (roles/dataproc.editor)
   • Dataproc 工作器 (roles/dataproc.worker)

创建相关资源

1. 使用以下参数创建一个空 BigQuery 数据集：

   • 名称：holiday_weather
   • 区域：US

2. 在 US 多区域中创建新的 Cloud Storage 存储桶。

3. 运行以下命令，以在要运行 Dataproc Serverless 以满足网络要求的区域中的默认子网上启用专用 Google 访问通道。我们建议您使用与 Cloud Composer 环境相同的区域。

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

注意 ：空 BigQuery 数据集必须位于美国区域，以满足传输 BigQuery 公共数据集 ghcn_d 的主机托管要求。

使用 Dataproc Serverless 进行数据处理

探索示例 PySpark 作业

以下代码是一个示例 PySpark 作业，可将温度从摄氏度的十分之一度转换为摄氏度。此作业会将数据集的温度数据转换为其他格式。

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")

将支持文件上传到 Cloud Storage

如需上传 PySpark 文件和存储在 holidays.csv 中的数据集，请执行以下操作：

1. 将 data_analytics_process.py 保存到您的本地计算机。

2. 将 holidays.csv 保存到本地计算机。

3. 在 Google Cloud 控制台中，前往 Cloud Storage 浏览器页面：

   转到 Cloud Storage 浏览器

4. 点击您之前创建的存储桶的名称。

5. 在存储桶的对象标签页中，点击上传文件按钮，在显示的对话框中选择 data_analytics_process.py 和 holidays.csv，然后点击打开。

数据分析 DAG

探索示例 DAG

DAG 使用多个运算符来转换和统一数据：

• GCSToBigQueryOperator 将 holidays.csv 文件从 Cloud Storage 提取到您之前创建的 BigQuery holidays_weather 数据集中的新表。

• DataprocCreateBatchOperator 使用 Dataproc Serverless 创建并运行 PySpark 批量作业。

• BigQueryInsertJobOperator 将“Date”列的 holidays.csv 数据与 BigQuery 公共数据集 ghcn_d 中的天气数据相联接。BigQueryInsertJobOperator 任务是使用 for 循环动态生成的，并且这些任务位于 TaskGroup 中，以便在 Airflow 界面的图表视图中提高可读性。

重要提示 ：DataprocCreateBatchOperator 在 apache-airflow-providers-google 软件包版本 6.2.0 及更高版本中提供。从 Cloud Composer 版本 1.17.10 和 2.0.3 开始，您的环境中会预安装此软件包的必需版本。

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

使用 Airflow 界面添加变量

在 Airflow 中，变量是一种将任意设置或配置作为简单的键值对存储进行存储和检索的通用方式。此 DAG 使用 Airflow 变量存储常用值。如需将其添加到您的环境中，请执行以下操作：

1. 通过 Cloud Composer 控制台访问 Airflow 界面。

2. 依次前往管理 > 变量。

3. 添加以下变量：

   • gcp_project：您的项目 ID。

   • gcs_bucket：您之前创建的存储桶的名称（不带 gs:// 前缀）。

   • gce_region：您希望 Dataproc 作业在其中满足 Dataproc 无服务器网络要求的区域。这是您之前启用了专用 Google 访问通道的区域。

   • dataproc_service_account：您的 Cloud Composer 环境的服务帐号。您可以在 Cloud Composer 环境的“环境配置”标签页中找到此服务帐号。

将该 DAG 上传到环境的存储桶

Cloud Composer 会安排位于环境存储桶的 /dags 文件夹中的 DAG。如需使用 Google Cloud 控制台上传 DAG，请执行以下操作：

1. 在本地机器上，保存 data_analytics_dag.py。

2. 在 Google Cloud 控制台中，前往环境页面。

   转到“环境”

3. 在环境列表中，点击 DAG 文件夹列中的 DAG 链接。系统会打开您的环境的 DAGs 文件夹。

4. 点击上传文件。

5. 在本地机器上选择 data_analytics_dag.py，然后点击打开。

触发 DAG

1. 在 Cloud Composer 环境中，点击 DAG 标签页。

2. 点击进入 DAG ID data_analytics_dag。

3. 点击触发 DAG。

4. 等待大约 5 到 10 分钟，直到显示表示任务已成功完成的绿色对勾标记。

验证 DAG 是否成功

1. 在 Google Cloud 控制台中，转到 BigQuery 页面。

   转到 BigQuery

2. 在浏览器面板中，点击您的项目名称。

3. 点击 holidays_weather_joined。

4. 点击“预览”可查看生成的表。请注意，值列中的数字以摄氏度的十分之一为单位。

5. 点击 holidays_weather_normalized。

6. 点击“预览”可查看生成的表。请注意，值列中的数字以摄氏度为单位。

深入了解 Dataproc Serverless（可选）

您可以尝试此 DAG 的高级版本，其中包含更复杂的 PySpark 数据处理流程。请参阅 GitHub 上的适用于数据分析示例的 Dataproc 扩展程序。

清理

删除您为本教程创建的各个资源：

• 删除您为本教程创建的 Cloud Storage 存储桶。

• 删除 BigQuery 数据集。

• 删除 Cloud Composer 环境，包括手动删除该环境的存储桶。

后续步骤

• 使用 AWS 中的数据在 Google Cloud 中运行数据分析 DAG。
• 在 Azure 中运行数据分析 DAG。