Trasferire dati da altri servizi con Google Transfer Operators

Cloud Composer 1 | Cloud Composer 2

Questa pagina mostra come trasferire i dati da altri servizi con gli operatori di trasferimento Google nei tuoi DAG.

Informazioni su Google Transfer Operators

Gli operatori di trasferimento di Google sono un insieme di operatori di Airflow che puoi utilizzare per eseguire il pull di dati da altri servizi in Google Cloud.

Questa guida mostra gli operatori per Azure FileShare Storage e Amazon S3 che funzionano con Cloud Storage. Esistono molti altri operatori di trasferimento che funzionano con i servizi all'interno di Google Cloud e con servizi diversi da Google Cloud.

Prima di iniziare

• Questa guida si riferisce a Airflow 2. Se il tuo ambiente utilizza Airflow 1, utilizza pacchetti del provider di backport per importare gli operatori e rendere disponibili i tipi di connessione richiesti nel tuo ambiente.

Da Amazon S3 a Cloud Storage

Questa sezione illustra come sincronizzare i dati da Amazon S3 a un bucket Cloud Storage.

Installa il pacchetto del provider Amazon

Il pacchetto apache-airflow-providers-amazon contiene i tipi di connessione e le funzionalità che interagiscono con Amazon S3. Installa questo pacchetto PyPI nel tuo ambiente.

Configurare una connessione ad Amazon S3

Il pacchetto del provider Amazon fornisce un tipo di connessione per Amazon S3. Crei una connessione di questo tipo. La connessione per Cloud Storage, denominata google_cloud_default, è già configurata nel tuo ambiente.

Configura una connessione ad Amazon S3 nel seguente modo:

1. Nella UI di Airflow, vai ad Amministrazione > Connessioni.
2. Crea una nuova connessione.
3. Seleziona Amazon S3 come tipo di connessione.
4. L'esempio seguente utilizza una connessione denominata aws_s3. Puoi utilizzare questo nome o un altro nome per la connessione.
5. Specifica i parametri di connessione come descritto nella documentazione di Airflow per la connessione Amazon Web Services. Ad esempio, per configurare una connessione con le chiavi di accesso AWS, devi generare una chiave di accesso per il tuo account su AWS, quindi fornire l'ID della chiave di accesso AWS come accesso alla chiave di accesso secret AWS come password per la connessione.

Nota: consigliamo di archiviare tutte le credenziali per le connessioni in Secret Manager. Per maggiori informazioni, consulta Configurare Secret Manager per il tuo ambiente. Ad esempio, puoi creare un secret denominato airflow-connections-aws_s3 che archivia le credenziali per la connessione aws_s3.

Trasferisci dati da Amazon S3

Se vuoi eseguire operazioni sui dati sincronizzati in un secondo momento in un altro DAG o un'altra attività, devi trasferirli nella cartella /data del bucket del tuo ambiente. Questa cartella è sincronizzata con altri worker Airflow, in modo che le attività nel tuo DAG possano eseguirvi operazioni.

Il DAG di esempio riportato di seguito esegue quanto segue:

• Sincronizza i contenuti della directory /data-for-gcs da un bucket S3 alla cartella /data/from-s3/data-for-gcs/ nel bucket del tuo ambiente.
• Attende due minuti per la sincronizzazione dei dati con tutti i worker Airflow nel tuo ambiente.
• Restituisce come output l'elenco dei file in questa directory utilizzando il comando ls. Sostituisci questa attività con altri operatori Airflow che lavorano con i tuoi dati.

import datetime
import airflow
from airflow.providers.google.cloud.transfers.s3_to_gcs import S3ToGCSOperator
from airflow.operators.bash_operator import BashOperator

with airflow.DAG(
    'composer_sample_aws_to_gcs',
    start_date=datetime.datetime(2022, 1, 1),
    schedule_interval=None,
) as dag:

    transfer_dir_from_s3 = S3ToGCSOperator(
        task_id='transfer_dir_from_s3',
        aws_conn_id='aws_s3',
        prefix='data-for-gcs',
        bucket='example-s3-bucket-transfer-operators',
        dest_gcs='gs://us-central1-example-environ-361f2312-bucket/data/from-s3/')

    sleep_2min = BashOperator(
        task_id='sleep_2min',
        bash_command='sleep 2m')

    print_dir_files = BashOperator(
        task_id='print_dir_files',
        bash_command='ls /home/airflow/gcs/data/from-s3/data-for-gcs/')

    transfer_dir_from_s3 >> sleep_2min >> print_dir_files

Condivisione file di Azure in Cloud Storage

Questa sezione illustra come sincronizzare i dati da Azure FileShare a un bucket Cloud Storage.

Installa il pacchetto del provider Microsoft Azure

Il pacchetto apache-airflow-providers-microsoft-azure contiene i tipi di connessione e le funzionalità che interagiscono con Microsoft Azure. Installa questo pacchetto PyPI nel tuo ambiente.

Configura una connessione ad Azure FileShare

Il pacchetto del provider Microsoft Azure fornisce un tipo di connessione per Condivisione file di Azure. Crei una connessione di questo tipo. La connessione per Cloud Storage, denominata google_cloud_default, è già configurata nel tuo ambiente.

Configura una connessione ad Azure FileShare nel seguente modo:

1. Nella UI di Airflow, vai ad Amministrazione > Connessioni.
2. Crea una nuova connessione.
3. Seleziona Azure FileShare come tipo di connessione.
4. L'esempio seguente utilizza una connessione denominata azure_fileshare. Puoi utilizzare questo nome o un altro nome per la connessione.
5. Specifica i parametri di connessione come descritto nella documentazione di Airflow per Connessione condivisione file di Microsoft Azure. Ad esempio, puoi specificare una stringa di connessione per la chiave di accesso dell'account di archiviazione.

Nota: consigliamo di archiviare tutte le credenziali per le connessioni in Secret Manager. Per maggiori informazioni, consulta Configurare Secret Manager per il tuo ambiente. Ad esempio, puoi creare un secret denominato airflow-connections-azure_fileshare che archivia le credenziali per la connessione azure_fileshare.

Trasferisci i dati da Condivisione file di Azure

Se vuoi eseguire operazioni sui dati sincronizzati in un secondo momento in un altro DAG o un'altra attività, devi trasferirli nella cartella /data del bucket del tuo ambiente. Questa cartella è sincronizzata con altri worker Airflow, in modo che le attività nel tuo DAG possano eseguirvi operazioni.

Il seguente DAG esegue quanto segue:

Il DAG di esempio riportato di seguito esegue quanto segue:

• Sincronizza i contenuti della directory /data-for-gcs da Condivisione file di Azure alla cartella /data/from-azure nel bucket del tuo ambiente.
• Attende due minuti per la sincronizzazione dei dati con tutti i worker Airflow nel tuo ambiente.
• Restituisce come output l'elenco dei file in questa directory utilizzando il comando ls. Sostituisci questa attività con altri operatori Airflow che lavorano con i tuoi dati.

import datetime
import airflow
from airflow.providers.google.cloud.transfers.azure_fileshare_to_gcs import AzureFileShareToGCSOperator
from airflow.operators.bash_operator import BashOperator

with airflow.DAG(
    'composer_sample_azure_to_gcs',
    start_date=datetime.datetime(2022, 1, 1),
    schedule_interval=None,
) as dag:

    transfer_dir_from_azure = AzureFileShareToGCSOperator(
        task_id='transfer_dir_from_azure',
        azure_fileshare_conn_id='azure_fileshare',
        share_name='example-file-share',
        directory_name='data-for-gcs',
        dest_gcs='gs://us-central1-example-environ-361f2312-bucket/data/from-azure/')

    sleep_2min = BashOperator(
        task_id='sleep_2min',
        bash_command='sleep 2m')

    print_dir_files = BashOperator(
        task_id='print_dir_files',
        bash_command='ls /home/airflow/gcs/data/from-azure/')

    transfer_dir_from_azure >> sleep_2min >> print_dir_files

Passaggi successivi

• Utilizzare gli operatori GKE