Realiza un seguimiento del linaje de datos de una tabla de BigQuery

Realiza un seguimiento del linaje de datos de una tabla de BigQuery

El linaje de datos te permite hacer un seguimiento de cómo se mueven los datos a través de tus sistemas: de dónde provienen, a dónde se pasan y qué transformaciones se aplican.

Aprende a realizar el seguimiento del linaje de datos para los trabajos de copia y consulta de BigQuery:

1. Copia dos tablas de un conjunto de datos new_york_taxi_trips disponible públicamente.

2. Combina la cantidad total de viajes en taxi de ambas tablas en una tabla nueva.

3. Consulta un gráfico de visualización de linaje para las tres operaciones.

Antes de comenzar

Configura tu proyecto:

1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.

2. En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

   Nota: Si no planeas conservar los recursos que creaste durante este procedimiento, crea un proyecto en lugar de seleccionar uno existente. Cuando termines, puedes borrar el proyecto y quitar todos los recursos asociados con él.

   Ir al selector de proyectos

3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

4. Habilita las API de Data Catalog, BigQuery, and data lineage.

   Habilita las API

5. En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

   Nota: Si no planeas conservar los recursos que creaste durante este procedimiento, crea un proyecto en lugar de seleccionar uno existente. Cuando termines, puedes borrar el proyecto y quitar todos los recursos asociados con él.

   Ir al selector de proyectos

6. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

7. Habilita las API de Data Catalog, BigQuery, and data lineage.

   Habilita las API

Precaución: El linaje de datos se habilita por proyecto. Después de habilitar la API de Data Lineage, la información de linaje se informa automáticamente para varios servicios de Google Cloud, según su control de linaje a nivel de producto. Para obtener más detalles, consulta Consideraciones sobre el linaje de datos.

Funciones obligatorias

Para obtener los permisos que necesitas para ver los gráficos de visualización de linaje, pídele a tu administrador que te otorgue los siguientes roles de IAM:

• Visualizador de Data Catalog (roles/datacatalog.viewer) en el proyecto de recursos de Data Catalog
• Visualizador de linaje de datos (roles/datalineage.viewer) en el proyecto en el que usas BigQuery
• Visualizador de datos de BigQuery (roles/bigquery.dataViewer) en el proyecto en el que usas BigQuery

Si quieres obtener más información para otorgar funciones, consulta Administra el acceso.

Es posible que también puedas obtener los permisos necesarios mediante funciones personalizadas, o bien otras funciones predefinidas.

Agrega un conjunto de datos públicos a tu proyecto

1. En la consola de Google Cloud, ve a la página de BigQuery.

   Ir a BigQuery

2. En el panel Explorador, haz clic en Agregar.

3. En el panel Agregar, busca Public datasets y selecciona el resultado Conjuntos de datos públicos.

4. En el panel Marketplace, busca NYC TLC Trips y haz clic en el resultado NYC TLC trips.

5. Haz clic en Ver conjunto de datos.

En este paso, agregarás el conjunto de datos new_york_taxi_trips a tu proyecto. En el panel de detalles, se muestra la Información del conjunto de datos, incluida información como el ID del conjunto de datos, Ubicación de los datos y la fecha de Última modificación.

Crea un conjunto de datos en tu proyecto

1. En el panel Explorador, selecciona el proyecto en el que deseas crear el conjunto de datos.

2. Haz clic en el ícono Acciones y, luego, en Crear conjunto de datos.

3. En la página Crear conjunto de datos, en el campo ID del conjunto de datos, ingresa: data_lineage_demo. Deja los otros campos con sus valores predeterminados.

4. Haz clic en Crear conjunto de datos.

5. En el panel Explorador, haz clic en el data_lineage_demo agregado recientemente.

En el panel de detalles, se muestra la Información del conjunto de datos.

Copiar dos tablas de acceso público a tu conjunto de datos

1. Abre un editor de consultas: En el panel de detalles, junto a la pestaña llamada data_lineage_demo, haz clic en (Redactar consulta nueva). En este paso, se creará una pestaña llamada Untitled.

2. En el editor de consultas, ingresa la siguiente consulta para copiar la primera tabla. Reemplaza PROJECT_ID por el identificador de tu proyecto.

   CREATE TABLE `PROJECT_ID.data_lineage_demo.nyc_green_trips_2021`
   COPY `bigquery-public-data.new_york_taxi_trips.tlc_green_trips_2021`
   

3. Haz clic en Ejecutar. En este paso, se crea la primera tabla, llamada nyc_green_trips_2021.

4. En el panel Resultados de la consulta, haz clic en Ir a la tabla. En este paso, se muestra el contenido de la primera tabla.

5. En el editor de consultas, copia la segunda tabla y reemplaza la consulta anterior por la siguiente. Reemplaza PROJECT_ID por el identificador de tu proyecto.

   CREATE TABLE `PROJECT_ID.data_lineage_demo.nyc_green_trips_2022`
   COPY `bigquery-public-data.new_york_taxi_trips.tlc_green_trips_2022`
   

6. Haz clic en Ejecutar. En este paso, se crea la segunda tabla, llamada nyc_green_trips_2022.

7. En el panel Resultados de la consulta, haz clic en Ir a la tabla. En este paso, se muestra el contenido de la segunda tabla.

Agrega datos en una tabla nueva

1. En el editor de consultas, ingresa la siguiente consulta. Reemplaza PROJECT_ID por el identificador de tu proyecto.

   CREATE TABLE `PROJECT_ID.data_lineage_demo.total_green_trips_22_21`
   AS SELECT vendor_id, COUNT(*) AS number_of_trips
   FROM (
        SELECT vendor_id FROM `PROJECT_ID.data_lineage_demo.nyc_green_trips_2022`
        UNION ALL
        SELECT vendor_id FROM `PROJECT_ID.data_lineage_demo.nyc_green_trips_2021`
   )
   GROUP BY vendor_id
   

2. Haz clic en Ejecutar. En este paso, se crea una tabla combinada llamada total_green_trips_22_21.

3. En el panel Resultados de la consulta, haz clic en Ir a la tabla. En este paso, se muestra la tabla combinada.

Visualiza el gráfico de linaje en Dataplex

1. Abre la página de búsqueda de Dataplex.

   Abrir la búsqueda de Dataplex

2. En el cuadro Búsqueda, ingresa total_green_trips_22_21 y haz clic en Buscar.

3. En la lista de resultados, haz clic en total_green_trips_22_21. En este paso, se muestra la pestaña Detalles de la tabla de BigQuery.

4. Haz clic en la pestaña Linaje.

Nota: Es posible que el linaje automático tarde un tiempo en detectar estos cambios. Si aún no ves el gráfico de linaje, vuelve a verificar después de varios minutos.

Figura 1: Linaje de datos con detalles de nodo

En el gráfico de linaje, cada nodo rectangular representa una tabla, que puede ser original, copiada o combinada. Puedes realizar lo siguiente:

• Para mostrar u ocultar el origen de una tabla, haz clic en + (Expandir) o - (Contraer).

• Haz clic en un nodo para mostrar la información de la tabla. En este paso, se muestra el panel Detalles de un nodo.

• Para mostrar la información del proceso, haz clic en un ícono de proceso . En este paso, se muestra el panel Detalles del proceso en el que se muestra el trabajo que transformó una tabla de origen en una tabla de destino.

Figura 2: Linaje de datos con detalles del proceso

Limpia

Sigue estos pasos para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos que se usaron en esta página.

Borra el proyecto

La manera más fácil de eliminar la facturación es borrar el proyecto que creaste para el instructivo.

Para borrar el proyecto, haz lo siguiente:

Precaución: Borrar un proyecto tiene estas consecuencias:

• Se borra todo en el proyecto. Si usaste un proyecto existente para las tareas de este documento, cuando lo borres, también se borrará cualquier otro trabajo que hayas realizado en el proyecto.
• Se pierden los ID personalizados de proyectos. Cuando creaste este proyecto, es posible que hayas creado un ID del proyecto personalizado que desees utilizar en el futuro. Para conservar las URL que utilizan el ID del proyecto, como una URL appspot.com, borra los recursos seleccionados dentro del proyecto en lugar de borrar todo el proyecto.

Si planeas explorar varias infraestructuras, instructivos y guías de inicio rápido la reutilización de proyectos puede ayudarte a evitar exceder los límites de las cuotas del proyecto.

1. En la consola de Google Cloud, ve a la página Administrar recursos.

   Ir a Administrar recursos

2. En la lista de proyectos, elige el proyecto que quieres borrar y haz clic en Borrar.
3. En el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar para borrar el proyecto.

Borra el conjunto de datos

1. Dirígete a la página de BigQuery.

   Ir a BigQuery

2. En el panel Explorador, busca el conjunto de datos data_lineage_demo que creaste.

3. Haz clic con el botón derecho en el conjunto de datos y selecciona Borrar.

4. Confirma la acción de borrar.

¿Qué sigue?

• Obtén más información sobre Dataplex y el linaje de datos.
• Aprende a ejecutar consultas de BigQuery.
• Obtén información sobre cómo usar el linaje de datos y ver gráficos de linaje de datos.
• Obtén más información sobre los precios y la billing de Dataplex.