Esta página foi traduzida pela API Cloud Translation.

Executar transformações no BigQuery

Nesta página, descrevemos como executar transformações no BigQuery em vez do Spark no Cloud Data Fusion.

Para mais informações, consulte a Visão geral do pushdown de transformação.

Antes de começar

O pushdown de transformação está disponível na versão 6.5.0 e mais recente. Se o pipeline for executado em um ambiente de versão anterior, será possível fazer upgrade da instância para a versão mais recente.

Ativar o pushdown de transformação no pipeline

Console

Para ativar o pushdown de transformação em um pipeline implantado, faça o seguinte:

Acesse sua instância:
1. No console do Google Cloud, acesse a página do Cloud Data Fusion.
2. Para abrir a instância no Cloud Data Fusion Studio, clique em Instâncias e em Ver instância.
  
  Acesse "Instâncias"
Clique em Menu > Lista.

A guia do pipeline implantado é aberta.
Clique no pipeline implantado desejado para abri-lo no Pipeline Studio.
Clique em Configurar > Pushdown de transformação.
Clique em Ativar pushdown de transformação.
No campo Conjunto de dados, insira um nome de conjunto de dados do BigQuery.

Opcional: para usar uma macro, clique em M. Para mais informações, consulte Conjuntos de dados.
Opcional: configure as opções, se necessário.
Clique em Salvar.

Configurações opcionais

Propriedade	Suporte a macros	Versões do Cloud Data Fusion com suporte	Descrição
Usar conexão	Não	6.7.0 e versões mais recentes	Se é possível usar uma conexão existente.
Conexão	Sim	6.7.0 e versões mais recentes	O nome da conexão. Essa conexão fornece informações sobre o projeto e a conta de serviço. Opcional: use a função macro `${conn(connection_name)}`.
ID do projeto do conjunto de dados	Sim	6.5.0	Se o conjunto de dados estiver em um projeto diferente daquele em que o job do BigQuery é executado, insira o ID do projeto do conjunto de dados. Se nenhum valor for fornecido, por padrão, será usado o ID do projeto em que o job é executado.
ID do projeto	Sim	6.5.0	O ID do projeto Google Cloud .
Tipo de conta de serviço	Sim	6.5.0	Selecione uma das seguintes opções: Caminho do arquivo: o caminho do arquivo para a conta de serviço. JSON: o conteúdo JSON da conta de serviço. O padrão é JSON.
Caminho do arquivo da conta de serviço	Sim	6.5.0	O caminho no sistema de arquivos local para a chave da conta de serviço usada para autorização. Ele é definido como `auto-detect` ao ser executado em um cluster do Dataproc. Ao ser executado em outros clusters, o arquivo precisa estar presente em cada nó do cluster. O padrão é `auto-detect`.
JSON da conta de serviço	Sim	6.5.0	O conteúdo do arquivo JSON da conta de serviço.
Nome do bucket temporário	Sim	6.5.0	O bucket do Cloud Storage que armazena os dados temporários. Ele é criado automaticamente se não existir, mas não é excluído automaticamente. Os dados do Cloud Storage são excluídos depois de carregados no BigQuery. Se esse valor não for fornecido, um bucket exclusivo será criado e excluído após a conclusão da execução do pipeline. A conta de serviço precisa ter permissão para criar buckets no projeto configurado.
Local	Sim	6.5.0	O local em que o conjunto de dados do BigQuery é criado. Esse valor será ignorado se o conjunto de dados ou o bucket temporário já existir. O padrão é a multirregião `US`.
Nome da chave de criptografia	Sim	6.5.1/0.18.1	A chave de criptografia gerenciada pelo cliente (CMEK) que criptografa os dados gravados em qualquer bucket, conjunto de dados ou tabela criado pelo plug-in. Se o bucket, o conjunto de dados ou a tabela já existir, esse valor será ignorado.
Reter tabelas do BigQuery após a conclusão	Sim	6.5.0	Define se todas as tabelas temporárias do BigQuery criadas durante a execução do pipeline são retidas para fins de depuração e validação. O padrão é Não.
TTL da tabela temporária (em horas)	Sim	6.5.0	Defina o TTL da tabela para tabelas temporárias do BigQuery em horas. Isso é útil como uma medida de segurança caso o pipeline seja cancelado e o processo de limpeza seja interrompido, por exemplo, se o cluster de execução for desligado abruptamente. Definir esse valor como `0` desativa o TTL da tabela. O padrão é `72` (3 dias).
Prioridade de job	Sim	6.5.0	A prioridade usada para executar jobs do BigQuery. Selecione uma das seguintes opções: Lote: um job em lote é colocado na fila e iniciado assim que os recursos inativos ficam disponíveis, normalmente em alguns minutos. Se o job não for iniciado em até três horas, a prioridade dele será alterada para interativa. Interativo: um job interativo é executado o mais rápido possível e é contabilizado no limite de taxa simultânea e de taxa diária. O padrão é Batch.
Estágios para forçar a inclusão	Sim	6.7.0	Estágios com suporte para execução sempre no BigQuery. Cada nome de fase precisa estar em uma linha separada.
Etapas para pular a pushdown	Sim	6.7.0	Fases com suporte que nunca serão executadas no BigQuery. Cada nome de fase precisa estar em uma linha separada.
Usar a API BigQuery Storage Read	Sim	6.7.0	Indica se a API BigQuery Storage Read será usada ao extrair registros do BigQuery durante a execução do pipeline. Essa opção pode melhorar o desempenho da transformação pushdown, mas gera custos adicionais. Isso requer que o Scala 2.12 seja instalado no ambiente de execução.

Monitorar as alterações no desempenho dos registros

Os registros do ambiente de execução do pipeline incluem mensagens que mostram as consultas do SQL executadas no BigQuery. É possível monitorar quais estágios do pipeline são enviados ao BigQuery.

O exemplo a seguir mostra as entradas de registro quando a execução do pipeline começa. Os registros indicam que as operações JOIN no seu pipeline foram enviadas para o BigQuery para execução:

  INFO  [Driver:i.c.p.g.b.s.BigQuerySQLEngine@190] - Validating join for stage 'Users' can be executed on BigQuery: true
  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@131] - Starting push for dataset 'UserProfile'
  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@131] - Starting push for dataset 'UserDetails'
  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@292] - Starting join for dataset 'Users'
  INFO  [Driver:i.c.p.g.b.s.BigQuerySQLEngine@190] - Validating join for stage 'UserPurchases' can be executed on BigQuery: true
  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@131] - Starting push for dataset 'Purchases'
  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@292] - Starting join for dataset 'UserPurchases'
  INFO  [Driver:i.c.p.g.b.s.BigQuerySQLEngine@190] - Validating join for stage 'MostPopularNames' can be executed on BigQuery: true
  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@131] - Starting push for dataset 'FirstNameCounts'
  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@292] - Starting join for dataset 'MostPopularNames'
  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@193] - Starting pull for dataset 'MostPopularNames'

O exemplo a seguir mostra os nomes das tabelas que serão atribuídos a cada um dos conjuntos de dados envolvidos na execução do pushdown:

  INFO  [batch-sql-engine-adapter:i.c.p.g.b.s.BigQuerySQLEngine@145] - Executing Push operation for dataset Purchases stored in table <TABLE_ID>
  INFO  [batch-sql-engine-adapter:i.c.p.g.b.s.BigQuerySQLEngine@145] - Executing Push operation for dataset UserDetails stored in table <TABLE_ID>
  INFO  [batch-sql-engine-adapter:i.c.p.g.b.s.BigQuerySQLEngine@145] - Executing Push operation for dataset FirstNameCounts stored in table <TABLE_ID>
  INFO  [batch-sql-engine-adapter:i.c.p.g.b.s.BigQuerySQLEngine@145] - Executing Push operation for dataset UserProfile stored in table <TABLE_ID>

Conforme a execução continua, os registros mostram a conclusão dos estágios de push e, eventualmente, a execução de operações JOIN. Exemplo:

  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@133] - Completed push for dataset 'UserProfile'
  DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@133] - Completed push for dataset 'UserDetails'
  DEBUG [batch-sql-engine-adapter:i.c.p.g.b.s.BigQuerySQLEngine@235] - Executing join operation for dataset Users
  INFO  [batch-sql-engine-adapter:i.c.p.g.b.s.BigQueryJoinDataset@118] - Creating table `<TABLE_ID>` using job: <JOB_ID> with SQL statement: SELECT `UserDetails`.id AS `id` , `UserDetails`.first_name AS `first_name` , `UserDetails`.last_name AS `last_name` , `UserDetails`.email AS `email` , `UserProfile`.phone AS `phone` , `UserProfile`.profession AS `profession` , `UserProfile`.age AS `age` , `UserProfile`.address AS `address` , `UserProfile`.score AS `score` FROM `your_project.your_dataset.<DATASET_ID>` AS `UserProfile` LEFT JOIN `your_project.your_dataset.<DATASET_ID>` AS `UserDetails` ON `UserProfile`.id = `UserDetails`.id
  INFO  [batch-sql-engine-adapter:i.c.p.g.b.s.BigQueryJoinDataset@151] - Created BigQuery table `<TABLE_ID>
  INFO  [batch-sql-engine-adapter:i.c.p.g.b.s.BigQuerySQLEngine@245] - Executed join operation for dataset Users

Quando todos os estágios forem concluídos, uma mensagem vai mostrar que a operação Pull foi concluída. Isso indica que o processo de exportação do BigQuery foi acionado e os registros começarão a ser lidos no pipeline após o início desse job de exportação. Exemplo:

DEBUG [batch-sql-engine-adapter:i.c.c.e.s.b.BatchSQLEngineAdapter@196] - Completed pull for dataset 'MostPopularNames'

Se a execução do pipeline encontrar erros, eles serão descritos nos registros.

Para detalhes sobre a execução das operações JOIN do BigQuery, como utilização de recursos, tempo de execução e causas de erros, é possível conferir os dados do job do BigQuery usando o ID do job, que aparece nos registros do job.

Analisar as métricas do pipeline

Para mais informações sobre as métricas que o Cloud Data Fusion fornece para a parte do pipeline executada no BigQuery, consulte Métricas do pipeline de pushdown do BigQuery.

A seguir

Saiba mais sobre o pushdown de transformação no Cloud Data Fusion.