Menjelajahi silsilah data menggunakan metadata

---

Tutorial ini menunjukkan cara menggunakan Cloud Data Fusion untuk mempelajari silsilah data: asal data dan perpindahannya dari waktu ke waktu.

Linieritas data Cloud Data Fusion

Anda dapat menggunakan silsilah data Cloud Data Fusion untuk melakukan hal berikut:

• Mendeteksi akar penyebab peristiwa data buruk.

• Lakukan analisis dampak sebelum melakukan perubahan data.

Sebaiknya gunakan integrasi silsilah aset di Dataplex Universal Catalog. Untuk mengetahui informasi selengkapnya, lihat Melihat silsilah di Dataplex Universal Catalog.

Anda juga dapat melihat silsilah di tingkat set data dan kolom di Cloud Data Fusion Studio menggunakan opsi Metadata, yang menampilkan silsilah untuk rentang waktu yang dipilih.

• Silsilah tingkat set data menunjukkan hubungan antara set data dan pipeline.

• Silsilah tingkat kolom menampilkan operasi yang dilakukan pada sekumpulan kolom dalam set data sumber untuk menghasilkan sekumpulan kolom yang berbeda dalam set data target.

Mulai dari Cloud Data Fusion 6.9.2.4 dan seterusnya, jika Anda tidak melacak silsilah di Cloud Data Fusion, sebaiknya nonaktifkan emisi silsilah tingkat kolom di instance Anda menggunakan metode patch:

curl -X PATCH -H 'Content-Type: application/json' -H "Authorization: Bearer
$(gcloud auth print-access-token)"
'https://datafusion.googleapis.com/v1beta1/projects/PROJECT_ID/locations/REGION/instances/INSTANCE_ID?updateMask=options'
-d '{ "options": { "metadata.messaging.field.lineage.emission.enabled": "false" } }'

Ganti kode berikut:

• PROJECT_ID: Google Cloud project ID
• REGION: lokasi Google Cloud project
• INSTANCE_ID: ID instance Cloud Data Fusion

Skenario Tutorial

Dalam tutorial ini, Anda akan bekerja dengan dua pipeline:

• Pipeline Shipment Data Cleansing membaca data pengiriman mentah dari set data sampel kecil dan menerapkan transformasi untuk membersihkan data.

• Pipeline Delayed Shipments USA kemudian membaca data pengiriman yang telah dibersihkan, menganalisisnya, dan menemukan pengiriman di Amerika Serikat yang tertunda lebih dari nilai minimum.

Pipeline tutorial ini menunjukkan skenario umum saat data mentah dibersihkan, lalu dikirim untuk diproses lebih lanjut. Jalur data ini dari data mentah hingga data pengiriman yang telah dibersihkan hingga output analisis dapat dijelajahi menggunakan fitur silsilah Cloud Data Fusion.

Tujuan

• Menghasilkan silsilah dengan menjalankan contoh pipeline
• Menjelajahi silsilah tingkat set data dan kolom
• Pelajari cara meneruskan informasi handshake dari pipeline upstream ke pipeline downstream

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Google Cloudyang dapat ditagih berikut:

• Cloud Data Fusion
• Cloud Storage
• BigQuery

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga.

Pengguna Google Cloud baru mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Sebelum memulai

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

1. Enable the Cloud Data Fusion, Cloud Storage, Dataproc, and BigQuery APIs.

   Enable the APIs

2. Buat instance Cloud Data Fusion.
3. Klik link berikut untuk mendownload contoh set data kecil ini ke komputer lokal Anda:
   • Pembersihan Data Pengiriman
   • Pengiriman Tertunda di Amerika Serikat

Membuka UI Cloud Data Fusion

Saat menggunakan Cloud Data Fusion, Anda menggunakan konsol Google Cloud dan UI Cloud Data Fusion yang terpisah. Di konsol Google Cloud , Anda dapat membuat project konsol Google Cloud , serta membuat dan menghapus instance Cloud Data Fusion. Di UI Cloud Data Fusion, Anda dapat menggunakan berbagai halaman, seperti Silsilah, untuk mengakses fitur Cloud Data Fusion.

1. Di konsol Google Cloud , buka halaman Instances.

   Buka halaman Instances

2. Di kolom Tindakan untuk instance, klik link Lihat Instance. UI Cloud Data Fusion akan terbuka di tab browser baru.

3. Di panel Integrate, klik Studio untuk membuka halaman Studio Cloud Data Fusion.

   

Men-deploy dan menjalankan pipeline

1. Impor Data Pengiriman mentah. Di halaman Studio, klik Import atau klik + > Pipeline > Import, lalu pilih dan impor pipeline Pembersihan Data Pengiriman yang Anda download di Sebelum memulai.

   

   Jika dialog meminta Anda mengupgrade plugin pipeline, klik Perbaiki Semua untuk mengupgrade plugin ke versi terbaru.

2. Deploy pipeline. Klik Deploy di kanan atas halaman Studio. Setelah deployment, halaman Pipeline akan terbuka.

3. Jalankan pipeline. Klik Run di bagian tengah atas halaman Pipeline.

4. Impor, deploy, dan jalankan data dan pipeline Pengiriman Tertunda. Setelah status Pembersihan Data Pengiriman menunjukkan Berhasil, terapkan langkah-langkah sebelumnya ke data Pengiriman Tertunda Amerika Serikat yang Anda download di Sebelum Anda Memulai. Kembali ke halaman Studio untuk mengimpor data, lalu deploy dan jalankan pipeline kedua ini dari halaman Pipeline. Setelah pipeline kedua berhasil diselesaikan, lanjutkan dengan langkah-langkah yang tersisa.

Menemukan set data

Anda harus menemukan set data sebelum menjelajahi asal-usulnya. Pilih Metadata dari panel navigasi kiri UI Cloud Data Fusion untuk membuka halaman Penelusuran metadata. Karena set data Pembersihan Data Pengiriman menentukan Cleaned-Shipments sebagai set data referensi, masukkan shipment di kotak Penelusuran. Hasil penelusuran mencakup set data ini.

Menggunakan tag untuk menemukan set data

Penelusuran Metadata menemukan set data yang telah digunakan, diproses, atau dibuat oleh pipeline Cloud Data Fusion. Pipeline dijalankan pada framework terstruktur yang menghasilkan dan mengumpulkan metadata teknis dan operasional. Metadata teknis mencakup nama, jenis, skema, kolom, waktu pembuatan, dan informasi pemrosesan set data. Informasi teknis ini digunakan oleh fitur silsilah dan penelusuran metadata Cloud Data Fusion.

Meskipun Reference Name sumber dan tujuan adalah ID set data yang unik dan istilah penelusuran yang sangat baik, Anda dapat menggunakan metadata teknis lainnya sebagai kriteria penelusuran, seperti deskripsi set data, skema, nama kolom, atau awalan metadata.

Cloud Data Fusion juga mendukung anotasi set data dengan metadata bisnis, seperti tag dan properti nilai kunci, yang dapat digunakan sebagai kriteria penelusuran. Misalnya, untuk menambahkan dan menelusuri anotasi tag bisnis pada set data Data Pengiriman Mentah:

1. Klik tombol Properties pada node Raw Shipping Data di halaman Pipeline Pembersihan Data Pengiriman untuk membuka halaman Cloud Storage Properties.

2. Klik Lihat Metadata untuk membuka halaman Penelusuran.

3. Di bagian Tag Bisnis, klik +, lalu masukkan nama tag (karakter alfanumerik dan garis bawah diizinkan) dan tekan Enter.

   

   Anda dapat melakukan penelusuran pada tag dengan mengklik nama tag atau dengan memasukkan tags:tag_name di kotak penelusuran di halaman penelusuran Metadata.

Menjelajahi silsilah

Silsilah tingkat set data

Klik nama set data Cleaned-Shipments yang tercantum di halaman Penelusuran (dari Temukan set data), lalu klik tab Silsilah. Grafik silsilah menunjukkan bahwa set data ini dihasilkan oleh pipeline Shipments-Data-Cleansing, yang telah menggunakan set data Raw_Shipping_Data.

Panah kiri dan kanan memungkinkan Anda kembali dan maju melalui silsilah set data sebelumnya atau berikutnya. Dalam contoh ini, grafik menampilkan silsilah lengkap untuk set data Pengiriman yang Sudah Dibersihkan.

Urutan tingkat kolom

Silsilah tingkat kolom Cloud Data Fusion menunjukkan hubungan antara kolom set data dan transformasi yang dilakukan pada sekumpulan kolom untuk menghasilkan sekumpulan kolom yang berbeda. Seperti urutan tingkat set data, urutan tingkat kolom terikat waktu, dan hasilnya berubah seiring waktu.

Melanjutkan dari langkah Urutan tingkat set data, klik tombol Urutan Tingkat Kolom di kanan atas grafik urutan tingkat set data Pengiriman yang Sudah Dibersihkan untuk menampilkan grafik urutan tingkat kolomnya.

Grafik silsilah tingkat kolom menampilkan koneksi antar-kolom. Anda dapat memilih kolom untuk melihat asal-usulnya. Pilih Lihat > Sematkan kolom untuk melihat silsilah kolom tersebut saja.

Pilih Lihat > Lihat dampak untuk melakukan analisis dampak.

Link penyebab dan dampak menampilkan transformasi yang dilakukan di kedua sisi kolom dalam format buku besar yang mudah dibaca. Informasi ini dapat menjadi sangat penting untuk pelaporan dan tata kelola.

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Setelah menyelesaikan tutorial, bersihkan resource yang Anda buat di Google Cloud agar resource tersebut tidak menghabiskan kuota dan Anda tidak akan ditagih di masa mendatang. Bagian berikut menjelaskan cara menghapus atau menonaktifkan resource ini.

Menghapus set data tutorial

Tutorial ini membuat set data logistics_demo dengan beberapa tabel dalam project Anda.

Anda dapat menghapus set data dari UI Web BigQuery di konsol Google Cloud .

Menghapus instance Cloud Data Fusion

Ikuti petunjuk untuk menghapus instance Cloud Data Fusion Anda.

Menghapus project

Cara termudah untuk menghilangkan penagihan adalah dengan menghapus project yang Anda buat untuk tutorial.

Untuk menghapus project:

Perhatian: Menghapus project memiliki efek berikut:

• Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
• Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

Langkah berikutnya

• Baca panduan cara kerja
• Pelajari tutorial lainnya