Wiederverwendbare Pipeline entwerfen und erstellen

---

In dieser Anleitung wird gezeigt, wie Sie eine wiederverwendbare Pipeline erstellen, die Daten aus Cloud Storage liest, Qualitätsprüfungen durchführt und in Cloud Storage schreibt.

Wiederverwendbare Pipelines haben eine reguläre Pipelinestruktur. Sie können jedoch die Konfiguration für jeden Pipelineknoten entsprechend den von einem HTTP-Server bereitgestellten Konfigurationen ändern. Beispielsweise kann eine statische Pipeline Daten aus Cloud Storage lesen, Transformationen anwenden und in eine BigQuery-Ausgabetabelle schreiben. Wenn Sie die Transformation und die BigQuery-Ausgabetabelle basierend auf der Cloud Storage-Datei, die die Pipeline liest, ändern möchten, erstellen Sie eine wiederverwendbare Pipeline.

Lernziele

• Verwenden Sie das Cloud Storage Argument Setter-Plug-in, damit die Pipeline bei jeder Ausführung andere Eingaben lesen kann.
• Verwenden Sie das Cloud Storage Argument Setter-Plug-in, damit die Pipeline bei jeder Ausführung verschiedene Qualitätsprüfungen vornehmen kann.
• Schreiben Sie die Ausgabedaten jeder Ausführung in Cloud Storage.

Kosten

In diesem Dokument verwenden Sie die folgenden kostenpflichtigen Komponenten von Google Cloud:

• Cloud Data Fusion
• Cloud Storage

Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen. Neuen Google Cloud-Nutzern steht möglicherweise eine kostenlose Testversion zur Verfügung.

Hinweis

1. 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.

2. 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

3. Make sure that billing is enabled for your Google Cloud project.

4. 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

5. Make sure that billing is enabled for your Google Cloud project.

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

   Enable the APIs

7. Erstellen Sie eine Cloud Data Fusion-Instanz.

Cloud Data Fusion-Weboberfläche aufrufen

Bei Verwendung von Cloud Data Fusion verwenden Sie sowohl die Google Cloud Console als auch die separate Weboberfläche von Cloud Data Fusion. In der Google Cloud Console können Sie ein Google Cloud Console-Projekt erstellen sowie Cloud Data Fusion-Instanzen erstellen und löschen. In der Weboberfläche von Cloud Data Fusion können Sie die verschiedenen Seiten wie Pipeline Studio oder Wrangler nutzen, um die Funktionen von Cloud Data Fusion zu nutzen.

1. Öffnen Sie in der Google Cloud Console die Seite Instanzen.

   Zur Seite "Instanzen"

2. Klicken Sie in der Spalte Aktionen für die Instanz auf den Link Instanz aufrufen. Die Cloud Data Fusion-Weboberfläche wird in einem neuen Browsertab geöffnet.

Cloud Storage Argument Setter-Plug-in bereitstellen

1. Rufen Sie in der Cloud Data Fusion-Weboberfläche die Seite Studio auf.

2. Klicken Sie im Menü Aktionen auf GCS-Argument-Setter.

Aus Cloud Storage lesen

1. Rufen Sie in der Cloud Data Fusion-Weboberfläche die Seite Studio auf.
2. Klicken Sie auf Quelle und wählen Sie „Cloud Storage“ aus. Der Knoten für eine Cloud Storage-Quelle wird in der Pipeline angezeigt.

3. Klicken Sie auf dem Cloud Storage-Knoten auf Eigenschaften.

   

4. Geben Sie im Feld Referenzname einen Namen ein.

5. Geben Sie im Feld Pfad ${input.path} ein. Dieses Makro steuert, was der Cloud Storage-Eingabepfad in den verschiedenen Pipelineausführungen sein wird.

6. Entfernen Sie im rechten Bereich „Ausgabeschema“ das Feld offset aus dem Ausgabeschema, indem Sie in der Zeile mit dem Offset-Feld auf das Papierkorbsymbol klicken.

   

7. Klicken Sie auf Validieren und beheben Sie alle Fehler.

8. Klicken Sie auf , um das Dialogfeld Properties (Eigenschaften) zu schließen.

Daten transformieren

1. Rufen Sie in der Cloud Data Fusion-Weboberfläche auf der Seite Studio Ihre Datenpipeline auf.
2. Wählen Sie im Drop-down-Menü Transformieren  die Option Wrangler aus.
3. Ziehen Sie im Pipeline Studio-Canvas einen Pfeil vom Cloud Storage-Knoten zum Wrangler-Knoten.

   

4. Klicken Sie in Ihrer Pipeline auf den Wrangler-Knoten und dann auf Attribute.
5. Geben Sie in das Feld Name des Eingabefelds body ein.
6. Geben Sie im Feld Schema den Wert ${directives} ein. Dieses Makro steuert, was die Transformationslogik in den verschiedenen Pipelineausführungen sein wird.

   

7. Klicken Sie auf Validieren und beheben Sie alle Fehler.
8. Klicken Sie auf , um das Dialogfeld Properties (Eigenschaften) zu schließen.

In Cloud Storage schreiben

1. Rufen Sie in der Cloud Data Fusion-Weboberfläche auf der Seite Studio Ihre Datenpipeline auf.
2. Wählen Sie im Drop-down-Menü Sink  die Option „Cloud Storage“ aus.
3. Ziehen Sie im Pipeline Studio-Canvas einen Pfeil vom Wrangler-Knoten zum Cloud Storage-Knoten, den Sie gerade hinzugefügt haben.

   

4. Klicken Sie in Ihrer Pipeline auf den Cloud Storage-Senkenknoten und dann auf Attribute.
5. Geben Sie im Feld Referenzname einen Namen ein.
6. Geben Sie im Feld Pfad den Pfad eines Cloud Storage-Buckets in Ihrem Projekt ein, in den die Pipeline die Ausgabedateien schreiben kann. Wenn Sie keinen Cloud Storage-Bucket haben, erstellen Sie einen.

   

7. Klicken Sie auf Validieren und beheben Sie alle Fehler.
8. Klicken Sie auf , um das Dialogfeld Properties (Eigenschaften) zu schließen.

Die Makroargumente festlegen

1. Rufen Sie in der Cloud Data Fusion-Weboberfläche auf der Seite Studio Ihre Datenpipeline auf.
2. Klicken Sie im Drop-down-Menü Bedingungen und Aktionen auf GCS-Argument-Setter.
3. Ziehen Sie im Pipeline Studio-Canvas einen Pfeil vom Knoten „Cloud Storage Argument Setter“ zum Knoten source von Cloud Storage.

   

4. Klicken Sie in Ihrer Pipeline auf den Knoten „Cloud Storage Argument Setter“ und dann auf Attribute.

5. Geben Sie im Feld URL Folgendes ein:

   gs://reusable-pipeline-tutorial/args.json
   

   Die URL entspricht einem öffentlich zugänglichen Objekt in Cloud Storage, das die folgenden Inhalte enthält:

   {
     "arguments" : [
       {
         "name": "input.path",
         "value": "gs://reusable-pipeline-tutorial/user-emails.txt"
       },
       {
         "name": "directives",
         "value": "send-to-error !dq:isEmail(body)"
       }
     ]
   }
   

   Das erste der beiden Argumente ist der Wert für input.path. Der Pfad gs://reusable-pipeline-tutorial/user-emails.txt ist ein öffentlich zugängliches Objekt in Cloud Storage, das die folgenden Testdaten enthält:

   [e-mail]
   [e-mail]
   craig@[e-mail]
   

   Das zweite Argument ist der Wert für directives. Mit dem Wert send-to-error !dq:isEmail(body) wird Wrangler so konfiguriert, dass alle Zeilen herausgefiltert werden, die keine gültige E-Mail-Adresse sind. Beispiel: craig@[e-mail] wird herausgefiltert.

6. Klicken Sie auf Validieren, um sicherzustellen, dass keine Fehler vorliegen.

7. Klicken Sie auf , um das Dialogfeld Properties (Eigenschaften) zu schließen.

Ihre Pipeline bereitstellen und ausführen

1. Klicken Sie in der oberen Leiste der Seite Pipeline Studio auf Pipeline benennen. Benennen Sie die Pipeline und klicken Sie auf Speichern.

2. Klicken Sie auf Bereitstellen.

3. Klicken Sie auf das Drop-down-Menü neben Ausführen, um die Laufzeitargumente zu öffnen und die Argumente input.path und directives des Makros (Laufzeit) aufzurufen.

   Lassen Sie die Wertfelder leer, um Cloud Data Fusion zu informieren, dass der Cloud Storage Argument Setter-Knoten in der Pipeline die Werte dieser Argumente während der Laufzeit festlegt.

   

4. Klicken Sie auf Ausführen.

Bereinigen

Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.

Bereinigen Sie nach Abschluss der Anleitung die inGoogle Cloud erstellten Ressourcen, damit sie keine kostenpflichtigen Kontingente verbrauchen. In den folgenden Abschnitten erfahren Sie, wie Sie diese Ressourcen löschen oder deaktivieren.

Löschen Sie die Cloud Data Fusion-Instanz.

Folgen Sie der Anleitung zum Löschen Ihrer Cloud Data Fusion-Instanz.

Projekt löschen

Am einfachsten vermeiden Sie weitere Kosten durch Löschen des für die Anleitung erstellten Projekts.

So löschen Sie das Projekt:

Achtung: Das Löschen von Projekten hat folgende Auswirkungen:

• Alle Inhalte des Projekts werden gelöscht. Wenn Sie für die Aufgaben in diesem Dokument ein bereits bestehendes Projekt verwendet haben und dieses löschen, werden auch alle anderen im Rahmen des Projekts erstellten Daten gelöscht.
• Benutzerdefinierte Projekt-IDs gehen verloren. Beim Erstellen dieses Projekts haben Sie möglicherweise eine benutzerdefinierte Projekt-ID erstellt, die Sie weiterhin verwenden möchten. Damit die URLs, die die Projekt-ID nutzen, z. B. eine appspot.com-URL, erhalten bleiben, sollten Sie ausgewählte Ressourcen innerhalb des Projekts löschen, statt das gesamte Projekt.

Wenn Sie mehrere Architekturen, Anleitungen und Kurzanleitungen durcharbeiten möchten, können Sie die Überschreitung von Projektkontingenten verhindern, indem Sie Projekte wiederverwenden.

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.

Nächste Schritte

• Anleitungen lesen
• Weitere Anleitung durcharbeiten