Configura modelli flessibili

Questa pagina documenta varie opzioni di configurazione del modello flessibile Dataflow, tra cui:

Per configurare un modello flessibile di esempio, consulta il tutorial sui modelli flessibili.

Comprendi le autorizzazioni del modello flessibile

Quando lavori con i modelli flessibili, hai bisogno di tre set di autorizzazioni:

  • Autorizzazioni per la creazione di risorse
  • Autorizzazioni per creare un modello flessibile
  • Autorizzazioni per eseguire un modello flessibile

Autorizzazioni per la creazione di risorse

Per sviluppare ed eseguire una pipeline di modello flessibile, devi creare varie risorse (ad esempio, un bucket gestione temporanea). Per attività una tantum di creazione di risorse, puoi utilizzare il ruolo Proprietario di base.

Autorizzazioni per creare un modello flessibile

In qualità di sviluppatore di un modello flessibile, devi creare il modello per renderlo disponibile agli utenti. La creazione comporta il caricamento delle specifiche di un modello in un bucket Cloud Storage e il provisioning di un'immagine Docker con il codice e le dipendenze necessari per eseguire la pipeline. Per creare un modello flessibile, devi disporre dell'accesso in lettura e scrittura a Cloud Storage e dell'accesso in scrittura ad Artifact Registry al repository Artifact Registry. Puoi concedere queste autorizzazioni assegnando i ruoli seguenti:

  • Amministratore Storage (roles/storage.admin)
  • Editor Cloud Build (roles/cloudbuild.builds.editor)
  • Writer Artifact Registry (roles/artifactregistry.writer)

Autorizzazioni per eseguire un modello flessibile

Quando esegui un modello flessibile, Dataflow crea un job per te. Per creare il job, l'account di servizio Dataflow richiede la seguente autorizzazione:

  • dataflow.serviceAgent

Quando utilizzi Dataflow per la prima volta, il servizio ti assegna questo ruolo, quindi non devi concedere questa autorizzazione.

Per impostazione predefinita, l'account di servizio Compute Engine viene utilizzato per le VM launcher e le VM worker. L'account di servizio richiede i ruoli e le competenze seguenti:

  • Amministratore oggetti Storage (roles/storage.objectAdmin)
  • Visualizzatore (roles/viewer)
  • Worker Dataflow (roles/dataflow.worker)
  • Accesso in lettura e scrittura al bucket di gestione temporanea
  • Accesso in lettura all'immagine del modello flessibile

Per concedere l'accesso in lettura e scrittura al bucket di gestione temporanea, puoi utilizzare il ruolo Amministratore oggetti Storage (roles/storage.objectAdmin). Per ulteriori informazioni, consulta Ruoli IAM per Cloud Storage.

Per concedere l'accesso in lettura all'immagine del modello flessibile, puoi utilizzare il ruolo Visualizzatore oggetti Storage (roles/storage.objectViewer). Per ulteriori informazioni, consulta Configurazione del controllo dell'accesso.

Imposta le variabili di ambiente Dockerfile richieste

Se vuoi creare il tuo Dockerfile per un job di modello flessibile, specifica le seguenti variabili di ambiente:

Java

Specifica FLEX_TEMPLATE_JAVA_MAIN_CLASS e FLEX_TEMPLATE_JAVA_CLASSPATH nel tuo Dockerfile.

ENV Descrizione Obbligatorio
FLEX_TEMPLATE_JAVA_MAIN_CLASS Specifica la classe Java da eseguire per avviare il modello flessibile. SÌ
FLEX_TEMPLATE_JAVA_CLASSPATH Specifica la posizione dei file del corso. SÌ
FLEX_TEMPLATE_JAVA_OPTIONS Specifica le opzioni Java da passare durante l'avvio del modello flessibile. NO

Python

Specifica FLEX_TEMPLATE_PYTHON_PY_FILE nel tuo Dockerfile.

Per gestire le dipendenze della pipeline, imposta variabili nel Dockerfile, ad esempio:

  • FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE
  • FLEX_TEMPLATE_PYTHON_PY_OPTIONS
  • FLEX_TEMPLATE_PYTHON_SETUP_FILE
  • FLEX_TEMPLATE_PYTHON_EXTRA_PACKAGES

Ad esempio, le seguenti variabili di ambiente sono impostate nel tutorial sullo streaming nel modello flessibile di Python in GitHub:

ENV FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE="${WORKDIR}/requirements.txt"
ENV FLEX_TEMPLATE_PYTHON_PY_FILE="${WORKDIR}/streaming_beam.py"
ENV Descrizione Obbligatorio
FLEX_TEMPLATE_PYTHON_PY_FILE Specifica il file Python da eseguire per avviare il modello flessibile. SÌ
FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE Specifica il file dei requisiti con le dipendenze della pipeline. Per maggiori informazioni, consulta le dipendenze PyPI nella documentazione di Apache Beam. NO
FLEX_TEMPLATE_PYTHON_SETUP_FILE Specifica il percorso del file del pacchetto pipeline "setup.py". Per saperne di più, consulta Dipendenze multiple da file nella documentazione di Apache Beam. NO
FLEX_TEMPLATE_PYTHON_EXTRA_PACKAGES

Specifica i pacchetti che non sono disponibili pubblicamente. Per informazioni sull'utilizzo di pacchetti aggiuntivi, consulta la pagina relativa alle dipendenze locali o non PyPI.

 NO
FLEX_TEMPLATE_PYTHON_PY_OPTIONS Specifica le opzioni Python da passare durante l'avvio del modello flessibile. NO

Dipendenze pacchetto

Quando una pipeline Python di Dataflow utilizza dipendenze aggiuntive, potrebbe essere necessario configurare il modello flessibile per installare dipendenze aggiuntive sulle VM worker Dataflow.

Quando esegui un job Dataflow in Python che utilizza modelli flessibili in un ambiente che limita l'accesso a internet, devi preconfezionare le dipendenze quando crei il modello.

Utilizza una delle seguenti opzioni per precompilare le dipendenze Python.

Per istruzioni su come gestire le dipendenze della pipeline nelle pipeline Java e Go, consulta Gestire le dipendenze della pipeline in Dataflow.

Usa un file dei requisiti e preconfeziona le dipendenze con il modello

Se utilizzi il tuo Dockerfile per definire l'immagine del modello flessibile, segui questi passaggi:

  1. Crea un file requirements.txt che elenca le dipendenze della pipeline.

    COPY requirements.txt /template/
ENV FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE="/template/requirements.txt"

  2. Installa le dipendenze nell'immagine del modello flessibile.

    RUN pip install --no-cache-dir -r $FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE

  3. Scarica le dipendenze nella cache dei requisiti locali, che viene trasferita ai worker di Dataflow all'avvio del modello.

    RUN pip download --no-cache-dir --dest /tmp/dataflow-requirements-cache -r $FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE

Di seguito è riportato un esempio di codice che pre-scarica le dipendenze.

# Copyright 2020 Google LLC
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#    http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

FROM gcr.io/dataflow-templates-base/python3-template-launcher-base

# Configure the Template to launch the pipeline with a --requirements_file option.
# See: https://beam.apache.org/documentation/sdks/python-pipeline-dependencies/#pypi-dependencies
ENV FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE="/template/requirements.txt"
ENV FLEX_TEMPLATE_PYTHON_PY_FILE="/template/streaming_beam.py"

COPY . /template

RUN apt-get update \
    # Install any apt packages if required by your template pipeline.
    && apt-get install -y libffi-dev git \
    && rm -rf /var/lib/apt/lists/* \
    # Upgrade pip and install the requirements.
    && pip install --no-cache-dir --upgrade pip \
    # Install dependencies from requirements file in the launch environment.
    && pip install --no-cache-dir -r $FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE \
    # When FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE  option is used,
    # then during Template launch Beam downloads dependencies
    # into a local requirements cache folder and stages the cache to workers.
    # To speed up Flex Template launch, pre-download the requirements cache
    # when creating the Template.
    && pip download --no-cache-dir --dest /tmp/dataflow-requirements-cache -r $FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE

# Set this if using Beam 2.37.0 or earlier SDK to speed up job submission.
ENV PIP_NO_DEPS=True

ENTRYPOINT ["/opt/google/dataflow/python_template_launcher"]

Utilizza un container personalizzato che preinstalla tutte le dipendenze

Questa opzione è preferita per le pipeline in esecuzione in ambienti senza accesso a internet.

Per utilizzare un container personalizzato:

  1. Crea un container personalizzato che preinstalla le dipendenze necessarie.

  2. Preinstalla le stesse dipendenze nel Dockerfile del modello flessibile. Non utilizzare l'opzione FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE.

    Un elemento dataflow/flex-templates/streaming_beam/Dockerfile modificato potrebbe essere simile al seguente esempio:

    FROM gcr.io/dataflow-templates-base/python3-template-launcher-base
ENV FLEX_TEMPLATE_PYTHON_PY_FILE="/template/streaming_beam.py"
COPY . /template
RUN pip install --no-cache-dir -r /template/requirements.txt

    In alternativa, per ridurre il numero di immagini da gestire, utilizza la tua immagine container personalizzata come immagine di base per il modello flessibile.

  3. Se utilizzi l'SDK Apache Beam versione 2.49.0 o precedente, aggiungi l'opzione pipeline --sdk_location=container nell'utilità di avvio della pipeline. Questa opzione indica alla pipeline di utilizzare l'SDK dal container personalizzato anziché scaricare l'SDK.

    options = PipelineOptions(beam_args, save_main_session=True, streaming=True, sdk_location="container")

  4. Imposta il parametro sdk_container_image nel comando flex-template run. Ad esempio:

    gcloud dataflow flex-template run $JOB_NAME \
   --region=$REGION \
   --template-file-gcs-location=$TEMPLATE_PATH \
   --parameters=sdk_container_image=$CUSTOM_CONTAINER_IMAGE \
   --additional-experiments=use_runner_v2

    Per ulteriori informazioni, consulta Utilizzare container personalizzati in Dataflow.

Struttura la pipeline come pacchetto

Se strutturi la pipeline come pacchetto, utilizza l'opzione FLEX_TEMPLATE_PYTHON_SETUP_FILE. Per ulteriori informazioni sulla strutturazione della pipeline come pacchetto, consulta Dipendenze file multiple nella documentazione di Apache Beam.

Se utilizzi il tuo Dockerfile per definire l'immagine del modello flessibile, installa il pacchetto nel Dockerfile.

Il Dockerfile del modello flessibile potrebbe includere quanto segue:

  COPY setup.py .
  COPY main.py .
  COPY package_name package_name

  RUN pip install -e .

  ENV FLEX_TEMPLATE_PYTHON_SETUP_FILE="${WORKDIR}/setup.py"
  ENV FLEX_TEMPLATE_PYTHON_PY_FILE="${WORKDIR}/main.py"

Se utilizzi questo metodo e un'immagine container personalizzata per preinstallare le dipendenze nell'ambiente di runtime, ti consigliamo di installare il pacchetto della pipeline nell'immagine container personalizzata al momento della sua creazione. Non specificare l'opzione FLEX_TEMPLATE_PYTHON_SETUP_FILE.

Per un esempio che segue questo approccio, consulta il tutorial Modello Flex per una pipeline con dipendenze e un'immagine container personalizzata in GitHub.

Scegli un'immagine di base

Puoi utilizzare un'immagine di base fornita da Google per pacchettizzare le immagini container dei tuoi modelli utilizzando Docker. Scegli il tag più recente dalle immagini di base dei modelli Flex. Ti consigliamo di utilizzare un tag immagine specifico anziché latest.

Specifica l'immagine di base nel seguente formato:

gcr.io/dataflow-templates-base/IMAGE_NAME:TAG

Sostituisci quanto segue:

Utilizza immagini container personalizzate

Se la tua pipeline utilizza un'immagine container personalizzata, ti consigliamo di utilizzarla come immagine di base per l'immagine Docker del modello flessibile. A tale scopo, copia il file binario dell'Avvio app del modello flessibile dall'immagine di base del modello fornita da Google sulla tua immagine personalizzata.

Un esempio di Dockerfile per un'immagine che può essere utilizzata sia come immagine container SDK personalizzata sia come modello flessibile potrebbe avere il seguente aspetto:

FROM gcr.io/dataflow-templates-base/IMAGE_NAME:TAG as template_launcher
FROM apache/beam_python3.10_sdk:2.56.0

# RUN <...Make image customizations here...>
# See: https://cloud.google.com/dataflow/docs/guides/build-container-image

# Configure the Flex Template here.
COPY --from=template_launcher /opt/google/dataflow/python_template_launcher /opt/google/dataflow/python_template_launcher
COPY my_pipeline.py /template/
ENV FLEX_TEMPLATE_PYTHON_PY_FILE="/template/my_pipeline.py"

Sostituisci quanto segue:

  • IMAGE_NAME: un'immagine di base fornita da Google. Ad esempio: python311-template-launcher-base.
  • TAG: un tag versione per l'immagine di base disponibile nel riferimento delle immagini di base di modelli Flex. Per migliorare la stabilità e la risoluzione dei problemi, evita di utilizzare latest. Limita invece a un tag di versione specifico.

Per un esempio che segue questo approccio, consulta il tutorial Flex Template per una pipeline con dipendenze e un'immagine container personalizzata.

Usa un'immagine da un registro privato

Puoi creare un'immagine modello flessibile archiviata in un registro Docker privato, se il registro privato utilizza HTTPS e ha un certificato valido.

Per utilizzare un'immagine da un registro privato, specifica il percorso dell'immagine e un nome utente e una password per il registro. Il nome utente e la password devono essere archiviati in Secret Manager. Puoi fornire il secret in uno dei seguenti formati:

  • projects/{project}/secrets/{secret}/versions/{secret_version}
  • projects/{project}/secrets/{secret}

Se utilizzi il secondo formato, poiché non specifica la versione, Dataflow utilizza la versione più recente.

Se il registry utilizza un certificato autofirmato, devi anche specificare il percorso al certificato autofirmato in Cloud Storage.

La tabella seguente descrive le opzioni di gcloud CLI che puoi utilizzare per configurare un registro privato.

Parametro Descrizione
image L'indirizzo del registry. Ad esempio: gcp.repository.example.com:9082/registry/example/image:latest.
image-repository-username-secret-id L'ID secret di Secret Manager per il nome utente per l'autenticazione nel registro privato. Ad esempio: projects/example-project/secrets/username-secret.
image-repository-password-secret-id L'ID secret di Secret Manager per la password per l'autenticazione nel registro privato. Ad esempio: projects/example-project/secrets/password-secret/versions/latest.
image-repository-cert-path L'URL completo di Cloud Storage per un certificato autofirmato per il registro privato. Questo valore è obbligatorio solo se il registro utilizza un certificato autofirmato. Ad esempio: gs://example-bucket/self-signed.crt.

Ecco un esempio di comando Google Cloud CLI che crea un modello flessibile utilizzando un'immagine in un registro privato con un certificato autofirmato.

gcloud dataflow flex-template build gs://example-bucket/custom-pipeline-private-repo.json
--sdk-language=JAVA
--image="gcp.repository.example.com:9082/registry/example/image:latest"
--image-repository-username-secret-id="projects/example-project/secrets/username-secret"
--image-repository-password-secret-id="projects/example-project/secrets/password-secret/versions/latest"
--image-repository-cert-path="gs://example-bucket/self-signed.crt"
--metadata-file=metadata.json

Per creare il tuo modello flessibile, devi sostituire i valori di esempio e potresti dover specificare opzioni diverse o aggiuntive. Per saperne di più, consulta le seguenti risorse:

Specifica le opzioni della pipeline

Per informazioni sulle opzioni della pipeline supportate direttamente dai modelli Flex, consulta Opzioni della pipeline.

Puoi anche utilizzare indirettamente qualsiasi opzione della pipeline Apache Beam. Se utilizzi un file metadata.json per il job di modello flessibile, includi nel file queste opzioni di pipeline. Questo file di metadati deve essere nel formato in TemplateMetadata.

Altrimenti, quando avvii il job del modello flessibile, passa queste opzioni della pipeline utilizzando il campo dei parametri.

API

Includi le opzioni della pipeline utilizzando il campo parameters.

gcloud

Includi le opzioni della pipeline utilizzando il flag parameters.

Quando passi i parametri di tipo List o Map, potresti dover definire parametri in un file YAML e utilizzare flags-file. Per un esempio di questo approccio, visualizza il passaggio "Crea un file con parametri..." in questa soluzione.

Quando utilizzi i modelli flessibili, puoi configurare alcune opzioni della pipeline durante l'inizializzazione, ma altre opzioni della pipeline non possono essere modificate. Se gli argomenti della riga di comando richiesti dal modello flessibile vengono sovrascritti, il job potrebbe ignorare, ignorare o ignorare le opzioni della pipeline passate dall'utilità di avvio del modello. L'avvio del job potrebbe non riuscire o potrebbe essere avviato un job che non utilizza il modello flessibile. Per ulteriori informazioni, consulta Impossibile leggere il file del job.

Durante l'inizializzazione della pipeline, non modificare le seguenti opzioni della pipeline:

Java

  • runner
  • project
  • jobName
  • templateLocation
  • region

Python

  • runner
  • project
  • job_name
  • template_location
  • region

Go

  • runner
  • project
  • job_name
  • template_location
  • region

Blocca le chiavi SSH del progetto dalle VM che utilizzano chiavi SSH basate su metadati

Puoi impedire alle VM di accettare le chiavi SSH archiviate nei metadati di progetto bloccando le chiavi SSH del progetto dalle VM. Utilizza il flag additional-experiments con l'opzione di servizio block_project_ssh_keys:

--additional-experiments=block_project_ssh_keys

Per ulteriori informazioni, consulta le opzioni di servizio Dataflow.

Metadati

Puoi estendere il modello con metadati aggiuntivi in modo che i parametri personalizzati vengano convalidati quando viene eseguito. Se vuoi creare metadati per il tuo modello, segui questi passaggi:

  1. Crea un file metadata.json utilizzando i parametri in Parametri dei metadati.

    Per visualizzare un esempio, consulta la sezione Esempio di file di metadati.

  2. Archivia il file di metadati in Cloud Storage nella stessa cartella del modello.

Parametri dei metadati

Chiave parametro Obbligatorio Descrizione del valore
name Sì Il nome del modello.
description No Un breve paragrafo di testo che descrive il modello.
streaming No Se true, questo modello supporta i flussi di dati. Il valore predefinito è false.
supportsAtLeastOnce No Se true, questo modello supporta l'elaborazione "Almeno una volta". Il valore predefinito è false. Imposta questo parametro su true se il modello è progettato per funzionare con la modalità flusso di dati "at-least-once".
supportsExactlyOnce No Se true, questo modello supporta l'elaborazione "exactly-once". Il valore predefinito è true.
defaultStreamingMode No Modalità flusso di dati predefinita, per i modelli che supportano le modalità "Almeno una volta" e "exactly-once". Utilizza uno dei seguenti valori: "AT_LEAST_ONCE", "EXACTLY_ONCE". Se non specificata, la modalità flusso di dati predefinita viene impostata "exactly-once".
parameters No Un array di parametri aggiuntivi utilizzati dal modello. Per impostazione predefinita viene utilizzato un array vuoto.
name Sì Il nome del parametro utilizzato nel modello.
label Sì Una stringa leggibile utilizzata nella console Google Cloud per etichettare il parametro.
helpText Sì Un breve paragrafo di testo che descrive il parametro.
isOptional No false se il parametro è obbligatorio e true se è facoltativo. Se non viene impostato un valore, il valore predefinito di isOptional è false. Se non includi questa chiave parametro per i metadati, questi diventano un parametro obbligatorio.
regexes No Un array di espressioni regolari POSIX-egrep in forma stringa utilizzata per convalidare il valore del parametro. Ad esempio, ["^[a-zA-Z][a-zA-Z0-9]+"] è una singola espressione regolare che verifica che il valore inizi con una lettera e poi contenga uno o più caratteri. Per impostazione predefinita viene utilizzato un array vuoto.

File di metadati di esempio

Java

{
  "name": "Streaming Beam SQL",
  "description": "An Apache Beam streaming pipeline that reads JSON encoded messages from Pub/Sub, uses Beam SQL to transform the message data, and writes the results to a BigQuery",
  "parameters": [
    {
      "name": "inputSubscription",
      "label": "Pub/Sub input subscription.",
      "helpText": "Pub/Sub subscription to read from.",
      "regexes": [
        "[a-zA-Z][-_.~+%a-zA-Z0-9]{2,}"
      ]
    },
    {
      "name": "outputTable",
      "label": "BigQuery output table",
      "helpText": "BigQuery table spec to write to, in the form 'project:dataset.table'.",
      "isOptional": true,
      "regexes": [
        "[^:]+:[^.]+[.].+"
      ]
    }
  ]
}

Python

{
  "name": "Streaming beam Python flex template",
  "description": "Streaming beam example for python flex template.",
  "parameters": [
    {
      "name": "input_subscription",
      "label": "Input PubSub subscription.",
      "helpText": "Name of the input PubSub subscription to consume from.",
      "regexes": [
        "projects/[^/]+/subscriptions/[a-zA-Z][-_.~+%a-zA-Z0-9]{2,}"
      ]
    },
    {
      "name": "output_table",
      "label": "BigQuery output table name.",
      "helpText": "Name of the BigQuery output table name.",
      "isOptional": true,
      "regexes": [
        "([^:]+:)?[^.]+[.].+"
      ]
    }
  ]
}

Puoi scaricare i file di metadati per i modelli forniti da Google dalla directory dei modelli di Dataflow.

Informazioni sulla posizione per la gestione temporanea e sulla posizione della temperatura

Google Cloud CLI fornisce le opzioni --staging-location e --temp-location quando esegui un modello flessibile. Allo stesso modo, l'API REST Dataflow fornisce i campi stagingLocation e tempLocation per FlexTemplateRuntimeEnvironment.

Per i modelli flessibili, il percorso di gestione temporanea è l'URL di Cloud Storage in cui vengono scritti i file durante il passaggio di gestione temporanea dell'avvio di un modello. Dataflow legge questi file temporanei per creare il grafico del modello. La posizione temporanea è l'URL di Cloud Storage in cui vengono scritti i file temporanei durante la fase di esecuzione.

Aggiorna un job di modello flessibile

La seguente richiesta di esempio mostra come aggiornare un job di flussi di dati di modello utilizzando il metodo projects.locations.flexTemplates.launch. Se vuoi utilizzare gcloud CLI, consulta Aggiornare una pipeline esistente.

Se vuoi aggiornare un modello classico, utilizza invece projects.locations.templates.launch.

  1. Segui i passaggi per creare un job di flussi di dati da un modello flessibile. Invia la seguente richiesta POST HTTP con i valori modificati:

    POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION/flexTemplates:launch
{
    "launchParameter": {
      "update": true
      "jobName": "JOB_NAME",
      "parameters": {
        "input_subscription": "projects/PROJECT_ID/subscriptions/SUBSCRIPTION_NAME",
        "output_table": "PROJECT_ID:DATASET.TABLE_NAME"
      },
    "containerSpecGcsPath": "STORAGE_PATH"
    },
}
    • Sostituisci PROJECT_ID con l'ID progetto.
    • Sostituisci REGION con la regione Dataflow del job che stai aggiornando.
    • Sostituisci JOB_NAME con il nome esatto del job da aggiornare.
    • Imposta parameters sull'elenco di coppie chiave/valore. I parametri elencati sono specifici per questo esempio di modello. Se utilizzi un modello personalizzato, modifica i parametri in base alle necessità. Se utilizzi il modello di esempio, sostituisci le seguenti variabili.
      • Sostituisci SUBSCRIPTION_NAME con il nome della tua sottoscrizione Pub/Sub.
      • Sostituisci DATASET con il nome del tuo set di dati BigQuery.
      • Sostituisci TABLE_NAME con il nome della tua tabella BigQuery.
    • Sostituisci STORAGE_PATH con la posizione Cloud Storage del file modello. La località deve iniziare con gs://.

  2. Utilizza il parametro environment per modificare le impostazioni dell'ambiente. Per maggiori informazioni, vedi FlexTemplateRuntimeEnvironment.

  3. (Facoltativo) Per inviare la richiesta utilizzando curl (Linux, macOS o Cloud Shell), salvala in un file JSON, quindi esegui il comando seguente:

    curl -X POST -d "@FILE_PATH" -H "Content-Type: application/json" -H "Authorization: Bearer $(gcloud auth print-access-token)"  https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION/flexTemplates:launch

    Sostituisci FILE_PATH con il percorso del file JSON che contiene il corpo della richiesta.

  4. Utilizza l'interfaccia di monitoraggio di Dataflow per verificare che sia stato creato un nuovo job con lo stesso nome. Questo job ha lo stato Aggiornato.

Limitazioni

Le seguenti limitazioni si applicano ai job dei modelli flessibili:

  • Devi utilizzare un'immagine di base fornita da Google per pacchettizzare i container utilizzando Docker. Per un elenco delle immagini applicabili, vedi Immagini di base del modello Flex.
  • Il programma che crea la pipeline deve uscire dopo la chiamata di run per consentire l'avvio della pipeline.
  • waitUntilFinish (Java) e wait_until_finish (Python) non sono supportati.

Passaggi successivi