Template Kompresi Massal File Cloud Storage

Template Kompresi Massal File Cloud Storage adalah pipeline batch yang mengompresi file di Cloud Storage ke lokasi tertentu. Template ini bermanfaat ketika Anda perlu mengompresi kumpulan file dalam jumlah besar sebagai bagian dari proses pengarsipan berkala. Mode kompresi yang didukung adalah: BZIP2, DEFLATE, GZIP. Nama file yang disimpan di lokasi tujuan akan mengikuti skema penamaan nama file asli, diikuti dengan ekstensi mode kompresi. Ekstensi yang ditambahkan akan menjadi salah satu dari: .bzip2, .deflate, .gz.

Semua error yang terjadi selama proses kompresi akan tersimpan di file kegagalan dalam format CSV berisi nama file, pesan error. Jika tidak terjadi kegagalan saat menjalankan pipeline, file error tetap akan dibuat, tetapi tidak berisi data error.

Persyaratan pipeline

  • Kompresi harus dalam salah satu format berikut: BZIP2, DEFLATE, GZIP.
  • Sebelum menjalankan pipeline, direktori output harus sudah dibuat.

Parameter template

Parameter yang diperlukan

  • inputFilePattern: Lokasi Cloud Storage dari file yang ingin Anda proses. Contoh, gs://your-bucket/your-files/*.txt.
  • outputDirectory: Awalan jalur dan nama file untuk menulis file output. Harus diakhiri dengan garis miring. Pemformatan DateTime digunakan untuk mengurai jalur direktori untuk pemformat tanggal & waktu. Contoh, gs://your-bucket/your-path.
  • outputFailureFile: File output log error yang akan digunakan untuk kegagalan penulisan yang terjadi selama kompresi. Kontennya akan berupa satu baris untuk setiap file yang gagal dikompresi. Perhatikan bahwa parameter ini akan memungkinkan pipeline untuk terus memproses jika terjadi kegagalan. Contoh, gs://your-bucket/compressed/failed.csv.
  • compression: Algoritma kompresi yang digunakan untuk mengompresi file yang cocok. Algoritma yang valid: BZIP2, DEFLATE, GZIP.

Parameter opsional

  • outputFilenameSuffix: Suffix nama file output dari file yang akan ditulis. Secara default adalah .bzip2, .deflate, atau .gz, bergantung pada algoritma kompresi.

Menjalankan template

Konsol

  1. Buka halaman Dataflow Create job from template.
  2. Buka Membuat tugas dari template
  3. Di kolom Nama tugas, masukkan nama tugas yang unik.
  4. Opsional: Untuk Endpoint regional, pilih nilai dari menu drop-down. Region default-nya adalah us-central1.

    Untuk mengetahui daftar region tempat Anda dapat menjalankan tugas Dataflow, lihat Lokasi Dataflow.

  5. Dari menu drop-down Template Dataflow, pilih the Bulk Compress Files on Cloud Storage template.
  6. Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
  7. Klik Run job.

gcloud

Di shell atau terminal Anda, jalankan template:

gcloud dataflow jobs run JOB_NAME \
    --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/Bulk_Compress_GCS_Files \
    --region REGION_NAME \
    --parameters \
inputFilePattern=gs://BUCKET_NAME/uncompressed/*.txt,\
outputDirectory=gs://BUCKET_NAME/compressed,\
outputFailureFile=gs://BUCKET_NAME/failed/failure.csv,\
compression=COMPRESSION

Ganti kode berikut:

  • JOB_NAME: nama tugas unik pilihan Anda
  • REGION_NAME: region tempat Anda ingin men-deploy tugas Dataflow—misalnya, us-central1
  • VERSION: versi template yang ingin Anda gunakan

    Anda dapat menggunakan nilai berikut:

  • BUCKET_NAME: nama bucket Cloud Storage Anda
  • COMPRESSION: algoritma kompresi pilihan Anda

API

Untuk menjalankan template menggunakan REST API, kirim permintaan HTTP POST. Untuk mengetahui informasi selengkapnya tentang API dan cakupan otorisasinya, lihat projects.templates.launch.

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/Bulk_Compress_GCS_Files
{
   "jobName": "JOB_NAME",
   "parameters": {
       "inputFilePattern": "gs://BUCKET_NAME/uncompressed/*.txt",
       "outputDirectory": ";gs://BUCKET_NAME/compressed",
       "outputFailureFile": "gs://BUCKET_NAME/failed/failure.csv",
       "compression": "COMPRESSION"
   },
   "environment": { "zone": "us-central1-f" }
}

Ganti kode berikut:

  • PROJECT_ID: ID Google Cloud project tempat Anda ingin menjalankan tugas Dataflow
  • JOB_NAME: nama tugas unik pilihan Anda
  • LOCATION: region tempat Anda ingin men-deploy tugas Dataflow—misalnya, us-central1
  • VERSION: versi template yang ingin Anda gunakan

    Anda dapat menggunakan nilai berikut:

  • BUCKET_NAME: nama bucket Cloud Storage Anda
  • COMPRESSION: algoritma kompresi pilihan Anda

Langkah berikutnya