Vorlage „Bulk-Komprimierung von Cloud Storage-Dateien“

Die Vorlage "Bulk-Komprimierung von Cloud Storage-Dateien" ist eine Batchpipeline, die Dateien in Cloud Storage an einem festgelegten Speicherort komprimiert. Diese Vorlage kann nützlich sein, wenn Sie große Dateistapel im Rahmen eines periodischen Archivierungsvorgangs komprimieren müssen. Die folgenden Komprimierungsmodi werden unterstützt: BZIP2, DEFLATE, GZIP. Dateien, die an den Zielort ausgegeben werden, folgen dem Namensschema des ursprünglichen Dateinamens, an den die Erweiterung des Komprimierungsmodus angehängt wird. Mögliche Erweiterungen sind: .bzip2, .deflate, .gz.

Alle Fehler, die während des Komprimierungsvorgangs auftreten, werden in der Fehlerdatei im CSV-Format (Dateiname, Fehlermeldung) ausgegeben. Die Fehlerdatei wird auch dann erstellt, wenn während der Ausführung der Pipeline keine Fehler auftreten. Sie enthält dann jedoch keine Fehlerdatensätze.

Pipelineanforderungen

  • Die Komprimierung muss in einem der folgenden Formate erfolgen: BZIP2, DEFLATE oder GZIP.
  • Das Ausgabeverzeichnis muss vorhanden sein, damit Sie die Pipeline verwenden können.

Vorlagenparameter

Parameter Beschreibung
inputFilePattern Das Muster der Eingabedatei, aus der gelesen werden soll. z. B. gs://bucket-name/uncompressed/*.txt.
outputDirectory Der Ausgabeort, in den geschrieben werden soll, z. B. gs://bucket-name/compressed/.
outputFailureFile Die Ausgabedatei des Fehlerlogs für Schreibfehler, die während der Komprimierung auftreten. Beispiel: gs://bucket-name/compressed/failed.csv Wenn keine Fehler auftreten, wird die Datei zwar erstellt, bleibt aber leer. Der Dateiinhalt liegt im CSV-Format (Dateiname, Fehler) vor und besteht aus einer Zeile pro Datei, bei der die Komprimierung fehlschlägt.
compression Der Komprimierungsalgorithmus, der zur Komprimierung der übereinstimmenden Dateien verwendet wird. Es muss sich um einen dieser Algorithmen handeln: BZIP2, DEFLATE oder GZIP.

Führen Sie die Vorlage aus.

Console

  1. Rufen Sie die Dataflow-Seite Job aus Vorlage erstellen auf.
  2. Zur Seite "Job aus Vorlage erstellen“
  3. Geben Sie im Feld Jobname einen eindeutigen Jobnamen ein.
  4. Optional: Wählen Sie für Regionaler Endpunkt einen Wert aus dem Drop-down-Menü aus. Die Standardregion ist us-central1.

    Eine Liste der Regionen, in denen Sie einen Dataflow-Job ausführen können, finden Sie unter Dataflow-Standorte.

  5. Wählen Sie im Drop-down-Menü Dataflow-Vorlage die Option the Bulk Compress Files on Cloud Storage template aus.
  6. Geben Sie Ihre Parameterwerte in die Parameterfelder ein.
  7. Klicken Sie auf Job ausführen.

gcloud

Führen Sie die Vorlage in der Shell oder im Terminal aus:

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

Dabei gilt:

  • JOB_NAME: ein eindeutiger Jobname Ihrer Wahl
  • REGION_NAME: die Region, in der Sie Ihren Dataflow-Job bereitstellen möchten, z. B. us-central1
  • VERSION: Die Version der Vorlage, die Sie verwenden möchten

    Sie können die folgenden Werte verwenden:

    • latest zur Verwendung der neuesten Version der Vorlage, die im nicht datierten übergeordneten Ordner im Bucket verfügbar ist: gs://dataflow-templates-REGION_NAME/latest/
    • Den Versionsnamen wie 2023-09-12-00_RC00, um eine bestimmte Version der Vorlage zu verwenden. Diese ist verschachtelt im jeweiligen datierten übergeordneten Ordner im Bucket enthalten: gs://dataflow-templates-REGION_NAME/.
  • BUCKET_NAME: der Name Ihres Cloud Storage-Buckets
  • COMPRESSION: der ausgewählte Komprimierungsalgorithmus

API

Senden Sie eine HTTP-POST-Anfrage, um die Vorlage mithilfe der REST API auszuführen. Weitere Informationen zur API und ihren Autorisierungsbereichen finden Sie unter 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" }
}

Dabei gilt:

  • PROJECT_ID: die ID des Google Cloud-Projekts, in dem Sie den Dataflow-Job ausführen möchten
  • JOB_NAME: ein eindeutiger Jobname Ihrer Wahl
  • LOCATION: die Region, in der Sie Ihren Dataflow-Job bereitstellen möchten, z. B. us-central1
  • VERSION: Die Version der Vorlage, die Sie verwenden möchten

    Sie können die folgenden Werte verwenden:

    • latest zur Verwendung der neuesten Version der Vorlage, die im nicht datierten übergeordneten Ordner im Bucket verfügbar ist: gs://dataflow-templates-REGION_NAME/latest/
    • Den Versionsnamen wie 2023-09-12-00_RC00, um eine bestimmte Version der Vorlage zu verwenden. Diese ist verschachtelt im jeweiligen datierten übergeordneten Ordner im Bucket enthalten: gs://dataflow-templates-REGION_NAME/.
  • BUCKET_NAME: der Name Ihres Cloud Storage-Buckets
  • COMPRESSION: der ausgewählte Komprimierungsalgorithmus

Nächste Schritte