Template Dekompresi Massal File Cloud Storage

Template Dekompresi Massal File Cloud Storage adalah pipeline batch yang mendekompresi file di Cloud Storage ke lokasi yang ditentukan. Fungsi ini berguna saat Anda ingin menggunakan data terkompresi guna meminimalkan biaya bandwidth jaringan selama migrasi, tetapi ingin memaksimalkan kecepatan pemrosesan analisis dengan mengoperasikan data yang tidak terkompresi setelah migrasi. Pipeline secara otomatis menangani beberapa mode kompresi selama sekali operasi dan menentukan mode dekompresi yang akan digunakan berdasarkan ekstensi file (.bzip2, .deflate, .gz, .zip).

Persyaratan pipeline

  • File yang akan didekompresi harus dalam salah satu format berikut: Bzip2, Deflate, Gzip, Zip.
  • Direktori output harus sudah ada sebelum menjalankan pipeline.

Parameter template

Parameter Deskripsi
inputFilePattern Pola file input yang akan dibaca. Misalnya, gs://bucket-name/compressed/*.gz.
outputDirectory Lokasi output yang akan ditulisi. Misalnya, gs://bucket-name/decompressed.
outputFailureFile File output log error yang akan digunakan untuk kegagalan operasi tulis yang terjadi selama proses dekompresi. Misalnya, gs://bucket-name/decompressed/failed.csv. Jika tidak ada kegagalan, file tetap akan dibuat, tetapi akan kosong. Konten file dalam format CSV (Nama File, Error) dan terdiri dari satu baris untuk setiap file yang gagal didekompresi.

Menjalankan template

Konsol

  1. Buka halaman Create job from template Dataflow.
  2. Buka Buat 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 defaultnya adalah us-central1.

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

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

gcloud

Di shell atau terminal, jalankan template:

gcloud dataflow jobs run JOB_NAME \
    --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/Bulk_Decompress_GCS_Files \
    --region REGION_NAME \
    --parameters \
inputFilePattern=gs://BUCKET_NAME/compressed/*.gz,\
outputDirectory=gs://BUCKET_NAME/decompressed,\
outputFailureFile=OUTPUT_FAILURE_FILE_PATH

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
  • OUTPUT_FAILURE_FILE_PATH: pilihan jalur Anda ke file yang berisi informasi kegagalan

API

Untuk menjalankan template menggunakan REST API, kirim permintaan POST HTTP. 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_Decompress_GCS_Files
{
   "jobName": "JOB_NAME",
   "parameters": {
       "inputFilePattern": "gs://BUCKET_NAME/compressed/*.gz",
       "outputDirectory": "gs://BUCKET_NAME/decompressed",
       "outputFailureFile": "OUTPUT_FAILURE_FILE_PATH"
   },
   "environment": { "zone": "us-central1-f" }
}

Ganti kode berikut:

  • PROJECT_ID: ID project Google Cloud 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
  • OUTPUT_FAILURE_FILE_PATH: pilihan jalur Anda ke file yang berisi informasi kegagalan

Langkah selanjutnya