Vorlage „Bigtable-Änderungsstreams zu BigQuery“

Die Vorlage „Bigtable-Änderungsstreams zu BigQuery“ ist eine Streamingpipeline, die Bigtable-Datenänderungseinträge streamt und mithilfe von Dataflow in BigQuery-Tabellen schreibt.

Mit einem Bigtable-Änderungsstream können Sie Datenmutationen auf Tabellenbasis abonnieren. Wenn Sie Änderungsstreams für Tabellen abonnieren, gelten die folgenden Einschränkungen:

  • Es werden nur geänderte Zellen und Deskriptoren von Löschvorgängen zurückgegeben.
  • Es wird nur der neue Wert einer geänderten Zelle zurückgegeben.

Wenn Datensätze zur Datenänderung in BigQuery geschrieben werden, könnten Zeilen im Vergleich zur ursprünglichen Reihenfolge des Bigtable-Commits in der falschen Reihenfolge eingefügt werden.

Änderungslogtabellenzeilen, die aufgrund eines persistenten Fehlers nicht in BigQuery geschrieben werden können, werden für eine manuelle Überprüfung oder weitere Verarbeitung durch den Nutzer dauerhaft in einem Warteschlangenverzeichnis für unzustellbare Nachrichten (Warteschlange für unverarbeitete Nachrichten) in Cloud Storage abgelegt.

Wenn die erforderliche BigQuery-Tabelle nicht vorhanden ist, wird sie von der Pipeline erstellt. Andernfalls wird eine vorhandene BigQuery-Tabelle verwendet. Das Schema vorhandener BigQuery-Tabellen muss die Spalten in der folgenden Tabelle enthalten.

Jede neue BigQuery-Zeile enthält einen Datenänderungseintrag, der vom Änderungsstream aus der entsprechenden Zeile in Ihrer Bigtable-Tabelle zurückgegeben wird.

BigQuery-Ausgabetabellenschema

Spaltenname Typ Nullwerte zulässig Beschreibung
row_key STRING oder BYTES Nein Der Zeilenschlüssel der geänderten Zeile. Wenn die Pipelineoption writeRowkeyAsBytes auf true festgelegt ist, muss der Typ der Spalte BYTES sein. Andernfalls verwenden Sie den Typ STRING.
mod_type STRING Nein Der Typ der Zeilenmutation. Verwenden Sie einen der folgenden Werte: SET_CELL, DELETE_CELLS oder DELETE_FAMILY.
column_family STRING Nein Die von der Zeilenmutation betroffene Spaltenfamilie.
column STRING Ja Der von der Zeilenmutation betroffene Spaltenqualifizierer. Legen Sie für den Mutationstyp DELETE_FAMILY NULL fest.
commit_timestamp TIMESTAMP Nein Der Zeitpunkt, an dem Bigtable die Mutation anwendet.
big_query_commit_timestamp TIMESTAMP Ja Optional: Gibt die Zeit an, zu der BigQuery die Zeile in eine Ausgabetabelle schreibt. Das Feld wird nicht ausgefüllt, wenn der Spaltenname im Pipeline-Optionswert bigQueryChangelogTableFieldsToIgnore vorhanden ist.
timestamp TIMESTAMP oder INT64 Ja Der Zeitstempelwert der von der Mutation betroffenen Zelle. Wenn die Pipelineoption writeNumericTimestamps auf true festgelegt ist, muss der Spaltentyp INT64 sein. Andernfalls verwenden Sie den Typ TIMESTAMP. Legen Sie für die Mutationstypen DELETE_CELLS und DELETE_FAMILY den Wert NULL fest.
timestamp_from TIMESTAMP oder INT64 Ja Beschreibt einen inklusiven Start des Zeitstempelintervalls für alle Zellen, die von der DELETE_CELLS-Mutation gelöscht wurden. Legen Sie für andere Mutationstypen NULL fest.
timestamp_to TIMESTAMP oder INT64 Ja Beschreibt ein exklusives Ende des Zeitstempelintervalls für alle Zellen, die durch die DELETE_CELLS-Mutation gelöscht wurden. Legen Sie für andere Mutationstypen NULL fest.
is_gc BOOL Nein Optional: Wenn die Mutation durch eine Richtlinie für die automatische Speicherbereinigung ausgelöst wird, legen Sie true fest. In allen anderen Fällen auf false setzen. Das Feld wird nicht ausgefüllt, wenn der Spaltenname im Pipeline-Optionswert bigQueryChangelogTableFieldsToIgnore vorhanden ist.
source_instance STRING Nein Optional: Beschreibt den Namen der Bigtable-Instanz, aus der die Mutation stammt. Das Feld wird nicht ausgefüllt, wenn der Spaltenname im Pipeline-Optionswert bigQueryChangelogTableFieldsToIgnore vorhanden ist.
source_cluster STRING Nein Optional: Beschreibt den Namen des Bigtable-Clusters, aus dem die Mutation stammt. Das Feld wird nicht ausgefüllt, wenn der Spaltenname im Pipeline-Optionswert bigQueryChangelogTableFieldsToIgnore vorhanden ist.
source_table STRING Nein Optional: Beschreibt den Namen der Bigtable-Tabelle, auf die sich die Mutation bezieht. Der Wert in dieser Spalte kann hilfreich sein, wenn mehrere Bigtable-Tabellen Änderungen zur selben BigQuery-Tabelle streamen. Das Feld wird nicht ausgefüllt, wenn der Spaltenname im Pipeline-Optionswert bigQueryChangelogTableFieldsToIgnore vorhanden ist.
tiebreaker INT64 Nein Optional: Wenn zwei Mutationen von verschiedenen Bigtable-Clustern gleichzeitig registriert werden, wird die Mutation mit dem höchsten tiebreaker-Wert auf die Quelltabelle angewendet. Mutationen mit niedrigeren tiebreaker-Werten werden verworfen. Das Feld wird nicht ausgefüllt, wenn der Spaltenname im Pipeline-Optionswert bigQueryChangelogTableFieldsToIgnore vorhanden ist.
value STRING oder BYTES Ja Der neue von der Mutation festgelegte Wert. Wenn die Pipelineoption writeValuesAsBytes auf true festgelegt ist, muss der Typ der Spalte BYTES sein. Andernfalls verwenden Sie den Typ STRING. Der Wert wird für SET_CELL-Mutationen festgelegt. Bei anderen Mutationstypen wird der Wert auf NULL gesetzt.

Pipelineanforderungen

  • Die angegebene Bigtable-Quellinstanz.
  • Die angegebene Bigtable-Quelltabelle In der Tabelle müssen Änderungsstreams aktiviert sein.
  • Das angegebene Bigtable-Anwendungsprofil.
  • Das angegebene BigQuery-Ziel-Dataset.

Vorlagenparameter

Erforderliche Parameter

  • bigQueryDataset: Der Dataset-Name der BigQuery-Zieltabelle.
  • bigtableChangeStreamAppProfile: Die Bigtable-Anwendungsprofil-ID. Das Anwendungsprofil muss Single-Cluster-Routing verwenden und Transaktionen für einzelne Zeilen zulassen.
  • bigtableReadInstanceId: Die Bigtable-Quellinstanz-ID.
  • bigtableReadTableId: Die Bigtable-Quelltabellen-ID.

Optionale Parameter

  • writeRowkeyAsBytes: Gibt an, ob Zeilenschlüssel als BigQuery-BYTES geschrieben werden sollen. Wenn dies auf true festgelegt ist, werden Zeilenschlüssel in die Spalte BYTES geschrieben. Andernfalls werden Zeilenschlüssel in die Spalte STRING geschrieben. Die Standardeinstellung ist false.
  • writeValuesAsBytes: Wenn "true" festgelegt ist, werden Werte in die BYTES-Spalte geschrieben, andernfalls in die STRING-Spalte. Die Standardeinstellung ist "false".
  • writeNumericTimestamps: Gibt an, ob der Bigtable-Zeitstempel als BigQuery-INT64 geschrieben werden soll. Wenn dies auf "true" gesetzt ist, werden Werte in die Spalte INT64 geschrieben. Andernfalls werden Werte in die Spalte TIMESTAMP geschrieben. Betroffene Spalten: timestamp, timestamp_from und timestamp_to. Die Standardeinstellung ist false. Wenn dieser Wert auf true gesetzt ist, wird die Zeit seit der Unix-Epoche (1. Januar 1970 um UTC) in Mikrosekunden gemessen.
  • bigQueryProjectId: Die Projekt-ID des BigQuery-Datasets. Der Standardwert ist das Projekt für den Dataflow-Job.
  • bigQueryChangelogTableName: Name der BigQuery-Zieltabelle. Wenn keine Angabe erfolgt, wird der Wert bigtableReadTableId + "_changelog" verwendet. Die Standardeinstellung ist leer.
  • bigQueryChangelogTablePartitionGranularity: Gibt einen Detaillierungsgrad für die Partitionierung der Änderungslogtabelle an. Wenn dies festgelegt ist, wird die Tabelle partitioniert. Verwenden Sie einen der folgenden unterstützten Werte: HOUR, DAY, MONTH oder YEAR. Standardmäßig ist die Tabelle nicht partitioniert.
  • bigQueryChangelogTablePartitionExpirationMs: Legt die Ablaufzeit der Änderungslog-Tabellenpartition in Millisekunden fest. Wenn dies auf "true" gesetzt ist, werden Partitionen gelöscht, die älter als die angegebene Anzahl an Millisekunden sind. Standardmäßig ist keine Ablaufzeit festgelegt.
  • bigQueryChangelogTableFieldsToIgnore: Eine durch Kommas getrennte Liste der Änderungslogspalten, die, wenn angegeben, nicht erstellt und ausgefüllt werden. Verwenden Sie einen der folgenden unterstützten Werte: is_gc, source_instance, source_cluster, source_table, tiebreaker oder big_query_commit_timestamp. Standardmäßig werden alle Spalten ausgefüllt.
  • dlqDirectory: Das Verzeichnis, das für die Warteschlange für unzustellbare Nachrichten verwendet werden soll. Datensätze, die nicht verarbeitet werden können, werden in diesem Verzeichnis gespeichert. Der Standardwert ist ein Verzeichnis unter dem temporären Speicherort des Dataflow-Jobs. In den meisten Fällen können Sie den Standardpfad verwenden.
  • bigtableChangeStreamMetadataInstanceId: Die Metadateninstanz-ID des Bigtable-Änderungsstreams. Die Standardeinstellung ist leer.
  • bigtableChangeStreamMetadataTableTableId: Die ID der Metadatentabelle des Bigtable-Änderungsstream-Connectors. Wenn nicht angegeben, wird während der Pipelineausführung automatisch eine Metadatentabelle für Bigtable-Änderungsstreams erstellt. Die Standardeinstellung ist leer.
  • bigtableChangeStreamCharset: Der Zeichensatzname des Bigtable-Änderungsstreams. Standardmäßig ist dies auf UTF8 eingestellt.
  • bigtableChangeStreamStartTimestamp: Der Startzeitstempel (https://tools.ietf.org/html/rfc3339) (einschließlich), der zum Lesen von Änderungsstreams verwendet wird. Beispiel: 2022-05-05T07:59:59Z Die Standardeinstellung ist der Zeitstempel der Pipeline-Startzeit.
  • bigtableChangeStreamIgnoreColumnFamilies: Eine durch Kommas getrennte Liste von Änderungen an den Namen der Spaltenfamilien, die ignoriert werden sollen. Die Standardeinstellung ist leer.
  • bigtableChangeStreamIgnoreColumns: Eine durch Kommas getrennte Liste von Änderungen der Spaltennamen, die ignoriert werden sollen. Die Standardeinstellung ist leer.
  • bigtableChangeStreamName: Ein eindeutiger Name für die Client-Pipeline. Ermöglicht die Fortsetzung der Verarbeitung ab dem Punkt, an dem eine zuvor ausgeführte Pipeline beendet wurde. Standardmäßig wird ein automatisch generierter Name verwendet. Den verwendeten Wert finden Sie in den Dataflow-Joblogs.
  • bigtableChangeStreamResume: Wenn dieser Wert auf true gesetzt ist, setzt eine neue Pipeline die Verarbeitung ab dem Punkt fort, an dem eine zuvor ausgeführte Pipeline mit demselben bigtableChangeStreamName-Wert gestoppt wurde. Wenn die Pipeline mit dem angegebenen bigtableChangeStreamName-Wert noch nie ausgeführt wurde, wird keine neue Pipeline gestartet. Wenn false festgelegt ist, wird eine neue Pipeline gestartet. Wenn für die angegebene Quelle bereits eine Pipeline mit demselben bigtableChangeStreamName-Wert ausgeführt wurde, wird keine neue Pipeline gestartet. Die Standardeinstellung ist false.
  • bigtableReadProjectId: Die Bigtable-Projekt-ID. Der Standardwert ist das Projekt für den Dataflow-Job.

Führen Sie die Vorlage aus.

Console

  1. Rufen Sie die Dataflow-Seite Job aus Vorlage erstellen auf.
    2. Zur Seite "Job aus Vorlage erstellen“
  2. Geben Sie im Feld Jobname einen eindeutigen Jobnamen ein.
  3. 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.

  4. Wählen Sie im Drop-down-Menü Dataflow-Vorlage die Option the Bigtable change streams to BigQuery templateaus.
  5. Geben Sie Ihre Parameterwerte in die Parameterfelder ein.
  6. Klicken Sie auf Job ausführen.

gcloud

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

gcloud dataflow flex-template run JOB_NAME \
    --region=REGION_NAME \
    --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/Bigtable_Change_Streams_to_BigQuery \
    --parameters \
bigtableReadInstanceId=BIGTABLE_INSTANCE_ID,\
bigtableReadTableId=BIGTABLE_TABLE_ID,\
bigtableChangeStreamAppProfile=BIGTABLE_APPLICATION_PROFILE_ID,\
bigQueryDataset=BIGQUERY_DESTINATION_DATASET

Ersetzen Sie Folgendes:

  • PROJECT_ID: die ID des Google Cloud-Projekts, in dem Sie den Dataflow-Job ausführen möchten
  • JOB_NAME: ein eindeutiger Jobname Ihrer Wahl
  • 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/.
  • REGION_NAME: die Region, in der Sie Ihren Dataflow-Job bereitstellen möchten, z. B. us-central1
  • BIGTABLE_INSTANCE_ID: Ihre Bigtable-Instanz-ID.
  • BIGTABLE_TABLE_ID: Ihre Bigtable-Tabellen-ID.
  • BIGTABLE_APPLICATION_PROFILE_ID: Ihre Bigtable-Anwendungsprofil-ID.
  • BIGQUERY_DESTINATION_DATASET: der Name des BigQuery-Ziel-Datasets

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/flexTemplates:launch
{
  "launch_parameter": {
    "jobName": "JOB_NAME",
    "containerSpecGcsPath": "gs://dataflow-templates-REGION_NAME/VERSION/flex/Bigtable_Change_Streams_to_BigQuery",
    "parameters": {
        "bigtableReadInstanceId": "BIGTABLE_INSTANCE_ID",
        "bigtableReadTableId": "BIGTABLE_TABLE_ID",
        "bigtableChangeStreamAppProfile": "BIGTABLE_APPLICATION_PROFILE_ID",
        "bigQueryDataset": "BIGQUERY_DESTINATION_DATASET"
    }
  }
}

Ersetzen Sie Folgendes:

  • PROJECT_ID: die ID des Google Cloud-Projekts, in dem Sie den Dataflow-Job ausführen möchten
  • JOB_NAME: ein eindeutiger Jobname Ihrer Wahl
  • 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/.
  • LOCATION: die Region, in der Sie Ihren Dataflow-Job bereitstellen möchten, z. B. us-central1
  • BIGTABLE_INSTANCE_ID: Ihre Bigtable-Instanz-ID.
  • BIGTABLE_TABLE_ID: Ihre Bigtable-Tabellen-ID.
  • BIGTABLE_APPLICATION_PROFILE_ID: Ihre Bigtable-Anwendungsprofil-ID.
  • BIGQUERY_DESTINATION_DATASET: der Name des BigQuery-Ziel-Datasets

Nächste Schritte