Modelli di modifiche in tempo reale di Bigtable a BigQuery

Il modello di modifiche in tempo reale di Bigtable a BigQuery è una pipeline di streaming che esegue il flusso dei record delle modifiche dei dati di Bigtable e li scrive in tabelle BigQuery utilizzando Dataflow.

Un flusso di modifiche Bigtable ti consente di iscriverti alle mutazioni dei dati in base alla tabella. Quando ti abboni agli modifiche in tempo reale della tabella, si applicano i seguenti vincoli:

  • Vengono restituite solo le celle modificate e i descrittori delle operazioni di eliminazione.
  • Viene restituito solo il nuovo valore di una cella modificata.

Quando i record delle modifiche dei dati vengono scritti in BigQuery, le righe potrebbero essere inserite fuori ordine rispetto all'ordinamento del timestamp del commit Bigtable originale.

Le righe della tabella changelog che non possono essere scritte in BigQuery a causa di un errore persistente vengono inserite definitivamente in una directory della coda dei messaggi non recapitabili (coda dei messaggi non elaborati) in Cloud Storage per la revisione da parte di un utente o per un'ulteriore elaborazione da parte dell'utente.

Se la tabella BigQuery necessaria non esiste, la pipeline la crea. In caso contrario, viene utilizzata una tabella BigQuery esistente. Lo schema delle tabelle BigQuery esistenti deve contenere le colonne riportate nella tabella seguente.

Ogni nuova riga BigQuery include un record di modifica dei dati restituito dallo stream di variazioni dalla riga corrispondente nella tabella Bigtable.

Schema della tabella di output BigQuery

Nome colonna Tipo Ammette valori Null Descrizione
row_key STRING o BYTES No La chiave di riga della riga modificata. Quando l'opzione pipeline writeRowkeyAsBytes è impostata su true, il tipo di colonna deve essere BYTES. In caso contrario, utilizza il tipo STRING.
mod_type STRING No Il tipo di mutazione della riga. Utilizza uno dei seguenti valori: SET_CELL, DELETE_CELLS o DELETE_FAMILY.
column_family STRING No La famiglia di colonne interessata dalla mutazione della riga.
column STRING Sì Il qualificatore di colonna interessato dalla mutazione della riga. Per il tipo di mutazione DELETE_FAMILY, imposta NULL.
commit_timestamp TIMESTAMP No Il momento in cui Bigtable applica la mutazione.
big_query_commit_timestamp TIMESTAMP Sì (Facoltativo) Specifica l'ora in cui BigQuery scrive la riga in una tabella di output. Il campo non viene compilato se il nome della colonna è presente nel valore dell'opzione della pipeline bigQueryChangelogTableFieldsToIgnore.
timestamp TIMESTAMP o INT64 Sì Il valore timestamp della cella interessata dalla mutazione. Quando l'opzione pipeline writeNumericTimestamps è impostata su true, il tipo di colonna deve essere INT64. In caso contrario, utilizza il tipo TIMESTAMP. Per i tipi di mutazione DELETE_CELLS e DELETE_FAMILY, imposta NULL.
timestamp_from TIMESTAMP o INT64 Sì Descrive un inizio dell'intervallo di timestamp incluso per tutte le celle eliminate dalla mutazione DELETE_CELLS. Per altri tipi di mutazioni, imposta il valore NULL.
timestamp_to TIMESTAMP o INT64 Sì Descrive una fine esclusiva dell'intervallo di timestamp per tutte le celle eliminate dalla mutazione DELETE_CELLS. Per altri tipi di mutazioni, imposta il valore NULL.
is_gc BOOL No (Facoltativo) Quando la mutazione viene attivata da un criterio di garbage collection, imposta il valore su true. In tutti gli altri casi, imposta false. Il campo non viene compilato quando il nome della colonna è presente nel valore dell'opzione della pipeline bigQueryChangelogTableFieldsToIgnore.
source_instance STRING No (Facoltativo) Descrive il nome dell'istanza Bigtable da cui proviene la mutazione. Il campo non viene compilato quando il nome della colonna è presente nel valore dell'opzione della pipeline bigQueryChangelogTableFieldsToIgnore.
source_cluster STRING No (Facoltativo) Descrive il nome del cluster Bigtable da cui proviene la mutazione. Il campo non viene compilato quando il nome della colonna è presente nel valore dell'opzione della pipeline bigQueryChangelogTableFieldsToIgnore.
source_table STRING No (Facoltativo) Descrive il nome della tabella Bigtable a cui si applica la mutazione. Il valore in questa colonna potrebbe essere utile se più tabelle Bigtable trasmettono modifiche alla stessa tabella BigQuery. Il campo non viene compilato quando il nome della colonna è presente nel valore dell'opzione della pipeline bigQueryChangelogTableFieldsToIgnore.
tiebreaker INT64 No (Facoltativo) Quando due mutazioni vengono registrate contemporaneamente da cluster Bigtable diversi, alla tabella di origine viene applicata la mutazione con il valore tiebreaker più alto. Le mutazioni con valori tiebreaker inferiori vengono ignorate. Il campo non viene compilato quando il nome della colonna è presente nel valore dell'opzione della pipeline bigQueryChangelogTableFieldsToIgnore.
value STRING o BYTES Sì Il nuovo valore impostato dalla mutazione. Quando l'opzione pipeline writeValuesAsBytes è impostata su true, il tipo di colonna deve essere BYTES. In caso contrario, utilizza il tipo STRING. Il valore è impostato per le mutazioni SET_CELL. Per gli altri tipi di mutazione, il valore è impostato su NULL.

Requisiti della pipeline

  • L'istanza di origine Bigtable specificata.
  • La tabella di origine Bigtable specificata. Per la tabella devono essere abilitati modifiche in tempo reale.
  • Il profilo dell'applicazione Bigtable specificato.
  • Il set di dati di destinazione BigQuery specificato.

Parametri del modello

Parametri obbligatori

  • bigQueryDataset: il nome del set di dati della tabella BigQuery di destinazione.
  • bigtableChangeStreamAppProfile: l'ID profilo dell'applicazione Bigtable. Il profilo dell'applicazione deve utilizzare il routing a un cluster singolo e consentire transazioni su riga singola.
  • bigtableReadInstanceId: l'ID istanza Bigtable di origine.
  • bigtableReadTableId: l'ID tabella Bigtable di origine.

Parametri facoltativi

  • writeRowkeyAsBytes: indica se scrivere i key di riga come BYTES di BigQuery. Se impostato su true, le chiavi di riga vengono scritte nella colonna BYTES. In caso contrario, le chiavi riga vengono scritte nella colonna STRING. Il valore predefinito è false.
  • writeValuesAsBytes: se impostato su true, i valori vengono scritti in una colonna di tipo BYTES, altrimenti in una colonna di tipo STRING . Il valore predefinito è false.
  • writeNumericTimestamps: indica se scrivere il timestamp Bigtable come INT64 BigQuery. Se impostato su true, i valori vengono scritti nella colonna INT64. In caso contrario, i valori vengono scritti nella colonna TIMESTAMP. Colonne interessate: timestamp, timestamp_from e timestamp_to. Il valore predefinito è false. Se impostato su true, il tempo viene misurato in microsecondi dall'epoca di Unix (1° gennaio 1970 UTC).
  • bigQueryProjectId: l'ID progetto del set di dati BigQuery. Il valore predefinito è il progetto per il job Dataflow.
  • bigQueryChangelogTableName: nome della tabella BigQuery di destinazione. Se non specificato, viene utilizzato il valore bigtableReadTableId + "_changelog". Il valore predefinito è vuoto.
  • bigQueryChangelogTablePartitionGranularity: specifica una granularità per il partizionamento della tabella del log delle modifiche. Se impostato, la tabella viene partizionata. Utilizza uno dei seguenti valori supportati: HOUR, DAY, MONTH o YEAR. Per impostazione predefinita, la tabella non è partizionata.
  • bigQueryChangelogTablePartitionExpirationMs: imposta la scadenza della partizione della tabella del log delle modifiche in millisecondi. Se impostato su true, le partizioni precedenti al numero di millisecondi specificato vengono eliminate. Per impostazione predefinita, non viene impostata alcuna scadenza.
  • bigQueryChangelogTableFieldsToIgnore: un elenco separato da virgole delle colonne del log delle modifiche che, se specificate, non vengono create e compilate. Utilizza uno dei seguenti valori supportati: is_gc, source_instance, source_cluster, source_table, tiebreaker o big_query_commit_timestamp. Per impostazione predefinita, tutte le colonne sono compilate.
  • dlqDirectory: la directory da utilizzare per la coda delle email inutilizzate. I record che non vengono elaborati vengono archiviati in questa directory. Il valore predefinito è una directory nella posizione temporanea del job Dataflow. Nella maggior parte dei casi, puoi utilizzare il percorso predefinito.
  • bigtableChangeStreamMetadataInstanceId: l'ID istanza dei metadati delle modifiche in tempo reale di Bigtable. Il valore predefinito è vuoto.
  • bigtableChangeStreamMetadataTableTableId: l'ID della tabella dei metadati del connettore delle modifiche in tempo reale di Bigtable. Se non specificato, una tabella dei metadati del connettore dei modifiche in tempo reale Bigtable viene creata automaticamente durante l'esecuzione della pipeline. Il valore predefinito è vuoto.
  • bigtableChangeStreamCharset: il nome del set di caratteri degli modifiche in tempo reale Bigtable. Il valore predefinito è UTF-8.
  • bigtableChangeStreamStartTimestamp: il timestamp iniziale (https://tools.ietf.org/html/rfc3339), incluso, da utilizzare per la lettura dei modifiche in tempo reale. Ad esempio: 2022-05-05T07:59:59Z. Il valore predefinito è il timestamp dell'ora di inizio della pipeline.
  • bigtableChangeStreamIgnoreColumnFamilies: un elenco separato da virgole di modifiche ai nomi famiglia di colonne da ignorare. Il valore predefinito è vuoto.
  • bigtableChangeStreamIgnoreColumns: un elenco separato da virgole di modifiche ai nomi di colonna da ignorare. Il valore predefinito è vuoto.
  • bigtableChangeStreamName: un nome univoco per la pipeline del client. Ti consente di riprendere l'elaborazione dal punto in cui è stata interrotta una pipeline in esecuzione in precedenza. Il valore predefinito è un nome generato automaticamente. Consulta i log dei job Dataflow per il valore utilizzato.
  • bigtableChangeStreamResume: se impostato su true, una nuova pipeline riprende l'elaborazione dal punto in cui si è interrotta una pipeline in esecuzione precedente con lo stesso valore bigtableChangeStreamName. Se la pipeline con il valore bigtableChangeStreamName specificato non è mai stata eseguita, non viene avviata una nuova pipeline. Se impostato su false, viene avviata una nuova pipeline. Se per l'origine specificata è già stata eseguita una pipeline con lo stesso valore bigtableChangeStreamName, non viene avviata una nuova pipeline. Il valore predefinito è false.
  • bigtableReadProjectId: l'ID progetto Bigtable. Il valore predefinito è il progetto per il job Dataflow.

Esegui il modello

Console

  1. Vai alla pagina Crea job da modello di Dataflow.
    2. Vai a Crea job da modello
  2. Nel campo Nome job, inserisci un nome univoco per il job.
  3. (Facoltativo) Per Endpoint a livello di regione, seleziona un valore dal menu a discesa. La regione predefinita è us-central1.

    Per un elenco delle regioni in cui puoi eseguire un job Dataflow, consulta Località di Dataflow.

  4. Nel menu a discesa Modello di flusso di dati, seleziona the Bigtable change streams to BigQuery template.
  5. Nei campi dei parametri forniti, inserisci i valori dei parametri.
  6. Fai clic su Esegui job.

gcloud

Nella shell o nel terminale, esegui il modello:

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

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del progetto Google Cloud in cui vuoi eseguire il job Dataflow
  • JOB_NAME: un nome di job univoco a tua scelta
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • REGION_NAME: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • BIGTABLE_INSTANCE_ID: l'ID istanza Bigtable.
  • BIGTABLE_TABLE_ID: l'ID della tabella Bigtable.
  • BIGTABLE_APPLICATION_PROFILE_ID: l'ID del profilo dell'applicazione Bigtable.
  • BIGQUERY_DESTINATION_DATASET: il nome del set di dati di destinazione BigQuery

API

Per eseguire il modello utilizzando l'API REST, invia una richiesta POST HTTP. Per ulteriori informazioni sull'API e sui relativi ambiti di autorizzazione, consulta 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"
    }
  }
}

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del progetto Google Cloud in cui vuoi eseguire il job Dataflow
  • JOB_NAME: un nome di job univoco a tua scelta
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • LOCATION: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • BIGTABLE_INSTANCE_ID: l'ID istanza Bigtable.
  • BIGTABLE_TABLE_ID: l'ID della tabella Bigtable.
  • BIGTABLE_APPLICATION_PROFILE_ID: l'ID del profilo dell'applicazione Bigtable.
  • BIGQUERY_DESTINATION_DATASET: il nome del set di dati di destinazione BigQuery

Passaggi successivi