Spanner to Cloud Storage Avro 模板

Spanner to Avro Files on Cloud Storage 模板是一种批处理流水线,可将整个 Spanner 数据库以 Avro 格式导出到 Cloud Storage。导出 Spanner 数据库会在您选择的存储桶中创建一个文件夹。该文件夹包含以下内容:

  • spanner-export.json 文件。
  • 您导出的数据库中每个表的 TableName-manifest.json 文件。
  • 一个或多个 TableName.avro-#####-of-##### 文件。

例如,如果导出包含两个表 SingersAlbums 的数据库,则系统会创建以下文件集:

  • Albums-manifest.json
  • Albums.avro-00000-of-00002
  • Albums.avro-00001-of-00002
  • Singers-manifest.json
  • Singers.avro-00000-of-00003
  • Singers.avro-00001-of-00003
  • Singers.avro-00002-of-00003
  • spanner-export.json

流水线要求

  • Spanner 数据库必须已存在。
  • Cloud Storage 输出存储桶必须存在。
  • 除了运行 Dataflow 作业所需的 Identity and Access Management (IAM) 角色之外,您还必须具有读取 Spanner 数据并写入 Cloud Storage 存储桶的适当 IAM 角色

模板参数

必需参数

  • instanceId:您要导出的 Spanner 数据库的实例 ID。
  • databaseId:您要导出的 Spanner 数据库的数据库 ID。
  • outputDir:Avro 文件的导出目标 Cloud Storage 路径。导出作业在此路径下创建一个包含导出文件的新目录。例如 gs://your-bucket/your-path

可选参数

  • avroTempDirectory:写入临时 Avro 文件的 Cloud Storage 路径。
  • spannerHost:要在模板中调用的 Cloud Spanner 端点。仅用于测试。例如 https://batch-spanner.googleapis.com。默认值为:https://batch-spanner.googleapis.com
  • snapshotTime:与您要读取的 Spanner 数据库版本对应的时间戳。时间戳必须使用 RFC 3339 UTC Zulu 格式指定。时间戳必须是过去的时间,并且必须遵循时间戳过时上限。例如 1990-12-31T23:59:60Z。默认值为空。
  • spannerProjectId:包含您要从中读取数据的 Spanner 数据库的 Google Cloud 项目的 ID。
  • shouldExportTimestampAsLogicalType:如果为 true,则时间戳会导出为具有 timestamp-micros 逻辑类型的 long 类型。默认情况下,此参数设置为 false,并且时间戳以纳秒精度导出为 ISO-8601 字符串。
  • tableNames:英文逗号分隔的列表,指定要导出的 Spanner 数据库子集。如果设置此参数,则必须添加所有相关表(父表和外键引用的表),或者将 shouldExportRelatedTables 参数设置为 true。如果表位于命名架构中,请使用完全限定名称。例如:sch1.foo,其中 sch1 是架构名称,foo 是表名称。默认值为空。
  • shouldExportRelatedTables:是否包含相关表。此参数与 tableNames 参数搭配使用。默认值为:false。
  • spannerPriority:Spanner 调用的请求优先级。可能的值包括 HIGHMEDIUMLOW。默认值为 MEDIUM
  • dataBoostEnabled:设置为 true 可使用 Spanner Data Boost 的计算资源运行作业,且对 Spanner OLTP 工作流的影响接近于零。如果将其设置为 true,您还需要拥有 spanner.databases.useDataBoost IAM 权限。如需了解详情,请参阅 Data Boost 概览 (https://cloud.google.com/spanner/docs/databoost/databoost-overview)。默认值为:false。

运行模板

控制台

  1. 转到 Dataflow 基于模板创建作业页面。
  2. 转到“基于模板创建作业”
  3. 作业名称字段中,输入唯一的作业名称。

    作业名称必须与以下格式匹配,作业才会显示在 Google Cloud 控制台的 Spanner 实例页面中:

    cloud-spanner-export-SPANNER_INSTANCE_ID-SPANNER_DATABASE_NAME

    替换以下内容:

    • SPANNER_INSTANCE_ID:Spanner 实例的 ID
    • SPANNER_DATABASE_NAME:Spanner 数据库的名称
  4. 可选:对于区域性端点,从下拉菜单中选择一个值。默认区域为 us-central1

    如需查看可以在其中运行 Dataflow 作业的区域列表,请参阅 Dataflow 位置

  5. Dataflow 模板下拉菜单中,选择 the Cloud Spanner to Avro Files on Cloud Storage template。
  6. 在提供的参数字段中,输入您的参数值。
  7. 点击运行作业

gcloud

在 shell 或终端中,运行模板:

gcloud dataflow jobs run JOB_NAME \
    --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/Cloud_Spanner_to_GCS_Avro \
    --region REGION_NAME \
    --staging-location GCS_STAGING_LOCATION \
    --parameters \
instanceId=INSTANCE_ID,\
databaseId=DATABASE_ID,\
outputDir=GCS_DIRECTORY

替换以下内容:

  • JOB_NAME:您选择的唯一性作业名称

    作业名称必须与 cloud-spanner-export-INSTANCE_ID-DATABASE_ID 格式匹配,作业才会显示在 Google Cloud 控制台的 Spanner 部分中。

  • VERSION:您要使用的模板的版本

    您可使用以下值:

  • REGION_NAME:要在其中部署 Dataflow 作业的区域,例如 us-central1
  • GCS_STAGING_LOCATION:写入临时文件的位置;例如 gs://mybucket/temp
  • INSTANCE_ID:您的 Spanner 实例 ID
  • DATABASE_ID:您的 Spanner 数据库 ID
  • GCS_DIRECTORY:Avro 文件 导出到

API

如需使用 REST API 来运行模板,请发送 HTTP POST 请求。如需详细了解 API 及其授权范围,请参阅 projects.templates.launch

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/Cloud_Spanner_to_GCS_Avro
{
   "jobName": "JOB_NAME",
   "parameters": {
       "instanceId": "INSTANCE_ID",
       "databaseId": "DATABASE_ID",
       "outputDir": "gs://GCS_DIRECTORY"
   }
}

替换以下内容:

  • PROJECT_ID:您要在其中运行 Dataflow 作业的 Google Cloud 项目的 ID
  • JOB_NAME:您选择的唯一性作业名称

    作业名称必须与 cloud-spanner-export-INSTANCE_ID-DATABASE_ID 格式匹配,作业才会显示在 Google Cloud 控制台的 Spanner 部分中。

  • VERSION:您要使用的模板的版本

    您可使用以下值:

  • LOCATION:要在其中部署 Dataflow 作业的区域,例如 us-central1
  • GCS_STAGING_LOCATION:写入临时文件的位置;例如 gs://mybucket/temp
  • INSTANCE_ID:您的 Spanner 实例 ID
  • DATABASE_ID:您的 Spanner 数据库 ID
  • GCS_DIRECTORY:Avro 文件 导出到

后续步骤