Template untuk file Spanner ke Vertex AI Vector Search di Cloud Storage membuat pipeline batch yang mengekspor data penyematan vektor dari tabel Spanner ke Cloud Storage dalam format JSON. Gunakan parameter template untuk menentukan folder Cloud Storage tempat embedding vektor akan diekspor.
Folder Cloud Storage berisi daftar file .json
yang diekspor, yang mewakili penyematan vektor dalam format yang didukung oleh indeks Vertex AI Vector Search.
Untuk mengetahui informasi selengkapnya, lihat Format dan struktur data input.
Persyaratan pipeline
- Database Spanner harus ada.
- Bucket Cloud Storage untuk menghasilkan data harus ada.
- Selain peran Identity and Access Management (IAM) yang diperlukan untuk menjalankan tugas Dataflow, Anda memerlukan peran IAM yang diperlukan untuk membaca data Spanner dan menulis ke bucket Cloud Storage.
Parameter template
Parameter yang diperlukan
- spannerProjectId : Project ID instance Spanner.
- spannerInstanceId : ID instance Spanner tempat embedding vektor diekspor.
- spannerDatabaseId : ID database Spanner tempat embedding vektor diekspor.
- spannerTable : Tabel Spanner yang akan dibaca.
- spannerColumnsToExport : Daftar kolom yang dipisahkan koma yang diperlukan untuk indeks Vertex AI Vector Search. Kolom ID dan penyematan diperlukan oleh Vector Search. Jika nama kolom Anda tidak cocok dengan struktur input indeks Vertex AI Vector Search, buat pemetaan kolom menggunakan alias. Jika nama kolom tidak cocok dengan format yang diharapkan oleh Vertex AI, gunakan notasi from:to. Misalnya, jika Anda memiliki kolom bernama id dan my_embedding, tentukan id, my_embedding:embedding.
- gcsOutputFolder : Folder Cloud Storage tempat file output akan ditulis. Jalur harus diakhiri dengan garis miring. (Contoh: gs://bucket-Anda/folder1/).
- gcsOutputFilePrefix : Awalan nama file untuk menulis file output. (Contoh: vector-embeddings).
Parameter opsional
- spannerHost : Endpoint Spanner yang akan dipanggil dalam template. Nilai default-nya adalah https://batch-spanner.googleapis.com. (Contoh: https://batch-spanner.googleapis.com).
- spannerVersionTime : Jika ditetapkan, menentukan waktu saat versi database harus diambil. Nilainya adalah string dalam format tanggal RFC-3339 dalam waktu epoch Unix. Misalnya: 1990-12-31T23:59:60Z. Stempel waktu harus berada di masa lalu, dan keusangan stempel waktu maksimum (https://cloud.google.com/spanner/docs/timestamp-bounds#maximum_timestamp_staleness) berlaku. Jika tidak ditetapkan, batas kuat (https://cloud.google.com/spanner/docs/timestamp-bounds#strong) akan digunakan untuk membaca data terbaru. Default-nya adalah kosong. (Contoh: 1990-12-31T23:59:60Z).
- spannerDataBoostEnabled : Jika ditetapkan ke true, template akan menggunakan komputasi on-demand Spanner. Tugas ekspor berjalan di resource komputasi independen yang tidak memengaruhi workload Spanner saat ini. Penggunaan opsi ini akan dikenai biaya tambahan di Spanner. Untuk informasi selengkapnya, lihat ringkasan Data Boost Spanner (https://cloud.google.com/spanner/docs/databoost/databoost-overview). Defaultnya adalah: false.
- spannerPriority : Prioritas permintaan untuk panggilan Spanner. Nilai yang diizinkan adalah TINGGI, SEDANG, dan RENDAH. Nilai defaultnya adalah MEDIUM.
Menjalankan template
Konsol
- Buka halaman Create job from template Dataflow. Buka Buat tugas dari template
- Di kolom Nama tugas, masukkan nama tugas yang unik.
- 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.
- Dari menu drop-down Dataflow template, pilih the Spanner to Vertex AI Vector Search files on Cloud Storage template.
- Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
- Klik Run job.
gcloud
Di shell atau terminal, jalankan template:
gcloud dataflow jobs run JOB_NAME \ --gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/Cloud_Spanner_vectors_to_Cloud_Storage \ --project=PROJECT_ID \ --region=REGION_NAME \ --parameters \ spannerProjectId=SPANNER_PROJECT_ID,\ spannerInstanceId=SPANNER_INSTANCE_ID,\ spannerDatabaseId=SPANNER_DATABASE_ID,\ spannerTable=SPANNER_TABLE,\ spannerColumnsToExport=SPANNER_COLUMNS_TO_EXPORT,\ gcsOutputFolder=GCS_OUTPUT_FOLDER,\ gcsOutputFilePrefix=GCS_OUTPUT_FILE_PREFIX,\
Ganti kode berikut:
JOB_NAME
: nama tugas unik pilihan AndaVERSION
: versi template yang ingin Anda gunakanAnda dapat menggunakan nilai berikut:
latest
untuk menggunakan template versi terbaru, yang tersedia di folder induk tanpa tanggal di bucket—gs://dataflow-templates-REGION_NAME/latest/- nama versi, seperti
2023-09-12-00_RC00
, untuk menggunakan versi template tertentu, yang dapat ditemukan bertingkat dalam folder induk bertanggal masing-masing di bucket—gs://dataflow-templates-REGION_NAME/
REGION_NAME
: region tempat Anda ingin men-deploy tugas Dataflow—misalnya,us-central1
SPANNER_PROJECT_ID
: project ID SpannerSPANNER_INSTANCE_ID
: ID instance SpannerSPANNER_DATABASE_ID
: ID database SpannerSPANNER_TABLE
: tabel SpannerSPANNER_COLUMNS_TO_EXPORT
: kolom yang akan diekspor dari tabel SpannerGCS_OUTPUT_FOLDER
: folder Cloud Storage tempat file output akan disimpanGCS_OUTPUT_FILE_PREFIX
: awalan file output di Cloud Storage
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/Cloud_Spanner_vectors_to_Cloud_Storage { "jobName": "JOB_NAME", "parameters": { "spannerProjectId": "SPANNER_PROJECT_ID", "spannerInstanceId": "SPANNER_INSTANCE_ID", "spannerDatabaseId": "SPANNER_DATABASE_ID", "spannerTable": "SPANNER_TABLE", "spannerColumnsToExport": "SPANNER_COLUMNS_TO_EXPORT", "gcsOutputFolder": "GCS_OUTPUT_FOLDER", "gcsOutputFilePrefix": "GCS_OUTPUT_FILE_PREFIX", }, "environment": { "maxWorkers": "10" } }
Ganti kode berikut:
PROJECT_ID
: ID project Google Cloud tempat Anda ingin menjalankan tugas DataflowJOB_NAME
: nama tugas unik pilihan AndaVERSION
: versi template yang ingin Anda gunakanAnda dapat menggunakan nilai berikut:
latest
untuk menggunakan template versi terbaru, yang tersedia di folder induk tanpa tanggal di bucket—gs://dataflow-templates-REGION_NAME/latest/- nama versi, seperti
2023-09-12-00_RC00
, untuk menggunakan versi template tertentu, yang dapat ditemukan bertingkat dalam folder induk bertanggal masing-masing di bucket—gs://dataflow-templates-REGION_NAME/
LOCATION
: region tempat Anda ingin men-deploy tugas Dataflow—misalnya,us-central1
SPANNER_PROJECT_ID
: project ID SpannerSPANNER_INSTANCE_ID
: ID instance SpannerSPANNER_DATABASE_ID
: ID database SpannerSPANNER_TABLE
: tabel SpannerSPANNER_COLUMNS_TO_EXPORT
: kolom yang akan diekspor dari tabel SpannerGCS_OUTPUT_FOLDER
: folder Cloud Storage tempat file output akan disimpanGCS_OUTPUT_FILE_PREFIX
: awalan file output di Cloud Storage
Langkah selanjutnya
- Pelajari template Dataflow.
- Lihat daftar template yang disediakan Google.