Die Pipeline "Cloud Storage CSV-Dateien für BigQuery" ist eine Batchpipeline, mit der Sie Daten aus in Cloud Storage gespeicherten CSV-Dateien lesen und das Ergebnis an eine BigQuery-Tabelle anhängen können.
Die CSV-Dateien können unkomprimiert oder in den Formaten enthalten sein, die auf der Seite Compression Enum SDK aufgeführt sind.
Pipelineanforderungen
Damit Sie diese Vorlage verwenden können, muss Ihre Pipeline die folgenden Anforderungen erfüllen.
BigQuery-JSON-Schemadatei
Erstellen Sie eine JSON-Datei, die Ihr BigQuery-Schema beschreibt.
Stellen Sie sicher, dass das Schema ein JSON-Array der obersten Ebene mit dem Namen BigQuery Schema hat und dessen Inhalt dem Muster {"name": "COLUMN_NAME", "type": "DATA_TYPE"} folgt.
Die Batchvorlage "Cloud Storage-CSV-Dateien für BigQuery" unterstützt nicht den Import von Daten in Felder des Typs STRUCT (Eintrag) in der BigQuery-Zieltabelle.
Der folgende JSON-Code beschreibt ein BigQuery-Beispielschema:
{
"BigQuery Schema": [
{
"name": "location",
"type": "STRING"
},
{
"name": "name",
"type": "STRING"
},
{
"name": "age",
"type": "STRING"
},
{
"name": "color",
"type": "STRING"
},
{
"name": "coffee",
"type": "STRING"
}
]
}
Fehlertabellenschema
Die BigQuery-Tabelle, in der die abgelehnten Datensätze aus CSV-Dateien gespeichert werden, muss dem hier definierten Tabellenschema entsprechen.
{
"BigQuery Schema": [
{
"name": "RawContent",
"type": "STRING"
},
{
"name": "ErrorMsg",
"type": "STRING"
}
]
}
Vorlagenparameter
| Parameter | Beschreibung |
|---|---|
inputFilePattern |
Der Cloud Storage-Pfad zur CSV-Datei, die den zu verarbeitenden Text enthält. Beispiel: gs://path/to/my/text/data.csv. |
schemaJSONPath |
Der Cloud Storage-Pfad zur JSON-Datei, die Ihr BigQuery-Schema definiert.
Beispiel: gs://path/to/my/schema.json. |
outputTable |
Der Name der BigQuery-Tabelle, in der Ihre verarbeiteten Daten gespeichert werden.
Wenn Sie eine vorhandene BigQuery-Tabelle wiederverwenden, werden die Daten an die Zieltabelle angehängt.
Beispiel: my-project-name:my-dataset.my-table. |
bigQueryLoadingTemporaryDirectory |
Das temporäre Verzeichnis, das während des BigQuery-Ladevorgangs verwendet werden soll.
Beispiel: gs://my-bucket/my-files/temp_dir. |
badRecordsOutputTable |
Der Name der BigQuery-Tabelle, die zum Speichern der abgelehnten Daten bei der Verarbeitung der CSV-Dateien verwendet werden soll.
Wenn Sie eine vorhandene BigQuery-Tabelle wiederverwenden, werden die Daten an die Zieltabelle angehängt.
Beispiel: my-project-name:my-dataset.my-bad-records-table. Das Schema dieser Tabelle muss mit dem Fehlertabellenschema übereinstimmen. |
delimiter |
Das Spaltentrennzeichen der CSV-Eingabedateien. Beispiel: ",". |
csvFormat |
Die CSV-Formatspezifikation zum Parsen von Einträgen. Beispiel: Default.
Dieser Wert muss genau mit den Formatnamen in der Enum CSVFormat.Predefined übereinstimmen. |
containsHeaders |
Ob die CSV-Eingabedateien einen Header-Datensatz enthalten. Die Standardeinstellung ist false. |
csvFileEncoding |
Das Zeichencodierungsformat für CSV-Dateien. Zulässige Werte sind US-ASCII, ISO-8859-1, UTF-8 und UTF-16. Die Standardeinstellung ist UTF-8. |
Führen Sie die Vorlage aus.
Console
- Rufen Sie die Dataflow-Seite Job aus Vorlage erstellen auf. Zur Seite "Job aus Vorlage erstellen“
- Geben Sie im Feld Jobname einen eindeutigen Jobnamen ein.
- 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.
- Wählen Sie im Drop-down-Menü Dataflow-Vorlage die Option the CSV files on Cloud Storage to BigQuery (Batch) template aus.
- Geben Sie Ihre Parameterwerte in die Parameterfelder ein.
- Klicken Sie auf Job ausführen.
gcloud
Führen Sie die Vorlage in der Shell oder im Terminal aus:
gcloud dataflow jobs run JOB_NAME \
--gcs-location gs://dataflow-templates-REGION_NAME/VERSION/GCS_CSV_to_BigQuery \
--region REGION_NAME \
--parameters \
inputFilePattern=PATH_TO_CSV_DATA,\
schemaJSONPath=PATH_TO_BIGQUERY_SCHEMA_JSON,\
outputTable=BIGQUERY_DESTINATION_TABLE,\
badRecordsOutputTable=BIGQUERY_BAD_RECORDS_TABLE,\
csvFormat=CSV_FORMAT,\
delimiter=DELIMITER,\
bigQueryLoadingTemporaryDirectory=PATH_TO_TEMP_DIR_ON_GCS,\
containsHeaders=CONTAINS_HEADERS,\
csvFileEncoding=CSV_FILE_ENCODING
Dabei gilt:
PROJECT_ID: die ID des Google Cloud-Projekts, in dem Sie den Dataflow-Job ausführen möchtenJOB_NAME: ein eindeutiger Jobname Ihrer WahlVERSION: die Version der Vorlage, die Sie verwenden möchtenSie können die folgenden Werte verwenden:
latestzur 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-central1PATH_TO_CSV_DATA: der Cloud Storage-Pfad zu Ihren CSV-DateienPATH_TO_BIGQUERY_SCHEMA_JSON: der Cloud Storage-Pfad zur JSON-Datei, die die Schemadefinition enthältBIGQUERY_DESTINATION_TABLE: der Name der BigQuery-ZieltabelleBIGQUERY_BAD_RECORDS_TABLE: Der Name der BigQuery-Tabelle mit fehlerhaften DatensätzenPATH_TO_TEMP_DIR_ON_GCS: der Cloud Storage-Pfad zum temporären VerzeichnisDELIMITER: CSV-DateitrennzeichenCSV_FORMAT: CSV-Formatspezifikation zum Parsen von EinträgenCONTAINS_HEADERS: gibt an, ob die CSV-Dateien Header enthaltenCSV_FILE_ENCODING: Codierung in den CSV-Dateien
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/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/GCS_CSV_to_BigQuery
{
"jobName": "JOB_NAME",
"parameters": {
"inputFilePattern":"PATH_TO_CSV_DATA",
"schemaJSONPath": "PATH_TO_BIGQUERY_SCHEMA_JSON",
"outputTable":"BIGQUERY_DESTINATION_TABLE",
"badRecordsOutputTable":"BIGQUERY_BAD_RECORDS_TABLE",
"csvFormat":"CSV_FORMAT",
"delimiter":"DELIMITER",
"bigQueryLoadingTemporaryDirectory": "PATH_TO_TEMP_DIR_ON_GCS",
"containsHeaders": "CONTAINS_HEADERS",
"csvFileEncoding": "CSV_FILE_ENCODING"
},
"environment": { "zone": "us-central1-f" }
}
Dabei gilt:
PROJECT_ID: die ID des Google Cloud-Projekts, in dem Sie den Dataflow-Job ausführen möchtenJOB_NAME: ein eindeutiger Jobname Ihrer WahlVERSION: die Version der Vorlage, die Sie verwenden möchtenSie können die folgenden Werte verwenden:
latestzur 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-central1PATH_TO_CSV_DATA: der Cloud Storage-Pfad zu Ihren CSV-DateienPATH_TO_BIGQUERY_SCHEMA_JSON: der Cloud Storage-Pfad zur JSON-Datei, die die Schemadefinition enthältBIGQUERY_DESTINATION_TABLE: der Name der BigQuery-ZieltabelleBIGQUERY_BAD_RECORDS_TABLE: Der Name der BigQuery-Tabelle mit fehlerhaften DatensätzenPATH_TO_TEMP_DIR_ON_GCS: der Cloud Storage-Pfad zum temporären VerzeichnisDELIMITER: CSV-DateitrennzeichenCSV_FORMAT: CSV-Formatspezifikation zum Parsen von EinträgenCONTAINS_HEADERS: gibt an, ob die CSV-Dateien Header enthaltenCSV_FILE_ENCODING: Codierung in den CSV-Dateien
Nächste Schritte
- Dataflow-Vorlagen
- Sehen Sie sich die Liste der von Google bereitgestellten Vorlagen an.