La pipeline Text di Cloud Storage in BigQuery con una funzione definita dall'utente Python è una pipeline batch che legge i file di testo archiviati in Cloud Storage, li trasforma utilizzando una funzione definita dall'utente dall'utente (UDF) Python e aggiunge il risultato a una tabella BigQuery.
Requisiti della pipeline
- Crea un file JSON che descriva lo schema BigQuery.
Assicurati che esista un array JSON di primo livello denominato
BigQuery Schema
e che i suoi contenuti seguano il pattern{"name": "COLUMN_NAME", "type": "DATA_TYPE"}
.Il modello batch Da testo a BigQuery di Cloud Storage non supporta l'importazione di dati nei campi
STRUCT
(record) della tabella BigQuery di destinazione.Il seguente JSON descrive uno schema BigQuery di esempio:
{ "BigQuery Schema": [ { "name": "name", "type": "STRING" }, { "name": "age", "type": "INTEGER" }, ] }
- Crea un file Python (
.py
) con la tua funzione UDF che fornisce la logica per trasformare le righe di testo. La funzione deve restituire una stringa JSON.Ad esempio, questa funzione divide ogni riga di un file CSV e restituisce una stringa JSON dopo aver trasformato i valori.
import json def process(value): data = value.split(',') obj = { 'name': data[0], 'age': int(data[1]) } return json.dumps(obj)
Parametri del modello
Parametro | Descrizione |
---|---|
JSONPath |
Il percorso gs:// del file JSON che definisce lo schema BigQuery, archiviato in Cloud Storage. Ad esempio, gs://path/to/my/schema.json . |
pythonExternalTextTransformGcsPath |
L'URI Cloud Storage del file di codice Python che definisce la funzione definita dall'utente'utente che vuoi utilizzare. Ad esempio, gs://my-bucket/my-udfs/my_file.py .
|
pythonExternalTextTransformFunctionName |
Il nome della funzione definita dall'utente Python che vuoi utilizzare. |
inputFilePattern |
Il percorso gs:// del testo in Cloud Storage da elaborare. Ad
esempio, gs://path/to/my/text/data.txt . |
outputTable |
Il nome della tabella BigQuery in cui vuoi creare l'archiviazione dei dati elaborati.
Se riutilizzi una tabella BigQuery esistente, i dati vengono aggiunti alla tabella di destinazione.
Ad esempio, my-project-name:my-dataset.my-table . |
bigQueryLoadingTemporaryDirectory |
La directory temporanea per il processo di caricamento di BigQuery.
Ad esempio, gs://my-bucket/my-files/temp_dir . |
useStorageWriteApi |
Facoltativo:
se true , la pipeline utilizza l'
API BigQuery Storage Write. Il valore predefinito è false . Per ulteriori informazioni, consulta la pagina relativa all'
utilizzo dell'API Storage Write.
|
useStorageWriteApiAtLeastOnce |
Facoltativo:
quando si utilizza l'API Storage Write, specifica la semantica di scrittura. Per utilizzare la
semantica at-least-once, imposta questo parametro su true . Per usare la semantica "exactly-once",
imposta il parametro su false . Questo parametro si applica solo quando
useStorageWriteApi è true . Il valore predefinito è false .
|
Funzione definita dall'utente
Facoltativamente, puoi estendere questo modello scrivendo una funzione definita dall'utente (UDF). Il modello chiama la funzione definita dall'utente per ogni elemento di input. I payload degli elementi sono serializzati come stringhe JSON. Per ulteriori informazioni, consulta Creare funzioni definite dall'utente per i modelli Dataflow.
Specifica della funzione
La funzione definita dall'utente ha le seguenti specifiche:
- Input: una riga di testo di un file di input di Cloud Storage.
- Output: una stringa JSON corrispondente allo schema della tabella di destinazione BigQuery.
Esegui il modello
Console
- Vai alla pagina Crea job da modello di Dataflow. Vai a Crea job da modello
- Nel campo Nome job, inserisci un nome univoco per il job.
- (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, vedi Località Dataflow.
- Nel menu a discesa Modello Dataflow, seleziona the Text Files on Cloud Storage to BigQuery with Python UDF (Batch) template.
- Nei campi dei parametri forniti, inserisci i valori dei parametri.
- Fai clic su Esegui job.
gcloud
Nella shell o nel terminale, esegui il modello:
gcloud dataflow flex-template run JOB_NAME \ --template-file-gcs-location gs://dataflow-templates-REGION_NAME/VERSION/flex/GCS_Text_to_BigQuery_Xlang \ --region REGION_NAME \ --parameters \ pythonExternalTextTransformFunctionName=PYTHON_FUNCTION,\ JSONPath=PATH_TO_BIGQUERY_SCHEMA_JSON,\ pythonExternalTextTransformGcsPath=PATH_TO_PYTHON_UDF_FILE,\ inputFilePattern=PATH_TO_TEXT_DATA,\ outputTable=BIGQUERY_TABLE,\ bigQueryLoadingTemporaryDirectory=PATH_TO_TEMP_DIR_ON_GCS
Sostituisci quanto segue:
PROJECT_ID
: l'ID del progetto Google Cloud in cui vuoi eseguire il job DataflowJOB_NAME
: un nome job univoco a tua sceltaVERSION
: la versione del modello che vuoi utilizzarePuoi utilizzare i seguenti valori:
latest
per utilizzare la versione più recente del modello, disponibile nella cartella padre senza data del bucket: gs://dataflow-templates-REGION_NAME/latest/- il nome della versione, come
2023-09-12-00_RC00
, per utilizzare una versione specifica del modello, che si trova nidificata nella rispettiva cartella padre con data all'interno del bucket: gs://dataflow-templates-REGION_NAME/
REGION_NAME
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
PYTHON_FUNCTION
: il nome della funzione definita dall'utente (UDF) Python che vuoi utilizzare.PATH_TO_BIGQUERY_SCHEMA_JSON
: il percorso Cloud Storage del file JSON contenente la definizione dello schemaPATH_TO_PYTHON_UDF_FILE
: l'URI Cloud Storage del file di codice Python che definisce la funzione definita dall'utente;utente (UDF) che vuoi utilizzare. Ad esempio,gs://my-bucket/my-udfs/my_file.py
.PATH_TO_TEXT_DATA
: il percorso Cloud Storage del tuo set di dati di testoBIGQUERY_TABLE
: nome della tua tabella BigQueryPATH_TO_TEMP_DIR_ON_GCS
: percorso Cloud Storage della directory temporanea
API
Per eseguire il modello utilizzando l'API REST, invia una richiesta POST HTTP. Per maggiori 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", "parameters": { "pythonExternalTextTransformFunctionName": "PYTHON_FUNCTION", "JSONPath": "PATH_TO_BIGQUERY_SCHEMA_JSON", "pythonExternalTextTransformGcsPath": "PATH_TO_PYTHON_UDF_FILE", "inputFilePattern":"PATH_TO_TEXT_DATA", "outputTable":"BIGQUERY_TABLE", "bigQueryLoadingTemporaryDirectory": "PATH_TO_TEMP_DIR_ON_GCS" }, "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/GCS_Text_to_BigQuery_Xlang", } }
Sostituisci quanto segue:
PROJECT_ID
: l'ID del progetto Google Cloud in cui vuoi eseguire il job DataflowJOB_NAME
: un nome job univoco a tua sceltaVERSION
: la versione del modello che vuoi utilizzarePuoi utilizzare i seguenti valori:
latest
per utilizzare la versione più recente del modello, disponibile nella cartella padre senza data del bucket: gs://dataflow-templates-REGION_NAME/latest/- il nome della versione, come
2023-09-12-00_RC00
, per utilizzare una versione specifica del modello, che si trova nidificata nella rispettiva cartella padre con data all'interno del bucket: gs://dataflow-templates-REGION_NAME/
LOCATION
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
PYTHON_FUNCTION
: il nome della funzione definita dall'utente (UDF) Python che vuoi utilizzare.PATH_TO_BIGQUERY_SCHEMA_JSON
: il percorso Cloud Storage del file JSON contenente la definizione dello schemaPATH_TO_PYTHON_UDF_FILE
: l'URI Cloud Storage del file di codice Python che definisce la funzione definita dall'utente;utente (UDF) che vuoi utilizzare. Ad esempio,gs://my-bucket/my-udfs/my_file.py
.PATH_TO_TEXT_DATA
: il percorso Cloud Storage del tuo set di dati di testoBIGQUERY_TABLE
: nome della tua tabella BigQueryPATH_TO_TEMP_DIR_ON_GCS
: percorso Cloud Storage della directory temporanea
Passaggi successivi
- Scopri di più sui modelli Dataflow.
- Consulta l'elenco dei modelli forniti da Google.