Il modello Da testo a Spanner di Cloud Storage è una pipeline batch che legge i file di testo CSV da Cloud Storage e li importa in un database Spanner.
Requisiti della pipeline
- Devono esistere il database e la tabella Spanner di destinazione.
- Devi disporre delle autorizzazioni di lettura per il bucket Cloud Storage e di quelle di scrittura per il database Spanner di destinazione.
- Deve esistere il percorso Cloud Storage di input contenente i file CSV.
- Devi creare un file manifest di importazione contenente una descrizione JSON dei file CSV e archiviare il file manifest in Cloud Storage.
- Se il database Spanner di destinazione ha già uno schema, tutte le colonne specificate nel file manifest devono avere gli stessi tipi di dati delle colonne corrispondenti nello schema del database di destinazione.
-
Il file manifest, codificato in ASCII o UTF-8, deve avere il seguente formato:
- I file di testo da importare devono essere in formato CSV, con codifica ASCII o UTF-8. Consigliamo di non utilizzare il byte Order Mark (BOM) nei file con codifica UTF-8.
- I dati devono corrispondere a uno dei seguenti tipi:
GoogleSQL
BOOL INT64 FLOAT64 NUMERIC STRING DATE TIMESTAMP BYTES JSON
PostgreSQL
boolean bigint double precision numeric character varying, text date timestamp with time zone bytea
Parametri del modello
Parametri obbligatori
- instanceId : l'ID istanza del database Spanner.
- databaseId : l'ID del database Spanner.
- importManifest : il percorso in Cloud Storage da utilizzare durante l'importazione dei file manifest. ad esempio gs://your-bucket/your-folder/your-manifest.json.
Parametri facoltativi
- spannerHost : l'endpoint di Cloud Spanner da chiamare nel modello. Utilizzato solo per i test. Esempio: https://batch-spanner.googleapis.com. Il valore predefinito è: https://batch-spanner.googleapis.com.
- columnDelimiter : il delimitatore di colonna utilizzato dal file di origine. Il valore predefinito è ",". Esempio: ,.
- fieldQualifier : il carattere che deve circondare qualsiasi valore nel file di origine contenente columnDelimiter. Il valore predefinito è ".
- trailingDelimiter : specifica se le righe nei file di origine hanno delimitatori finali, ovvero se il carattere
columnDelimiter
viene visualizzato alla fine di ogni riga, dopo l'ultimo valore della colonna. Il valore predefinito ètrue
. - escape : il carattere di escape utilizzato dal file di origine. Per impostazione predefinita, questo parametro non è impostato e il modello non utilizza il carattere di escape.
- nullString : la stringa che rappresenta un valore
NULL
. Per impostazione predefinita, questo parametro non è impostato e il modello non utilizza la stringa null. - dateFormat : il formato utilizzato per analizzare le colonne delle date. Per impostazione predefinita, la pipeline tenta di analizzare le colonne delle date come
yyyy-M-d[' 00:00:00']
, ad esempio 2019-01-31 o 2019-1-1 00:00:00. Se il formato data è diverso, specifica il formato utilizzando i pattern java.time.format.DateTimeFormatter (https://docs.oracle.com/en/java/javase/11/docs/api/java.base/java/time/format/DateTimeFormatter.html). - timestampFormat : il formato utilizzato per analizzare le colonne del timestamp. Se il timestamp è un numero intero lungo, viene analizzato come ora dell'epoca Unix. In caso contrario, viene analizzata come stringa utilizzando il formato java.time.format.DateTimeFormatter.ISO_INSTANT (https://docs.oracle.com/en/java/javase/11/docs/api/java.base/java/time/format/DateTimeFormatter.html#ISO_INSTANT). In altri casi, specifica una tua stringa di pattern, ad esempio utilizzando
MMM dd yyyy HH:mm:ss.SSSVV
per i timestamp sotto forma di"Jan 21 1998 01:02:03.456+08:00"
. - spannerProjectId : l'ID del progetto Google Cloud che contiene il database Spanner. Se non viene configurato, viene utilizzato l'ID del progetto Google Cloud predefinito.
- spannerPriority : la priorità delle richieste per le chiamate Spanner. I valori possibili sono HIGH, MEDIUM e LOW. Il valore predefinito è MEDIUM.
- handleNewLine : se
true
, i dati di input possono contenere caratteri di nuova riga. In caso contrario, i caratteri di nuova riga causano un errore. Il valore predefinito èfalse
. L'attivazione della gestione delle nuove righe può ridurre le prestazioni. - invalidOutputPath : il percorso di Cloud Storage da utilizzare durante la scrittura di righe che non possono essere importate. ad esempio gs://your-bucket/your-path. Il campo predefinito è vuoto.
Se devi utilizzare formati di data o timestamp personalizzati, assicurati che siano pattern
java.time.format.DateTimeFormatter
validi. La seguente tabella mostra altri esempi di formati personalizzati per le colonne di data e timestamp:
Tipo | Valore di input | Formato | Osservazione |
---|---|---|---|
DATE |
2011-3-31 | Per impostazione predefinita, il modello può analizzare questo formato.
Non è necessario specificare il parametro dateFormat . |
|
DATE |
31-3-2011 00:00:00 | Per impostazione predefinita, il modello può analizzare questo formato.
Non è necessario specificare il formato. Se vuoi, puoi utilizzare
yyyy-M-d' 00:00:00' . |
|
DATE |
01 apr 18 | gg MMM, yy | |
DATE |
Mercoledì 3 aprile 2019 | EEEE, LLLL d, yyyy G | |
TIMESTAMP |
02-01-2019T11:22:33Z 02-01-2019T11:22:33.123Z 02-01-2019T11:22:33.12356789Z |
Il formato predefinito ISO_INSTANT può analizzare questo tipo di timestamp.
Non è necessario fornire il parametro timestampFormat . |
|
TIMESTAMP |
1568402363 | Per impostazione predefinita, il modello può analizzare questo tipo di timestamp e considerarlo come ora di epoca Unix. | |
TIMESTAMP |
Tue, 3 giu 2008 11:05:30 GMT | EEE, g MMM aaaa HH:mm:ss VV | |
TIMESTAMP |
31/12/2018 110530.123PST | aaaa/MM/gg HHmmss.SSSz | |
TIMESTAMP |
2019-01-02T11:22:33Z o 2019-01-02T11:22:33.123Z | yyyy-MM-dd'T'HH:mm:ss[.SSS]VV | Se la colonna di input è una combinazione di 2019-01-02T11:22:33Z e 2019-01-02T11:22:33.123Z, il formato predefinito può analizzare questo tipo di timestamp. Non è necessario fornire un parametro di formato personalizzato.
Puoi utilizzare yyyy-MM-dd'T'HH:mm:ss[.SSS]VV per gestire entrambi i casi. Non puoi utilizzare yyyy-MM-dd'T'HH:mm:ss[.SSS]'Z' , perché il postcorretto "Z" deve
essere analizzato come ID fuso orario, non come valore letterale di carattere. Internamente, la colonna del timestamp viene convertita in java.time.Instant .
Pertanto, deve essere specificata nel fuso orario UTC o avere informazioni sul fuso orario associate.
La data e ora locale, ad esempio 2019-01-02 11:22:33, non può essere analizzata come un valore java.time.Instant valido.
|
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 di regioni in cui è possibile eseguire un job Dataflow, consulta Località di Dataflow.
- Dal menu a discesa Modello Dataflow, seleziona the Text Files on Cloud Storage to Cloud Spanner template.
- Inserisci i valori parametro negli appositi campi.
- Fai clic su Esegui job.
gcloud
Nella shell o nel terminale, esegui il modello:
gcloud dataflow jobs run JOB_NAME \ --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/GCS_Text_to_Cloud_Spanner \ --region REGION_NAME \ --parameters \ instanceId=INSTANCE_ID,\ databaseId=DATABASE_ID,\ importManifest=GCS_PATH_TO_IMPORT_MANIFEST
Sostituisci quanto segue:
JOB_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 non con data del bucket: gs://dataflow-templates-REGION_NAME/latest/- il nome della versione, ad esempio
2023-09-12-00_RC00
, per utilizzare una versione specifica del modello, che è possibile trovare nidificata nella rispettiva cartella principale con data nel bucket: gs://dataflow-templates-REGION_NAME/
REGION_NAME
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
INSTANCE_ID
: l'ID istanza SpannerDATABASE_ID
: l'ID database di SpannerGCS_PATH_TO_IMPORT_MANIFEST
: il percorso Cloud Storage del file manifest di importazione
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/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/GCS_Text_to_Cloud_Spanner { "jobName": "JOB_NAME", "parameters": { "instanceId": "INSTANCE_ID", "databaseId": "DATABASE_ID", "importManifest": "GCS_PATH_TO_IMPORT_MANIFEST" }, "environment": { "machineType": "n1-standard-2" } }
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 non con data del bucket: gs://dataflow-templates-REGION_NAME/latest/- il nome della versione, ad esempio
2023-09-12-00_RC00
, per utilizzare una versione specifica del modello, che è possibile trovare nidificata nella rispettiva cartella principale con data nel bucket: gs://dataflow-templates-REGION_NAME/
LOCATION
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
INSTANCE_ID
: l'ID istanza SpannerDATABASE_ID
: l'ID database di SpannerGCS_PATH_TO_IMPORT_MANIFEST
: il percorso Cloud Storage del file manifest di importazione
Passaggi successivi
- Scopri di più sui modelli Dataflow.
- Consulta l'elenco dei modelli forniti da Google.