Da Datastream a modello Spanner

Il modello Da Datastream a Spanner è una pipeline di inserimento flussi che legge gli eventi Datastream da un bucket Cloud Storage e li scrive in un database Spanner. È destinato alla migrazione dei dati dalle origini Datastream a Spanner.

Tutte le tabelle necessarie per la migrazione devono esistere nel database Spanner di destinazione prima dell'esecuzione del modello. Di conseguenza, la migrazione dello schema da un database di origine a Spanner di destinazione deve essere completata prima della migrazione dei dati. I dati possono esistere nelle tabelle prima della migrazione. Questo modello non propaga le modifiche dello schema Datastream al database Spanner.

La coerenza dei dati è garantita solo al termine della migrazione, quando tutti i dati sono stati scritti in Spanner. Per archiviare le informazioni sugli ordini per ogni record scritto in Spanner, questo modello crea una tabella aggiuntiva (chiamata tabella shadow) per ogni tabella nel database Spanner. Questo viene utilizzato per garantire la coerenza alla fine della migrazione. Le tabelle shadow non vengono eliminate dopo la migrazione e possono essere utilizzate per la convalida alla fine della migrazione.

Eventuali errori che si verificano durante l'operazione, come mancata corrispondenza dello schema, file JSON non corretti o errori derivanti dall'esecuzione di trasformazioni, vengono registrati in una coda di errori. La coda degli errori è una cartella di Cloud Storage in cui sono archiviati tutti gli eventi Datastream che hanno riscontrato errori insieme al motivo dell'errore in formato di testo. Gli errori possono essere temporanei o permanenti e vengono archiviati nelle cartelle Cloud Storage appropriate nella coda degli errori. Gli errori temporanei vengono riprovati automaticamente, mentre quelli permanenti non lo sono. In caso di errori permanenti, hai la possibilità di apportare correzioni agli eventi di modifica e di spostarli nel bucket ripristinabile mentre il modello è in esecuzione.

Requisiti della pipeline

  • Uno stream Datastream in stato In esecuzione o Non avviato.
  • Un bucket Cloud Storage in cui vengono replicati gli eventi Datastream.
  • Un database Spanner con tabelle esistenti. Queste tabelle possono essere vuote o contenere dati.

Parametri del modello

Parametri obbligatori

  • inputFilePattern : il percorso del file di Cloud Storage che contiene i file Datastream da replicare. In genere, si tratta del percorso principale di un flusso.
  • instanceId : l'istanza di Spanner in cui vengono replicate le modifiche.
  • databaseId : il database Spanner in cui le modifiche vengono replicate.
  • streamName : il nome o il modello del flusso per il polling delle informazioni sullo schema e del tipo di origine.

Parametri facoltativi

  • inputFileFormat : il formato del file di output prodotto da Datastream. Ad esempio avro,json. Valore predefinito: avro.
  • sessionFilePath : percorso del file della sessione in Cloud Storage contenente informazioni di mappatura di HarbourBridge.
  • projectId : l'ID progetto Spanner.
  • spannerHost : l'endpoint Cloud Spanner da chiamare nel modello. (Esempio: https://batch-spanner.googleapis.com). Il valore predefinito è https://batch-spanner.googleapis.com.
  • gcsPubSubSubscription : la sottoscrizione Pub/Sub in uso in un criterio di notifica di Cloud Storage. Il nome deve essere nel formato projects/
  • shadowTablePrefix : il prefisso utilizzato per assegnare un nome alle tabelle shadow. Valore predefinito: shadow_.
  • shouldCreateShadowTables : questo flag indica se è necessario creare tabelle shadow nel database Cloud Spanner. Il valore predefinito è: true.
  • rfcStartDateTime : la data/ora iniziale utilizzata per il recupero da Cloud Storage (https://tools.ietf.org/html/rfc3339). Il valore predefinito è 1970-01-01T00:00:00.00Z.
  • fileReadConcurrency : il numero di file DataStream simultanei da leggere. Il valore predefinito è 30.
  • deadLetterQueueDirectory : il percorso file utilizzato per l'archiviazione dell'output della coda di errori. Il percorso file predefinito è una directory sotto la posizione temporanea del job Dataflow.
  • dlqRetryMinutes : il numero di minuti tra i nuovi tentativi in coda dei messaggi non recapitabili. Il valore predefinito è 10.
  • dlqMaxRetryCount : il numero massimo di volte in cui è possibile tentare di nuovo errori temporanei tramite DLQ. Il valore predefinito è 500.
  • dataStreamRootUrl : URL principale dell'API Datastream. Il valore predefinito è https://datastream.googleapis.com/.
  • datastreamSourceType : è il tipo di database di origine a cui si connette Datastream. Esempio: mysql/oracle. Deve essere impostato durante i test senza un Datastream in esecuzione.
  • roundJsonDecimals : questo flag, se impostato, arrotonda i valori decimali nelle colonne json a un numero che può essere memorizzato senza perdita di precisione. Il valore predefinito è: false.
  • runMode : si tratta del tipo di modalità di esecuzione, regolare o con tentativoDLQ. Il valore predefinito è: regolare.
  • transformationContextFilePath: percorso del file di contesto di trasformazione in spazio di archiviazione sul cloud utilizzato per compilare i dati utilizzati nelle trasformazioni eseguite durante le migrazioni. Ad esempio, l'ID shard al nome del database per identificare il database da cui è stata eseguita la migrazione di una riga.
  • directoryWatchDurationInMinutes : durata per cui la pipeline deve continuare a eseguire il polling di una directory in GCS. I file Datastreamoutput sono disposti in una struttura di directory che mostra il timestamp dell'evento raggruppati per minuti. Questo parametro deve essere approssimativamente uguale al ritardo massimo che potrebbe verificarsi tra l'evento che si verifica nel database di origine e lo stesso evento viene scritto in GCS da Datastream. 99,9 percentile = 10 minuti. Il valore predefinito è 10.
  • spannerPriority : la priorità della richiesta per le chiamate Cloud Spanner. Il valore deve essere uno dei seguenti: [HIGH,MEDIUM,LOW]. Il valore predefinito è HIGH.
  • dlqGcsPubSubSubscription : la sottoscrizione Pub/Sub utilizzata in un criterio di notifica Cloud Storage per la directory dei tentativi DLQ quando viene eseguita in modalità normale. Il nome deve essere nel formato projects/
  • transformationJarPath : posizione del jar personalizzato in Cloud Storage contenente la logica di trasformazione personalizzata per l'elaborazione dei record nella migrazione in avanti. Il valore predefinito è vuoto.
  • transformationClassName : nome completo della classe con logica di trasformazione personalizzata. È un campo obbligatorio nel caso in cui sia specificato transformJarPath. Il valore predefinito è vuoto.
  • transformationCustomParameters : stringa contenente i parametri personalizzati da trasmettere alla classe di trasformazione personalizzata. Il valore predefinito è vuoto.
  • filteredEventsDirectory : è il percorso file per l'archiviazione degli eventi filtrati tramite una trasformazione personalizzata. Il valore predefinito è una directory sotto la località temporanea del job Dataflow. Il valore predefinito è sufficiente nella maggior parte delle condizioni.

Esegui il modello

Console

  1. Vai alla pagina Crea job da modello di Dataflow.
  2. Vai a Crea job da modello
  3. Nel campo Nome job, inserisci un nome univoco per il job.
  4. (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.

  5. Nel menu a discesa Modello Dataflow, seleziona the Cloud Datastream to Spanner template.
  6. Nei campi dei parametri forniti, inserisci i valori dei parametri.
  7. Fai clic su Esegui job.

gcloud

Nella shell o nel terminale, esegui il modello:

gcloud dataflow flex-template run JOB_NAME \
    --project=PROJECT_ID \
    --region=REGION_NAME \
    --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/Cloud_Datastream_to_Spanner \
    --parameters \
inputFilePattern=GCS_FILE_PATH,\
streamName=STREAM_NAME,\
instanceId=CLOUDSPANNER_INSTANCE,\
databaseId=CLOUDSPANNER_DATABASE,\
deadLetterQueueDirectory=DLQ
  

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del progetto Google Cloud in cui vuoi eseguire il job Dataflow
  • JOB_NAME: un nome job univoco a tua scelta
  • REGION_NAME: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • GCS_FILE_PATH: il percorso Cloud Storage utilizzato per archiviare gli eventi di flussi di dati. Ad esempio: gs://bucket/path/to/data/
  • CLOUDSPANNER_INSTANCE: la tua istanza di Spanner.
  • CLOUDSPANNER_DATABASE: il tuo database Spanner.
  • DLQ: il percorso Cloud Storage per la directory della coda di errori.

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",
      "containerSpecGcsPath": "gs://dataflow-templates-REGION_NAME/VERSION/flex/Cloud_Datastream_to_Spanner",
      "parameters": {
          "inputFilePattern": "GCS_FILE_PATH",
          "streamName": "STREAM_NAME"
          "instanceId": "CLOUDSPANNER_INSTANCE"
          "databaseId": "CLOUDSPANNER_DATABASE"
          "deadLetterQueueDirectory": "DLQ"
      }
   }
}
  

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del progetto Google Cloud in cui vuoi eseguire il job Dataflow
  • JOB_NAME: un nome job univoco a tua scelta
  • LOCATION: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • GCS_FILE_PATH: il percorso Cloud Storage utilizzato per archiviare gli eventi di flussi di dati. Ad esempio: gs://bucket/path/to/data/
  • CLOUDSPANNER_INSTANCE: la tua istanza di Spanner.
  • CLOUDSPANNER_DATABASE: il tuo database Spanner.
  • DLQ: il percorso Cloud Storage per la directory della coda di errori.

Passaggi successivi