Modèle MongoDB vers BigQuery (CDC).

Ce modèle crée un pipeline de streaming qui fonctionne avec les flux de modifications MongoDB. Pour utiliser ce modèle, publiez les données du flux de modifications dans Pub/Sub. Le pipeline lit les enregistrements JSON à partir de Pub/Sub et les écrit dans BigQuery. Les enregistrements écrits dans BigQuery ont le même format que le modèle par lots MongoDB vers BigQuery.

Conditions requises pour ce pipeline

  • L'ensemble de données BigQuery cible doit exister.
  • L'instance MongoDB source doit être accessible à partir des machines de nœud de calcul Dataflow.
  • Vous devez créer un sujet Pub/Sub pour lire le flux de modifications. Pendant l'exécution du pipeline, écoutez les événements de capture des données modifiées (CDC, Change Data Capture) dans le flux de modifications MongoDB, puis publiez-les dans Pub/Sub en tant qu'enregistrements JSON. Pour plus d'informations sur la publication de messages dans Pub/Sub, consultez la section Publier des messages dans des sujets.

Paramètres de modèle

Paramètres obligatoires

  • mongoDbUri : URI de connexion MongoDB au format mongodb+srv://:@..
  • database : base de données de MongoDB à partir de laquelle lire la collection. (Exemple : my-db).
  • collection : nom de la collection dans la base de données MongoDB. (Exemple : my-collection).
  • userOption : FLATTEN ou NONE. FLATTEN aplatit la ligne au niveau unique. NONE stocke l'intégralité du document sous forme de chaîne JSON. La valeur par défaut est "NONE".
  • inputTopic : sujet d'entrée Pub/Sub à lire, au format projects/<ID_PROJET>/topics/<NOM_SUJET>.
  • outputTableSpec : Table BigQuery dans laquelle écrire. Exemple :bigquery-project:dataset.output_table

Paramètres facultatifs

  • useStorageWriteApiAtLeastOnce : spécifie la sémantique d'écriture, lorsque vous utilisez l'API Storage Write. Pour utiliser la sémantique de type "au moins une fois" (https://beam.apache.org/documentation/io/built-in/google-bigquery/#at-least-once-semantics), définissez ce paramètre sur true. Pour utiliser la sémantique de type "exactement une fois", définissez le paramètre sur false. Ce paramètre ne s'applique que lorsque la valeur de useStorageWriteApi est définie sur true. La valeur par défaut est false.
  • KMSEncryptionKey : clé de chiffrement Cloud KMS permettant de déchiffrer la chaîne de connexion URI mongodb. Si la clé Cloud KMS est transmise, l'uri de la chaîne de connexion mongodb doit toutes être transmises de manière chiffrée. (Exemple : projects/your-project/locations/global/keyRings/your-keyring/cryptoKeys/your-key).
  • useStorageWriteApi : si la valeur est définie sur "true", le pipeline utilise l'API BigQuery Storage Write (https://cloud.google.com/bigquery/docs/write-api). La valeur par défaut est false. Pour en savoir plus, consultez la page "Utiliser l'API Storage Write" (https://beam.apache.org/documentation/io/built-in/google-bigquery/#storage-write-api).
  • numStorageWriteApiStreams : spécifie le nombre de flux d'écriture, lorsque vous utilisez l'API Storage Write. Si useStorageWriteApi est défini sur true et useStorageWriteApiAtLeastOnce sur false, vous devez définir ce paramètre. La valeur par défaut est 0.
  • storageWriteApiTriggeringFrequencySec : spécifie la fréquence de déclenchement, en secondes, lorsque vous utilisez l'API Storage Write. Si useStorageWriteApi est défini sur true et useStorageWriteApiAtLeastOnce sur false, vous devez définir ce paramètre.
  • javascriptDocumentTransformGcsPath : URI Cloud Storage du fichier .js qui définit la fonction JavaScript définie par l'utilisateur à utiliser. (Exemple : gs://your-bucket/your-transforms/*.js).
  • javascriptDocumentTransformFunctionName : nom de la fonction JavaScript définie par l'utilisateur (UDF) à utiliser. Par exemple, si le code de votre fonction JavaScript est myTransform(inJson) { /*...do stuff...*/ }, le nom de la fonction est myTransform. Pour obtenir des exemples de fonctions JavaScript définies par l'utilisateur, consultez la section https://github.com/GoogleCloudPlatform/DataflowTemplates#udf-examples. (Par exemple : "transform").

Fonction définie par l'utilisateur

Vous pouvez éventuellement étendre ce modèle en écrivant une fonction définie par l'utilisateur (UDF) en JavaScript. Le modèle appelle l'UDF pour chaque élément d'entrée. Les charges utiles des éléments sont sérialisées sous forme de chaînes JSON.

Pour utiliser une UDF, importez le fichier JavaScript dans Cloud Storage et définissez les paramètres de modèle suivants :

ParamètreDescription
javascriptDocumentTransformGcsPath Emplacement Cloud Storage du fichier JavaScript.
javascriptDocumentTransformFunctionName Nom de la fonction JavaScript.

Pour en savoir plus, consultez la page Créer des fonctions définies par l'utilisateur pour les modèles Dataflow.

Spécification de la fonction

La spécification de l'UDF se présente comme suit :

  • Entrée : document MongoDB.
  • Résultat : objet sérialisé en tant que chaîne JSON.
  • Exécuter le modèle

    Console

    1. Accédez à la page Dataflow Créer un job à partir d'un modèle.
    2. Accéder à la page Créer un job à partir d'un modèle
    3. Dans le champ Nom du job, saisissez un nom de job unique.
    4. Facultatif : pour Point de terminaison régional, sélectionnez une valeur dans le menu déroulant. La région par défaut est us-central1.

      Pour obtenir la liste des régions dans lesquelles vous pouvez exécuter un job Dataflow, consultez la page Emplacements Dataflow.

    5. Dans le menu déroulant Modèle Dataflow, sélectionnez the MongoDB to BigQuery (CDC) template.
    6. Dans les champs fournis, saisissez vos valeurs de paramètres.
    7. Cliquez sur Run Job (Exécuter la tâche).

    gcloud

    Dans le shell ou le terminal, exécutez le modèle :

    gcloud dataflow flex-template run JOB_NAME \
        --project=PROJECT_ID \
        --region=REGION_NAME \
        --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/MongoDB_to_BigQuery_CDC \
        --parameters \
    outputTableSpec=OUTPUT_TABLE_SPEC,\
    mongoDbUri=MONGO_DB_URI,\
    database=DATABASE,\
    collection=COLLECTION,\
    userOption=USER_OPTION,\
    inputTopic=INPUT_TOPIC
    

    Remplacez les éléments suivants :

    • PROJECT_ID : ID du projet Google Cloud dans lequel vous souhaitez exécuter le job Dataflow
    • JOB_NAME : nom de job unique de votre choix
    • REGION_NAME : région dans laquelle vous souhaitez déployer votre job Dataflow, par exemple us-central1
    • VERSION : version du modèle que vous souhaitez utiliser

      Vous pouvez utiliser les valeurs suivantes :

    • OUTPUT_TABLE_SPEC : nom de votre table BigQuery cible.
    • MONGO_DB_URI : votre URI MongoDB.
    • DATABASE : votre base de données MongoDB.
    • COLLECTION : votre collection MongoDB.
    • USER_OPTION : FLATTEN ou NONE.
    • INPUT_TOPIC : votre sujet d'entrée Pub/Sub.

    API

    Pour exécuter le modèle à l'aide de l'API REST, envoyez une requête HTTP POST. Pour en savoir plus sur l'API, ses autorisations et leurs champs d'application, consultez la section projects.templates.launch.

    POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/flexTemplates:launch
    {
       "launch_parameter": {
          "jobName": "JOB_NAME",
          "parameters": {
              "inputTableSpec": "INPUT_TABLE_SPEC",
              "mongoDbUri": "MONGO_DB_URI",
              "database": "DATABASE",
              "collection": "COLLECTION",
              "userOption": "USER_OPTION",
              "inputTopic": "INPUT_TOPIC"
          },
          "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/MongoDB_to_BigQuery_CDC",
       }
    }

    Remplacez les éléments suivants :

    • PROJECT_ID : ID du projet Google Cloud dans lequel vous souhaitez exécuter le job Dataflow
    • JOB_NAME : nom de job unique de votre choix
    • LOCATION : région dans laquelle vous souhaitez déployer votre job Dataflow, par exemple us-central1
    • VERSION : version du modèle que vous souhaitez utiliser

      Vous pouvez utiliser les valeurs suivantes :

    • OUTPUT_TABLE_SPEC : nom de votre table BigQuery cible.
    • MONGO_DB_URI : votre URI MongoDB.
    • DATABASE : votre base de données MongoDB.
    • COLLECTION : votre collection MongoDB.
    • USER_OPTION : FLATTEN ou NONE.
    • INPUT_TOPIC : votre sujet d'entrée Pub/Sub.

    Étapes suivantes