Template Pub/Sub Proto to BigQuery

Template Pub/Sub proto to BigQuery adalah pipeline streaming yang menyerap data proto dari langganan Pub/Sub ke dalam tabel BigQuery. Setiap error yang terjadi saat menulis ke tabel BigQuery di-streaming ke topik Pub/Sub yang belum diproses.

Fungsi yang ditentukan pengguna (UDF) JavaScript dapat disediakan untuk mengubah data. Error saat menjalankan UDF dapat dikirim ke topik Pub/Sub terpisah atau topik yang sama yang belum diproses seperti error BigQuery.

Sebelum menjalankan pipeline Dataflow untuk skenario ini, pertimbangkan apakah langganan Pub/Sub BigQuery dengan UDF memenuhi persyaratan Anda.

Persyaratan pipeline

  • Langganan Pub/Sub input harus ada.
  • File skema untuk data Proto harus ada di Cloud Storage.
  • Topik Pub/Sub output harus ada.
  • Set data BigQuery output harus ada.
  • Jika tabel BigQuery ada, tabel tersebut harus memiliki skema yang cocok dengan data proto, terlepas dari nilai createDisposition.

Parameter template

Parameter yang Diperlukan

  • protoSchemaPath (Jalur Cloud Storage ke File Skema Proto): Jalur Cloud Storage ke file set deskriptor mandiri. Contoh: gs://MyBucket/schema.pb. schema.pb dapat dibuat dengan menambahkan --descriptor_set_out=schema.pb ke perintah protoc yang mengompilasi proto. Flag --include_imports dapat digunakan untuk menjamin bahwa file bersifat mandiri.
  • fullMessageName (Nama Pesan Proto Lengkap): Nama pesan lengkap (contoh: package.name.MessageName). Jika pesan disarangkan di dalam pesan lain, sertakan semua pesan dengan pemisah '.' (contoh: package.name.OuterMessage.InnerMessage). 'package.name' harus berasal dari pernyataan package, bukan pernyataan java_package.
  • inputSubscription (Langganan input Pub/Sub): Langganan Pub/Sub untuk membaca input dari, dalam format 'projects/your-project-id/subscriptions/your-subscription-name' (Contoh: projects/your-project-id/subscriptions/your-subscription-name).
  • outputTableSpec (tabel output BigQuery): Lokasi tabel BigQuery untuk menulis output. Nama harus dalam format <project>:<dataset>.<table_name>. Skema tabel harus cocok dengan objek input.
  • outputTopic (Topik Pub/Sub output): Nama topik tempat data harus dipublikasikan, dalam format 'projects/your-project-id/topics/your-topic-name' (Contoh: projects/your-project-id/topics/your-topic-name).

Parameter Opsional

  • preserveProtoFieldNames (Pertahankan Nama Field Proto): Flag untuk mengontrol apakah nama field proto harus dipertahankan atau dikonversi ke lowerCamelCase. Jika tabel sudah ada, ini harus didasarkan pada apa yang cocok dengan skema tabel. Jika tidak, kolom ini akan menentukan nama kolom tabel yang dibuat. Benar untuk mempertahankan snake_case proto. Salah akan mengonversi kolom menjadi lowerCamelCase. (Default: false).
  • bigQueryTableSchemaPath (BigQuery Table Schema Path): Jalur Cloud Storage ke file JSON skema BigQuery. Jika tidak disetel, skema akan disimpulkan dari skema Proto. (Contoh: gs://MyBucket/bq_schema.json).
  • udfOutputTopic (Topik output Pub/Sub untuk kegagalan UDF): Topik output opsional untuk mengirim kegagalan UDF. Jika opsi ini tidak disetel, kegagalan akan ditulis ke topik yang sama dengan kegagalan BigQuery. (Contoh: projects/your-project-id/topics/your-topic-name).
  • writeDisposition (Write Disposition yang akan digunakan untuk BigQuery): WriteDisposition BigQuery. Misalnya, WRITE_APPEND, WRITE_EMPTY, atau WRITE_TRUNCATE. Default-nya adalah: WRITE_APPEND.
  • createDisposition (Create Disposition yang akan digunakan untuk BigQuery): CreateDisposition BigQuery. Misalnya, CREATE_IF_NEEDED, CREATE_NEVER. Defaultnya adalah: CREATE_IF_NEEDED.
  • javascriptTextTransformGcsPath (jalur Cloud Storage ke sumber UDF JavaScript): Pola jalur Cloud Storage untuk kode JavaScript yang berisi fungsi yang ditentukan pengguna. (Contoh: gs://your-bucket/your-function.js).
  • javascriptTextTransformFunctionName (Nama Fungsi Javascript UDF): Nama fungsi yang akan dipanggil dari file JavaScript Anda. Hanya gunakan huruf, angka, dan garis bawah. (Contoh: 'transform' atau 'transform_udf1').
  • javascriptTextTransformReloadIntervalMinutes (Interval pemuatan ulang otomatis UDF JavaScript (menit)): Tentukan interval saat pekerja dapat memeriksa perubahan UDF JavaScript untuk memuat ulang file. Nilai default: 0.
  • useStorageWriteApi (Gunakan BigQuery Storage Write API): Jika benar (true), pipeline akan menggunakan Storage Write API saat menulis data ke BigQuery (lihat https://cloud.google.com/blog/products/data-analytics/streaming-data-into-bigquery-using-storage-write-api). Nilai defaultnya adalah false. Saat menggunakan Storage Write API dalam mode exactly-once, Anda harus menetapkan parameter berikut: "Number of streams for BigQuery Storage Write API" dan "Triggering frequency in seconds for BigQuery Storage Write API". Jika Anda mengaktifkan mode minimal sekali Dataflow atau menyetel parameter useStorageWriteApiAtLeastOnce ke benar (true), Anda tidak perlu menyetel jumlah aliran atau frekuensi pemicuan.
  • useStorageWriteApiAtLeastOnce (Gunakan semantik minimal sekali di BigQuery Storage Write API): Parameter ini hanya berlaku jika "Gunakan BigQuery Storage Write API" diaktifkan. Jika diaktifkan, semantik minimal satu kali akan digunakan untuk Storage Write API, jika tidak, semantik tepat satu kali akan digunakan. Nilai defaultnya adalah: false.
  • numStorageWriteApiStreams (Jumlah aliran untuk BigQuery Storage Write API): Jumlah aliran menentukan paralelisme transformasi Penulisan BigQueryIO dan kira-kira sesuai dengan jumlah aliran BigQuery Storage Write API yang akan digunakan oleh pipeline. Lihat https://cloud.google.com/blog/products/data-analytics/streaming-data-into-bigquery-using-storage-write-api untuk mengetahui nilai yang direkomendasikan. Nilai default: 0.
  • storageWriteApiTriggeringFrequencySec (Frekuensi pemicuan dalam detik untuk BigQuery Storage Write API): Frekuensi pemicuan akan menentukan seberapa cepat data akan terlihat untuk dikueri di BigQuery. Lihat https://cloud.google.com/blog/products/data-analytics/streaming-data-into-bigquery-using-storage-write-api untuk mengetahui nilai yang direkomendasikan.

Fungsi yang ditentukan pengguna

Secara opsional, Anda dapat memperluas template ini dengan menulis fungsi yang ditentukan pengguna (UDF). Template memanggil UDF untuk setiap elemen input. Payload elemen diserialisasi sebagai string JSON. Untuk mengetahui informasi selengkapnya, lihat Membuat fungsi yang ditentukan pengguna untuk template Dataflow.

Spesifikasi fungsi

UDF memiliki spesifikasi berikut:

  • Input: kolom data pesan Pub/Sub, diserialisasi sebagai string JSON.
  • Output: string JSON yang cocok dengan skema tabel tujuan BigQuery.
  • Menjalankan template

    Konsol

    1. Buka halaman Dataflow Create job from template.
    2. Buka Membuat tugas dari template
    3. Di kolom Nama tugas, masukkan nama tugas yang unik.
    4. Opsional: Untuk Endpoint regional, pilih nilai dari menu drop-down. Region default-nya adalah us-central1.

      Untuk mengetahui daftar region tempat Anda dapat menjalankan tugas Dataflow, lihat Lokasi Dataflow.

    5. Dari menu drop-down Template Dataflow, pilih the Pub/Sub Proto to BigQuery template.
    6. Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
    7. Klik Run job.

    gcloud

    Di shell atau terminal Anda, jalankan template:

    gcloud dataflow flex-template run JOB_NAME \
        --region=REGION_NAME \
        --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/PubSub_Proto_to_BigQuery_Flex \
        --parameters \
    schemaPath=SCHEMA_PATH,\
    fullMessageName=PROTO_MESSAGE_NAME,\
    inputSubscription=SUBSCRIPTION_NAME,\
    outputTableSpec=BIGQUERY_TABLE,\
    outputTopic=UNPROCESSED_TOPIC
      

    Ganti kode berikut:

    • JOB_NAME: nama tugas unik pilihan Anda
    • REGION_NAME: region tempat Anda ingin men-deploy tugas Dataflow—misalnya, us-central1
    • VERSION: versi template yang ingin Anda gunakan

      Anda dapat menggunakan nilai berikut:

    • SCHEMA_PATH: jalur Cloud Storage ke file skema Proto (misalnya, gs://MyBucket/file.pb)
    • PROTO_MESSAGE_NAME: nama pesan Proto (misalnya, package.name.MessageName)
    • SUBSCRIPTION_NAME: nama langganan input Pub/Sub
    • BIGQUERY_TABLE: nama tabel output BigQuery
    • UNPROCESSED_TOPIC: topik Pub/Sub yang akan digunakan untuk antrean yang belum diproses

    API

    Untuk menjalankan template menggunakan REST API, kirim permintaan HTTP POST. Untuk mengetahui informasi selengkapnya tentang API dan cakupan otorisasinya, lihat 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/PubSub_Proto_to_BigQuery_Flex",
          "parameters": {
              "schemaPath": "SCHEMA_PATH",
              "fullMessageName": "PROTO_MESSAGE_NAME",
              "inputSubscription": "SUBSCRIPTION_NAME",
              "outputTableSpec": "BIGQUERY_TABLE",
              "outputTopic": "UNPROCESSED_TOPIC"
          }
       }
    }
      

    Ganti kode berikut:

    • PROJECT_ID: ID Google Cloud project tempat Anda ingin menjalankan tugas Dataflow
    • JOB_NAME: nama tugas unik pilihan Anda
    • LOCATION: region tempat Anda ingin men-deploy tugas Dataflow—misalnya, us-central1
    • VERSION: versi template yang ingin Anda gunakan

      Anda dapat menggunakan nilai berikut:

    • SCHEMA_PATH: jalur Cloud Storage ke file skema Proto (misalnya, gs://MyBucket/file.pb)
    • PROTO_MESSAGE_NAME: nama pesan Proto (misalnya, package.name.MessageName)
    • SUBSCRIPTION_NAME: nama langganan input Pub/Sub
    • BIGQUERY_TABLE: nama tabel output BigQuery
    • UNPROCESSED_TOPIC: topik Pub/Sub yang akan digunakan untuk antrean yang belum diproses

    Langkah berikutnya