Modello Pub/Sub a MongoDB con funzioni UDF Python

Il modello Pub/Sub a MongoDB con funzioni UDF Python è una pipeline in modalità flusso che legge i messaggi con codifica JSON da una sottoscrizione Pub/Sub e li scrive in MongoDB sotto forma di documenti. Se necessario, questa pipeline supporta trasformazioni aggiuntive che possono essere incluse utilizzando una funzione definita dall'utente (UDF) Python.

Se si verificano errori durante l'elaborazione dei record, il modello li scrive in una tabella BigQuery insieme al messaggio di input. Ad esempio, gli errori potrebbero verificarsi a causa della mancata corrispondenza dello schema, di un file JSON in formato errato o durante l'esecuzione delle trasformazioni. Specifica il nome della tabella nel parametro deadletterTable. Se la tabella non esiste, la pipeline la crea automaticamente.

Requisiti della pipeline

  • Deve esistere la sottoscrizione Pub/Sub e i messaggi devono essere codificati in un formato JSON valido.
  • Il cluster MongoDB deve esistere ed essere accessibile dalle macchine worker Dataflow.

Parametri del modello

Parametro Descrizione
inputSubscription Nome della sottoscrizione Pub/Sub. Ad esempio: projects/my-project-id/subscriptions/my-subscription-id
mongoDBUri Elenco di server MongoDB separati da virgole. Ad esempio: 192.285.234.12:27017,192.287.123.11:27017
database Database in MongoDB per archiviare la raccolta. Ad esempio: my-db.
collection Nome della raccolta all'interno del database MongoDB. Ad esempio: my-collection.
deadletterTable Tabella BigQuery che memorizza i messaggi a causa di errori (schema non corrispondente, JSON non valido e così via). Ad esempio: project-id:dataset-name.table-name.
pythonExternalTextTransformGcsPath (Facoltativo) 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.
pythonExternalTextTransformFunctionName (Facoltativo) Il nome della funzione definita dall'utente (UDF) Python che vuoi utilizzare.
batchSize (Facoltativo) Dimensioni del batch utilizzate per l'inserimento batch dei documenti in MongoDB. Valore predefinito: 1000.
batchSizeBytes (Facoltativo) Dimensioni del batch in byte. Valore predefinito: 5242880.
maxConnectionIdleTime (Facoltativo) Tempo massimo di inattività consentito in secondi prima del timeout della connessione. Valore predefinito: 60000.
sslEnabled (Facoltativo) Valore booleano che indica se la connessione a MongoDB è abilitata per SSL. Valore predefinito: true.
ignoreSSLCertificate (Facoltativo) Valore booleano che indica se il certificato SSL deve essere ignorato. Valore predefinito: true.
withOrdered (Facoltativo) Valore booleano che consente le inserzioni collettive ordinate in MongoDB. Valore predefinito: true.
withSSLInvalidHostNameAllowed (Facoltativo) Valore booleano che indica se è consentito un nome host non valido per la connessione SSL. Valore predefinito: true.

Funzione definita dall'utente

Se vuoi, puoi estendere questo modello scrivendo una funzione definita dall'utente (UDF). Il modello chiama la UDF per ogni elemento di input. I payload degli elementi vengono serializzati come stringhe JSON. Per ulteriori informazioni, consulta Creare funzioni predefinite dall'utente per i modelli Dataflow.

Specifiche della funzione

La UDF ha la seguente specifica:

  • Input: una singola riga di un file CSV di input.
  • Output: un documento JSON con stringa da inserire in MongoDB.

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, consulta Località di Dataflow.

  5. Nel menu a discesa Modello di flusso di dati, seleziona the Pub/Sub to MongoDB with Python UDFs 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_PubSub_to_MongoDB_Xlang \
    --parameters \
inputSubscription=INPUT_SUBSCRIPTION,\
mongoDBUri=MONGODB_URI,\
database=DATABASE,
collection=COLLECTION,
deadletterTable=UNPROCESSED_TABLE
  

Sostituisci quanto segue:

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

    Puoi utilizzare i seguenti valori:

  • INPUT_SUBSCRIPTION: l'abbonamento Pub/Sub (ad esempio projects/my-project-id/subscriptions/my-subscription-id)
  • MONGODB_URI: gli indirizzi dei server MongoDB (ad esempio 192.285.234.12:27017,192.287.123.11:27017)
  • DATABASE: il nome del database MongoDB (ad esempio users)
  • COLLECTION: il nome della raccolta MongoDB (ad esempio profiles)
  • UNPROCESSED_TABLE: il nome della tabella BigQuery (ad es. your-project:your-dataset.your-table-name)

API

Per eseguire il modello utilizzando l'API REST, invia una richiesta POST HTTP. Per ulteriori 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": {
          "inputSubscription": "INPUT_SUBSCRIPTION",
          "mongoDBUri": "MONGODB_URI",
          "database": "DATABASE",
          "collection": "COLLECTION",
          "deadletterTable": "UNPROCESSED_TABLE"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/Cloud_PubSub_to_MongoDB_Xlang",
   }
}
  

Sostituisci quanto segue:

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

    Puoi utilizzare i seguenti valori:

  • INPUT_SUBSCRIPTION: l'abbonamento Pub/Sub (ad esempio projects/my-project-id/subscriptions/my-subscription-id)
  • MONGODB_URI: gli indirizzi dei server MongoDB (ad esempio 192.285.234.12:27017,192.287.123.11:27017)
  • DATABASE: il nome del database MongoDB (ad esempio users)
  • COLLECTION: il nome della raccolta MongoDB (ad esempio profiles)
  • UNPROCESSED_TABLE: il nome della tabella BigQuery (ad es. your-project:your-dataset.your-table-name)

Passaggi successivi