Template Pub/Sub ke MongoDB dengan UDF Python

Template Pub/Sub to MongoDB with Python UDFs adalah pipeline streaming yang membaca pesan berenkode JSON dari langganan Pub/Sub dan menulisnya ke MongoDB sebagai dokumen. Jika diperlukan, pipeline ini mendukung transformasi tambahan yang dapat disertakan menggunakan fungsi yang ditentukan pengguna (UDF) Python.

Jika terjadi error saat memproses kumpulan data, template akan menulisnya ke tabel BigQuery, bersama dengan pesan input. Misalnya, error mungkin terjadi karena ketidakcocokan skema, JSON yang salah format, atau saat menjalankan transformasi. Tentukan nama tabel di parameter deadletterTable. Jika tabel tidak ada, pipeline akan otomatis membuatnya.

Persyaratan pipeline

  • Langganan Pub/Sub harus ada dan pesan harus dienkode dalam format JSON yang valid.
  • Cluster MongoDB harus ada dan harus dapat diakses dari mesin pekerja Dataflow.

Parameter template

Parameter Deskripsi
inputSubscription Nama langganan Pub/Sub. Contoh: projects/my-project-id/subscriptions/my-subscription-id
mongoDBUri Daftar server MongoDB yang dipisahkan koma. Contoh: 192.285.234.12:27017,192.287.123.11:27017
database Database di MongoDB untuk menyimpan koleksi. Misalnya: my-db.
collection Nama koleksi di dalam database MongoDB. Misalnya: my-collection.
deadletterTable Tabel BigQuery yang menyimpan pesan karena kegagalan (skema yang tidak cocok, JSON yang salah format, dll.). Misalnya: project-id:dataset-name.table-name.
pythonExternalTextTransformGcsPath Opsional: URI Cloud Storage dari file kode Python yang menentukan fungsi yang ditentukan pengguna (UDF) yang ingin Anda gunakan. Misalnya, gs://my-bucket/my-udfs/my_file.py.
pythonExternalTextTransformFunctionName Opsional: Nama fungsi yang ditentukan pengguna (UDF) Python yang ingin Anda gunakan.
batchSize Opsional: Ukuran batch yang digunakan untuk penyisipan batch dokumen ke MongoDB. Default: 1000.
batchSizeBytes Opsional: Ukuran batch dalam byte. Default: 5242880.
maxConnectionIdleTime Opsional: Waktu siaga maksimum yang diizinkan dalam detik sebelum waktu tunggu koneksi habis. Default: 60000.
sslEnabled Opsional: Nilai boolean yang menunjukkan apakah koneksi ke MongoDB mengaktifkan SSL. Default: true.
ignoreSSLCertificate Opsional: Nilai boolean yang menunjukkan apakah sertifikat SSL harus diabaikan. Default: true.
withOrdered Opsional: Nilai Boolean yang memungkinkan penyisipan massal yang diurutkan ke MongoDB. Default: true.
withSSLInvalidHostNameAllowed Opsional: Nilai boolean yang menunjukkan apakah nama host yang tidak valid diizinkan untuk koneksi SSL. Default: true.

Fungsi yang ditentukan pengguna (UDF)

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 informasi selengkapnya, lihat Membuat fungsi yang ditentukan pengguna untuk template Dataflow.

Spesifikasi fungsi

UDF memiliki spesifikasi berikut:

  • Input: satu baris dari file CSV input.
  • Output: dokumen JSON yang di-string untuk disisipkan ke dalam MongoDB.

Menjalankan template

Konsol

  1. Buka halaman Create job from template Dataflow.
  2. Buka Buat 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 defaultnya adalah us-central1.

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

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

gcloud

Di shell atau terminal, jalankan template:

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
  

Ganti kode berikut:

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

    Anda dapat menggunakan nilai berikut:

  • INPUT_SUBSCRIPTION: langganan Pub/Sub (misalnya, projects/my-project-id/subscriptions/my-subscription-id)
  • MONGODB_URI: alamat server MongoDB (misalnya, 192.285.234.12:27017,192.287.123.11:27017)
  • DATABASE: nama database MongoDB (misalnya, users)
  • COLLECTION: nama koleksi MongoDB (misalnya, profiles)
  • UNPROCESSED_TABLE: nama tabel BigQuery (misalnya, your-project:your-dataset.your-table-name)

API

Untuk menjalankan template menggunakan REST API, kirim permintaan POST HTTP. 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",
      "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",
   }
}
  

Ganti kode berikut:

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

    Anda dapat menggunakan nilai berikut:

  • INPUT_SUBSCRIPTION: langganan Pub/Sub (misalnya, projects/my-project-id/subscriptions/my-subscription-id)
  • MONGODB_URI: alamat server MongoDB (misalnya, 192.285.234.12:27017,192.287.123.11:27017)
  • DATABASE: nama database MongoDB (misalnya, users)
  • COLLECTION: nama koleksi MongoDB (misalnya, profiles)
  • UNPROCESSED_TABLE: nama tabel BigQuery (misalnya, your-project:your-dataset.your-table-name)

Langkah selanjutnya