Da Pub/Sub a modello MongoDB

Il modello Pub/Sub a MongoDB è una pipeline di inserimento flussi che legge i messaggi con codifica JSON da una sottoscrizione Pub/Sub e li scrive su MongoDB come documenti. Se necessario, questa pipeline supporta ulteriori trasformazioni che possono essere incluse utilizzando una funzione JavaScript definita dall'utente (UDF).

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

Requisiti della pipeline

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

Parametri del modello

Parametri obbligatori

  • inputSubscription : nome della sottoscrizione Pub/Sub. Ad esempio: projects/your-project-id/subscriptions/your-subscription-name.
  • mongoDBUri : elenco separato da virgole di server MongoDB. (Esempio: host1:porta,host2:porta,host3:porta).
  • database : database in MongoDB per archiviare la raccolta. (Esempio: my-db).
  • collection : nome della raccolta nel database MongoDB. (Esempio: mia-raccolta).
  • deadletterTable : la tabella BigQuery in cui sono archiviati i messaggi causati da errori, come schema non corrispondente, JSON con formato non corretto e così via. Ad esempio: id-progetto:set-di-dati.nome-tabella.

Parametri facoltativi

  • batchSize : dimensione del batch utilizzata per l'inserimento batch di documenti in MongoDB. Il valore predefinito è 1000.
  • batchSizeBytes : dimensione del batch in byte. Il valore predefinito è 5242880.
  • maxConnectionIdleTime : tempo di inattività massimo consentito in secondi prima che si verifichi il timeout della connessione. Il valore predefinito è 60.000.
  • sslEnabled : valore booleano che indica se la connessione a MongoDB è abilitata per SSL. Il valore predefinito è: true.
  • ignoreSSLCertificate : valore booleano che indica se ignorare il certificato SSL. Il valore predefinito è: true.
  • withOrdered : valore booleano che consente l'inserimento di ordini in blocco in MongoDB. Il valore predefinito è: true.
  • withSSLInvalidHostNameAllowed : valore booleano che indica se un nome host non valido è consentito per la connessione SSL. Il valore predefinito è: true.
  • javascriptTextTransformGcsPath : l'URI Cloud Storage del file .js che definisce la funzione JavaScript definita dall'utente da utilizzare. (Esempio: gs://my-bucket/my-udfs/my_file.js).
  • javascriptTextTransformFunctionName : il nome della funzione definita dall'utente di JavaScript da utilizzare. Ad esempio, se il codice della funzione JavaScript è myTransform(inJson) { /*...do stuff...*/ }, il nome della funzione è myTransform. Per esempi di funzioni JavaScript di esempio, consulta gli esempi di funzioni definite dall'utente (https://github.com/GoogleCloudPlatform/DataflowTemplates#udf-examples).
  • javascriptTextTransformReloadIntervalMinutes : specifica la frequenza con cui ricaricare la funzione definita dall'utente, in minuti. Se il valore è maggiore di 0, Dataflow controlla periodicamente il file della funzione definita dall'utente in Cloud Storage e, se il file viene modificato, la ricarica. Questo parametro consente di aggiornare la funzione definita dall'utente mentre la pipeline è in esecuzione, senza dover riavviare il job. Se il valore è 0, il ricaricamento delle funzioni definite dall'utente è disabilitato. Il valore predefinito è 0.

Funzione definita dall'utente

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

Specifica della funzione

La funzione definita dall'utente ha le seguenti specifiche:

  • Input: una singola riga di un file CSV di input.
  • Output: un documento JSON stringato 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, vedi Località Dataflow.

  5. Nel menu a discesa Modello Dataflow, seleziona the Pub/Sub to MongoDB 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 \
    --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 job univoco a tua scelta
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • INPUT_SUBSCRIPTION: la sottoscrizione 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 esempio, your-project:your-dataset.your-table-name)

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",
      "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",
   }
}
  

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 job univoco a tua scelta
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • INPUT_SUBSCRIPTION: la sottoscrizione 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 esempio, your-project:your-dataset.your-table-name)

Passaggi successivi