Testo Cloud Storage in BigQuery (flusso) con modello della funzione definita dall'utente Python

La pipeline da testo a BigQuery di Cloud Storage è una pipeline in modalità flusso che invia i flussi di file di testo archiviati in Cloud Storage, li trasforma utilizzando una funzione definita dall'utente dall'utente (UDF) Python che fornisci e aggiunge il risultato a BigQuery.

La pipeline viene eseguita all'infinito e deve essere terminata manualmente tramite un'azione cancel e non una drenaggio, a causa dell'utilizzo della trasformazione Watch, che è un DoFn suddivisibile che non supporta lo svuotamento.

Requisiti della pipeline

  • Crea un file JSON che descriva lo schema della tabella di output in BigQuery.

    Assicurati che esista un array JSON di primo livello denominato fields e che i suoi contenuti seguano il pattern {"name": "COLUMN_NAME", "type": "DATA_TYPE"}. Ad esempio:

    {
      "fields": [
        {
          "name": "name",
          "type": "STRING"
        },
        {
          "name": "age",
          "type": "INTEGER"
        }
      ]
    }
    
  • Crea un file Python (.py) con la funzione UDF che fornisce la logica per trasformare le righe di testo. La funzione deve restituire una stringa JSON.

    L'esempio seguente divide ogni riga di un file CSV, crea un oggetto JSON con i valori e restituisce una stringa JSON:

    import json
    def process(value):
      data = value.split(',')
      obj = { 'name': data[0], 'age': int(data[1]) }
      return json.dumps(obj)
    

Parametri del modello

Parametro Descrizione
pythonExternalTextTransformGcsPath 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 Il nome della funzione definita dall'utente (UDF) Python che vuoi utilizzare.
JSONPath Percorso Cloud Storage del file di schema BigQuery, descritto come JSON. Ad esempio: gs://path/to/my/schema.json.
outputTable La tabella BigQuery completa. Ad esempio: my-project:dataset.table
inputFilePattern Percorso Cloud Storage del testo che vuoi elaborare. Ad esempio: gs://my-bucket/my-files/text.txt.
bigQueryLoadingTemporaryDirectory Directory temporanea per il processo di caricamento di BigQuery. Ad esempio: gs://my-bucket/my-files/temp_dir
outputDeadletterTable Tabella per i messaggi che non sono riusciti a raggiungere la tabella di output. Ad esempio: my-project:dataset.my-unprocessed-table. Se non esiste, viene creato durante l'esecuzione della pipeline. Se non specificato, viene utilizzato il criterio <outputTableSpec>_error_records.

Funzione definita dall'utente

Questo modello richiede una funzione definita dall'utente che analizza i file di input, come descritto nei requisiti della pipeline. Il modello chiama la funzione definita dall'utente per ogni riga di testo in ogni file di input. Per ulteriori informazioni sulla creazione di funzioni definite dall'utente, consulta Creare funzioni definite dall'utente per i modelli Dataflow.

Specifica della funzione

La funzione definita dall'utente ha la seguente specifica:

  • Input: una singola riga di testo da un file di input.
  • Output: una stringa JSON che corrisponde allo schema della tabella di destinazione BigQuery.

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 di regioni in cui è possibile eseguire un job Dataflow, consulta Località di Dataflow.

  5. Dal menu a discesa Modello Dataflow, seleziona the Cloud Storage Text to BigQuery (Stream) with Python UDF template.
  6. Inserisci i valori parametro negli appositi campi.
  7. Fai clic su Esegui job.

gcloud

Nella shell o nel terminale, esegui il modello:

gcloud dataflow flex-template run JOB_NAME \
    --template-file-gcs-location gs://dataflow-templates-REGION_NAME/VERSION/flex/Stream_GCS_Text_to_BigQuery_Xlang \
    --region REGION_NAME \
    --staging-location STAGING_LOCATION \
    --parameters \
pythonExternalTextTransformGcsPath=PATH_TO_PYTHON_UDF_FILE,\
pythonExternalTextTransformFunctionName=PYTHON_FUNCTION,\
JSONPath=PATH_TO_BIGQUERY_SCHEMA_JSON,\
inputFilePattern=PATH_TO_TEXT_DATA,\
outputTable=BIGQUERY_TABLE,\
outputDeadletterTable=BIGQUERY_UNPROCESSED_TABLE,\
bigQueryLoadingTemporaryDirectory=PATH_TO_TEMP_DIR_ON_GCS

Sostituisci quanto segue:

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

    Puoi utilizzare i seguenti valori:

    • latest per utilizzare la versione più recente del modello, disponibile nella cartella padre non con data del bucket: gs://dataflow-templates-REGION_NAME/latest/
    • il nome della versione, ad esempio 2023-09-12-00_RC00, per utilizzare una versione specifica del modello, che è possibile trovare nidificata nella rispettiva cartella principale con data nel bucket: gs://dataflow-templates-REGION_NAME/
  • STAGING_LOCATION: la posizione per i file locali di gestione temporanea (ad esempio, gs://your-bucket/staging)
  • PYTHON_FUNCTION: il nome della funzione definita dall'utente (UDF) Python che vuoi utilizzare.
  • PATH_TO_BIGQUERY_SCHEMA_JSON: il percorso Cloud Storage del file JSON contenente la definizione dello schema
  • PATH_TO_PYTHON_UDF_FILE: 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.
  • PATH_TO_TEXT_DATA: il percorso Cloud Storage del set di dati di testo
  • BIGQUERY_TABLE: il nome della tua tabella BigQuery
  • BIGQUERY_UNPROCESSED_TABLE: il nome della tabella BigQuery per i messaggi non elaborati
  • PATH_TO_TEMP_DIR_ON_GCS: il percorso Cloud Storage della directory temporanea

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": {
       "pythonExternalTextTransformFunctionName": "PYTHON_FUNCTION",
       "JSONPath": "PATH_TO_BIGQUERY_SCHEMA_JSON",
       "pythonExternalTextTransformGcsPath": "PATH_TO_PYTHON_UDF_FILE",
       "inputFilePattern":"PATH_TO_TEXT_DATA",
       "outputTable":"BIGQUERY_TABLE",
       "outputDeadletterTable":"BIGQUERY_UNPROCESSED_TABLE",
       "bigQueryLoadingTemporaryDirectory": "PATH_TO_TEMP_DIR_ON_GCS"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/Stream_GCS_Text_to_BigQuery_Xlang",
   }
}

Sostituisci quanto segue:

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

    Puoi utilizzare i seguenti valori:

    • latest per utilizzare la versione più recente del modello, disponibile nella cartella padre non con data del bucket: gs://dataflow-templates-REGION_NAME/latest/
    • il nome della versione, ad esempio 2023-09-12-00_RC00, per utilizzare una versione specifica del modello, che è possibile trovare nidificata nella rispettiva cartella principale con data nel bucket: gs://dataflow-templates-REGION_NAME/
  • STAGING_LOCATION: la posizione per i file locali di gestione temporanea (ad esempio, gs://your-bucket/staging)
  • PYTHON_FUNCTION: il nome della funzione definita dall'utente (UDF) Python che vuoi utilizzare.
  • PATH_TO_BIGQUERY_SCHEMA_JSON: il percorso Cloud Storage del file JSON contenente la definizione dello schema
  • PATH_TO_PYTHON_UDF_FILE: 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.
  • PATH_TO_TEXT_DATA: il percorso Cloud Storage del set di dati di testo
  • BIGQUERY_TABLE: il nome della tua tabella BigQuery
  • BIGQUERY_UNPROCESSED_TABLE: il nome della tabella BigQuery per i messaggi non elaborati
  • PATH_TO_TEMP_DIR_ON_GCS: il percorso Cloud Storage della directory temporanea

Passaggi successivi