La pipeline da testo a BigQuery da Cloud Storage è una pipeline di inserimento flussi che trasmette in flussi di file di testo archiviati in Cloud Storage, li trasforma utilizzando una funzione JavaScript definita dall'utente (UDF) da te fornita e aggiunge il risultato a BigQuery.
La pipeline è in esecuzione a tempo indeterminato e deve essere terminata manualmente tramite
cancel e non
svuotamento, a causa dell'utilizzo della
trasformazione Watch
, che è una dimensione DoFn
con possibilità di suddivisione 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 JavaScript (
.js
) con la tua 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:
function process(inJson) { val = inJson.split(","); const obj = { "name": val[0], "age": parseInt(val[1]) }; return JSON.stringify(obj); }
Parametri del modello
Parametri obbligatori
- inputFilePattern : il percorso gs:// del testo in Cloud Storage che vuoi elaborare. (Esempio: gs://your-bucket/your-file.txt).
- JSONPath : il percorso gs:// del file JSON che definisce lo schema BigQuery, archiviato in Cloud Storage. (Esempio: gs://your-bucket/your-schema.json).
- outputTable : la posizione della tabella BigQuery da utilizzare per archiviare i dati elaborati. Se riutilizzi una tabella esistente, questa viene sovrascritta. Esempio: <PROJECT_ID>:<DATASET_NAME>.<TABLE_NAME>.
- javascriptTextTransformGcsPath : l'URI Cloud Storage del file
.js
che definisce la funzione definita dall'utente dall'utente JavaScript che vuoi utilizzare. (Esempio: gs://your-bucket/your-transforms/*.js). - javascriptTextTransformFunctionName : il nome della funzione definita dall'utente JavaScript che vuoi utilizzare. Ad esempio, se il codice della funzione JavaScript è
myTransform(inJson) { /*...do stuff...*/ }
, il nome della funzione èmyTransform
. Per esempi di funzioni definite dall'utente JavaScript, consulta gli esempi di funzione definita dall'utente (https://github.com/GoogleCloudPlatform/DataflowTemplates#udf-examples) (ad esempio: transform_udf1). - bigQueryLoadingTemporaryDirectory : directory temporanea per il processo di caricamento di BigQuery. Esempio: gs://your-bucket/your-files/temp-dir.
Parametri facoltativi
- outputDeadletterTable : tabella per i messaggi che non sono riusciti a raggiungere la tabella di output. Se non esiste una tabella, viene creata durante l'esecuzione della pipeline. Se non specificato, viene utilizzato
<outputTableSpec>_error_records
. Esempio: <PROJECT_ID>:<DATASET_NAME>.<TABLE_NAME>. - useStorageWriteApiAtLeastOnce : questo parametro diventa effettivo solo se è abilitata l'opzione "Utilizza l'API BigQuery Storage Write". Se abilitata, verrà usata la semantica "at-least-once" per l'API Storage Write, altrimenti verrà usata la semantica "exactly-once". Il valore predefinito è: false.
- useStorageWriteApi : se
true
, la pipeline utilizza l'API BigQuery Storage Write (https://cloud.google.com/bigquery/docs/write-api). Il valore predefinito èfalse
. Per saperne di più, consulta la pagina relativa all'utilizzo dell'API Storage Write (https://beam.apache.org/documentation/io/built-in/google-bigquery/#storage-write-api). - numStorageWriteApiStreams : quando si utilizza l'API Storage Write, specifica il numero di flussi di scrittura. Se
useStorageWriteApi
ètrue
euseStorageWriteApiAtLeastOnce
èfalse
, devi impostare questo parametro. Il valore predefinito è 0. - storageWriteApiTriggeringFrequencySec : quando utilizzi l'API Storage Write, specifica la frequenza di attivazione in secondi. Se
useStorageWriteApi
ètrue
euseStorageWriteApiAtLeastOnce
èfalse
, devi impostare questo parametro. - pythonExternalTextTransformGcsPath : il pattern di percorso di Cloud Storage per il codice Python contenente le funzioni definite dall'utente. (Esempio: gs://your-bucket/your-function.py.
- 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
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 le seguenti specifiche:
- Input: una singola riga di testo di un file di input.
- Output: una stringa JSON corrispondente allo schema della tabella di destinazione BigQuery.
Esegui il modello
Console
- Vai alla pagina Crea job da modello di Dataflow. Vai a Crea job da modello
- Nel campo Nome job, inserisci un nome univoco per il job.
- (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.
- Nel menu a discesa Modello Dataflow, seleziona the Cloud Storage Text to BigQuery (Stream) template.
- Nei campi dei parametri forniti, inserisci i valori dei parametri.
- 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_Flex \ --region REGION_NAME \ --staging-location STAGING_LOCATION \ --parameters \ javascriptTextTransformGcsPath=PATH_TO_JAVASCRIPT_UDF_FILE,\ javascriptTextTransformFunctionName=JAVASCRIPT_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 sceltaREGION_NAME
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
VERSION
: la versione del modello che vuoi utilizzarePuoi utilizzare i seguenti valori:
latest
per utilizzare la versione più recente del modello, disponibile nella cartella padre senza data del bucket: gs://dataflow-templates-REGION_NAME/latest/- il nome della versione, come
2023-09-12-00_RC00
, per utilizzare una versione specifica del modello, che si trova nidificata nella rispettiva cartella padre con data all'interno del bucket: gs://dataflow-templates-REGION_NAME/
STAGING_LOCATION
: la posizione per la gestione temporanea dei file locali (ad esempio,gs://your-bucket/staging
)JAVASCRIPT_FUNCTION
: il nome della funzione definita dall'utente dall'utente JavaScript che vuoi utilizzareAd esempio, se il codice della funzione JavaScript è
myTransform(inJson) { /*...do stuff...*/ }
, il nome della funzione èmyTransform
. Per esempi di funzioni JavaScript definite, consulta gli esempi di funzioni definite dall'utente.PATH_TO_BIGQUERY_SCHEMA_JSON
: il percorso Cloud Storage del file JSON contenente la definizione dello schemaPATH_TO_JAVASCRIPT_UDF_FILE
: l'URI Cloud Storage del file.js
che definisce la funzione JavaScript definita dall'utente che vuoi utilizzare, ad esempiogs://my-bucket/my-udfs/my_file.js
PATH_TO_TEXT_DATA
: il percorso Cloud Storage del set di dati di testoBIGQUERY_TABLE
: nome della tua tabella BigQueryBIGQUERY_UNPROCESSED_TABLE
: il nome della tabella BigQuery per i messaggi non elaboratiPATH_TO_TEMP_DIR_ON_GCS
: 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": { "javascriptTextTransformFunctionName": "JAVASCRIPT_FUNCTION", "JSONPath": "PATH_TO_BIGQUERY_SCHEMA_JSON", "javascriptTextTransformGcsPath": "PATH_TO_JAVASCRIPT_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_Flex", } }
Sostituisci quanto segue:
PROJECT_ID
: l'ID del progetto Google Cloud in cui vuoi eseguire il job DataflowJOB_NAME
: un nome job univoco a tua sceltaLOCATION
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
VERSION
: la versione del modello che vuoi utilizzarePuoi utilizzare i seguenti valori:
latest
per utilizzare la versione più recente del modello, disponibile nella cartella padre senza data del bucket: gs://dataflow-templates-REGION_NAME/latest/- il nome della versione, come
2023-09-12-00_RC00
, per utilizzare una versione specifica del modello, che si trova nidificata nella rispettiva cartella padre con data all'interno del bucket: gs://dataflow-templates-REGION_NAME/
STAGING_LOCATION
: la posizione per la gestione temporanea dei file locali (ad esempio,gs://your-bucket/staging
)JAVASCRIPT_FUNCTION
: il nome della funzione definita dall'utente dall'utente JavaScript che vuoi utilizzareAd esempio, se il codice della funzione JavaScript è
myTransform(inJson) { /*...do stuff...*/ }
, il nome della funzione èmyTransform
. Per esempi di funzioni JavaScript definite, consulta gli esempi di funzioni definite dall'utente.PATH_TO_BIGQUERY_SCHEMA_JSON
: il percorso Cloud Storage del file JSON contenente la definizione dello schemaPATH_TO_JAVASCRIPT_UDF_FILE
: l'URI Cloud Storage del file.js
che definisce la funzione JavaScript definita dall'utente che vuoi utilizzare, ad esempiogs://my-bucket/my-udfs/my_file.js
PATH_TO_TEXT_DATA
: il percorso Cloud Storage del set di dati di testoBIGQUERY_TABLE
: nome della tua tabella BigQueryBIGQUERY_UNPROCESSED_TABLE
: il nome della tabella BigQuery per i messaggi non elaboratiPATH_TO_TEMP_DIR_ON_GCS
: percorso Cloud Storage della directory temporanea
Passaggi successivi
- Scopri di più sui modelli Dataflow.
- Consulta l'elenco dei modelli forniti da Google.