Creare una pipeline Dataflow utilizzando Go

Creare una pipeline Dataflow utilizzando Go

Questa pagina mostra come utilizzare l'SDK Apache Beam per Go per creare un programma che definisce una pipeline. Poi esegui la pipeline in locale e dal servizio Dataflow. Per un'introduzione alla pipeline di conteggio parole, consulta Video su come utilizzare WordCount in Apache Beam.

Prima di iniziare

1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
2. Install the Google Cloud CLI.

3. To initialize the gcloud CLI, run the following command:

   gcloud init

4. Create or select a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   • Create a Google Cloud project:

     gcloud projects create PROJECT_ID

     Replace PROJECT_ID with a name for the Google Cloud project you are creating.

   • Select the Google Cloud project that you created:

     gcloud config set project PROJECT_ID

     Replace PROJECT_ID with your Google Cloud project name.

5. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

6. Abilita le API Dataflow, Compute Engine, Cloud Logging, Cloud Storage, Google Cloud Storage JSON, and Cloud Resource Manager.

   gcloud services enable dataflow compute_component logging storage_component storage_api cloudresourcemanager.googleapis.com

7. Create local authentication credentials for your user account:

   gcloud auth application-default login

8. Grant roles to your user account. Run the following command once for each of the following IAM roles: roles/iam.serviceAccountUser

   gcloud projects add-iam-policy-binding PROJECT_ID --member="USER_IDENTIFIER" --role=ROLE

   • Replace PROJECT_ID with your project ID.

   • Replace USER_IDENTIFIER with the identifier for your user account. For example, user:[e-mail].

   • Replace ROLE with each individual role.
9. Install the Google Cloud CLI.

10. To initialize the gcloud CLI, run the following command:

    gcloud init

11. Create or select a Google Cloud project.

    Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

    • Create a Google Cloud project:

      gcloud projects create PROJECT_ID

      Replace PROJECT_ID with a name for the Google Cloud project you are creating.

    • Select the Google Cloud project that you created:

      gcloud config set project PROJECT_ID

      Replace PROJECT_ID with your Google Cloud project name.

12. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

13. Abilita le API Dataflow, Compute Engine, Cloud Logging, Cloud Storage, Google Cloud Storage JSON, and Cloud Resource Manager.

    gcloud services enable dataflow compute_component logging storage_component storage_api cloudresourcemanager.googleapis.com

14. Create local authentication credentials for your user account:

    gcloud auth application-default login

15. Grant roles to your user account. Run the following command once for each of the following IAM roles: roles/iam.serviceAccountUser

    gcloud projects add-iam-policy-binding PROJECT_ID --member="USER_IDENTIFIER" --role=ROLE

    • Replace PROJECT_ID with your project ID.

    • Replace USER_IDENTIFIER with the identifier for your user account. For example, user:[e-mail].

    • Replace ROLE with each individual role.

16. Concedi ruoli al tuo account di servizio predefinito Compute Engine. Esegui il comando seguente una volta per ciascuno dei seguenti ruoli IAM:

    • roles/dataflow.admin
    • roles/dataflow.worker
    • roles/storage.objectAdmin

    gcloud projects add-iam-policy-binding PROJECT_ID --member="serviceAccount:[e-mail]" --role=SERVICE_ACCOUNT_ROLE

    • Sostituisci PROJECT_ID con l'ID progetto.
    • Sostituisci PROJECT_NUMBER con il numero del tuo progetto. Per trovare il numero del progetto, consulta Identificare i progetti o utilizza il comando gcloud projects describe.
    • Sostituisci SERVICE_ACCOUNT_ROLE con ogni singolo ruolo.
17. Crea un bucket Cloud Storage e configuralo nel seguente modo:
    • Imposta la classe di archiviazione su S (standard).
    • Imposta la località di archiviazione come segue: US (Stati Uniti).
    • Sostituisci BUCKET_NAME con un nome di bucket univoco. Non includere informazioni sensibili nel nome del bucket perché lo spazio dei nomi dei bucket è globale e visibile pubblicamente.

    gcloud storage buckets create gs://BUCKET_NAME --default-storage-class STANDARD --location US

18. Copia l'ID progetto Google Cloud e il nome del bucket Cloud Storage. Questi valori ti serviranno più avanti in questa guida rapida.

Configurazione dell'ambiente di sviluppo

L'SDK Apache Beam è un modello di programmazione open source per pipeline di dati. Definisci una pipeline con un programma Apache Beam e quindi scegli un runner, come Dataflow, per eseguire la pipeline.

Ti consigliamo di utilizzare l'ultima versione di Go quando lavori con l'SDK Apache Beam per Go. In caso contrario avere l'ultima versione di Go, usa la sua Scarica e installa la guida per scaricare e installare Go per il sistema operativo specifico.

Per verificare la versione di Go installata, esegui questo comando nel tuo terminale locale:

go version

Esegui l'esempio di conteggio parole di Beam

L'SDK Apache Beam per Go include un file Esempio di pipeline wordcount. L'esempio wordcount fa quanto segue:

1. Legge un file di testo come input. Per impostazione predefinita, legge un file di testo che si trova in una Bucket Cloud Storage con il nome della risorsa gs://dataflow-samples/shakespeare/kinglear.txt.
2. Analizza ogni riga in parole.
3. Esegue un conteggio della frequenza sulle parole tokenizzate.

Per eseguire l'ultima versione dell'esempio Beam wordcount sulla tua macchina locale, usa questo comando. Il flag input specifica il file da leggere. e il flag output specifica il nome del file per l'output del conteggio della frequenza.

go run github.com/apache/beam/sdks/v2/go/examples/wordcount@latest \
  --input gs://dataflow-samples/shakespeare/kinglear.txt \
  --output outputs

Al termine della pipeline, visualizza i risultati di output:

more outputs*

Per uscire, premi q.

Modifica il codice della pipeline

La pipeline Beam wordcount fa distinzione tra lettere maiuscole e minuscole parole. I passaggi seguenti mostrano come creare il proprio modulo Go, modificare Pipeline wordcount in modo che non faccia distinzione tra maiuscole e minuscole ed eseguila su e Dataflow.

Crea un modulo Go

Per apportare modifiche al codice della pipeline, segui questi passaggi.

1. Crea una directory per il modulo Go in una posizione a tua scelta:

   mkdir wordcount
   cd wordcount
   

2. Crea un modulo Go. Per questo esempio, usa example/dataflow come modulo del tuo percorso di apprendimento.

   go mod init example/dataflow
   

3. Scarica la copia più recente dell' Codice wordcount dal repository GitHub di Apache Beam. Inserisci questo file nella Directory wordcount creata da te.

4. Se utilizzi un sistema operativo non Linux, devi scaricare il Pacchetto Go unix. Questo pacchetto è necessario per eseguire pipeline in Dataflow completamente gestito di Google Cloud.

   go get -u golang.org/x/sys/unix
   

5. Assicurati che il file go.mod corrisponda al codice sorgente del modulo:

   go mod tidy
   

Esegui la pipeline non modificata

Verifica che la pipeline wordcount non modificata venga eseguita localmente.

1. Dal terminale, crea ed esegui la pipeline in locale:

    go run wordcount.go --input gs://dataflow-samples/shakespeare/kinglear.txt \
        --output outputs
   

2. Visualizza i risultati dell'output:

    more outputs*
   

3. Per uscire, premi q.

Modifica il codice della pipeline

Per cambiare la pipeline in modo che non sia sensibile alle maiuscole, modifica il codice in applica il strings.ToLower a tutte le parole.

1. Apri il file wordcount.go in un editor a tua scelta.

2. Esamina il blocco init (i commenti sono stati rimossi per maggiore chiarezza):

    func init() {
      register.DoFn3x0[context.Context, string, func(string)](&extractFn{})
      register.Function2x1(formatFn)
      register.Emitter1[string]()
    }
   

3. Aggiungi una nuova riga per registrare la funzione strings.ToLower:

    func init() {
      register.DoFn3x0[context.Context, string, func(string)](&extractFn{})
      register.Function2x1(formatFn)
      register.Emitter1[string]()
      register.Function1x1(strings.ToLower)
    }
   

4. Esamina la funzione CountWords:

    func CountWords(s beam.Scope, lines beam.PCollection) beam.PCollection {
      s = s.Scope("CountWords")
   
      // Convert lines of text into individual words.
      col := beam.ParDo(s, &extractFn{SmallWordLength: *smallWordLength}, lines)
   
      // Count the number of times each word occurs.
      return stats.Count(s, col)
    }
   

5. Per scrivere le parole in minuscolo, aggiungi un ParDo che applica strings.ToLower a ogni parola:

    func CountWords(s beam.Scope, lines beam.PCollection) beam.PCollection {
      s = s.Scope("CountWords")
   
      // Convert lines of text into individual words.
      col := beam.ParDo(s, &extractFn{SmallWordLength: *smallWordLength}, lines)
   
      // Map all letters to lowercase.
      lowercaseWords := beam.ParDo(s, strings.ToLower, col)
   
      // Count the number of times each word occurs.
      return stats.Count(s, lowercaseWords)
    }
   

6. Salva il file.

Esegui la pipeline aggiornata in locale

Esegui la pipeline wordcount aggiornata in locale e verifica che l'output sia cambiato.

1. Crea ed esegui la pipeline wordcount modificata:

    go run wordcount.go --input gs://dataflow-samples/shakespeare/kinglear.txt \
        --output outputs
   

2. Visualizza i risultati di output della pipeline modificata. Tutte le parole devono essere minuscolo.

    more outputs*
   

3. Per uscire, premi q.

Esegui la pipeline sul servizio Dataflow

Per eseguire l'esempio aggiornato di wordcount sul servizio Dataflow, utilizza questo comando:

go run wordcount.go --input gs://dataflow-samples/shakespeare/kinglear.txt \
    --output gs://BUCKET_NAME/results/outputs \
    --runner dataflow \
    --project PROJECT_ID \
    --region DATAFLOW_REGION \
    --staging_location gs://BUCKET_NAME/binaries/

Sostituisci quanto segue:

• BUCKET_NAME: il nome del bucket Cloud Storage.

• PROJECT_ID: l'ID del progetto Google Cloud.

• DATAFLOW_REGION: il region in cui vuoi eseguire il deployment del job Dataflow. Ad esempio: europe-west1. Per un elenco delle località disponibili, vedi Località di Dataflow. Il flag --region sostituisce la regione predefinita impostata nei metadati del server, del client locale o delle variabili di ambiente.

Nota: per specificare un account di servizio worker gestito dall'utente, includi il --service_account_email l'opzione pipeline. Gli account di servizio worker gestiti dall'utente sono consigliati per i carichi di lavoro di produzione. Se non specifichi un account di servizio per il worker quando crei un job, Dataflow utilizza Account di servizio predefinito Compute Engine.

Visualizza i tuoi risultati

Puoi visualizzare un elenco dei tuoi job Dataflow in nella console Google Cloud. Nella console Google Cloud, vai alla Pagina Job di Dataflow.

Vai a Job

La pagina Job mostra i dettagli del job wordcount, incluso uno stato su In esecuzione e poi su Riuscito.

Quando esegui una pipeline utilizzando Dataflow, i risultati vengono archiviati in in un bucket Cloud Storage. Visualizza i risultati di output utilizzando nella console Google Cloud o nel terminale locale.

Console

Per visualizzare i risultati nella console Google Cloud, vai a Bucket di Cloud Storage.

Vai a Bucket

Nell'elenco dei bucket del progetto, fai clic sul bucket creati in precedenza. I file di output creati dal job vengono visualizzati nell'intestazione Directory results.

Terminale

Visualizza i risultati dal terminale o utilizzando Cloud Shell.

1. Per elencare i file di output, utilizza il comando gcloud storage ls:

   gcloud storage ls gs://BUCKET_NAME/results/outputs* --long
   

   Sostituisci BUCKET_NAME con il nome del specificato per il bucket Cloud Storage di output.

2. Per visualizzare i risultati nei file di output, utilizza il comando gcloud storage cat:

   gcloud storage cat gs://BUCKET_NAME/results/outputs*
   

Esegui la pulizia

Per evitare che al tuo account Google Cloud vengano addebitati costi per le risorse utilizzate in questa pagina, elimina il progetto Google Cloud Google Cloud.

Nota: se hai seguito questa guida rapida in un nuovo progetto, puoi elimina il progetto.

1. Nella console Google Cloud, vai alla pagina Bucket di Cloud Storage.

   Vai a Bucket

2. Fai clic sulla casella di controllo relativa al bucket da eliminare.
3. Per eliminare il bucket, fai clic su Elimina e segui le istruzioni.

4. Se mantieni il progetto, revoca i ruoli che hai concesso all'account di servizio predefinito di Compute Engine. Esegui il comando seguente una volta per ciascuno dei seguenti ruoli IAM:

   • roles/dataflow.admin
   • roles/dataflow.worker
   • roles/storage.objectAdmin

   gcloud projects remove-iam-policy-binding PROJECT_ID \
       --member=serviceAccount:[e-mail] \
       --role=SERVICE_ACCOUNT_ROLE

5. Facoltativo: revoca le credenziali di autenticazione che hai creato ed elimina il file delle credenziali locale.

   gcloud auth application-default revoke

6. Facoltativo: revoca le credenziali dallgcloud CLI.

   gcloud auth revoke

Passaggi successivi

• Modello di programmazione per Apache Beam
• Impostazione delle opzioni della pipeline
• Riferimento per le opzioni della pipeline
• Deployment di una pipeline