Criar um pipeline de streaming usando um modelo do Dataflow

Criar um pipeline de streaming usando um modelo do Dataflow

Neste guia de início rápido, você aprenderá a criar um canal de streaming usando como exemplo um modelo do Dataflow fornecido pelo Google. Mais especificamente, o modelo Pub/Sub para BigQuery é usado como exemplo.

O modelo do Pub/Sub para BigQuery é um pipeline de streaming que pode ler mensagens formatadas em JSON de um tópico do Pub/Sub e gravá-las em uma tabela do BigQuery.

---

Para seguir as instruções passo a passo desta tarefa diretamente no console do Google Cloud, clique em Orientação:

Orientações

---

Antes de começar

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. In the Google Cloud console, on the project selector page, select or create 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.

   Go to project selector

3. Make sure that billing is enabled for your Google Cloud project.

4. Enable the Dataflow, Compute Engine, Cloud Logging, Cloud Storage, Google Cloud Storage JSON, BigQuery, Pub/Sub, and Resource Manager APIs.

   Enable the APIs

5. In the Google Cloud console, on the project selector page, select or create 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.

   Go to project selector

6. Make sure that billing is enabled for your Google Cloud project.

7. Enable the Dataflow, Compute Engine, Cloud Logging, Cloud Storage, Google Cloud Storage JSON, BigQuery, Pub/Sub, and Resource Manager APIs.

   Enable the APIs

8. Crie um bucket do Cloud Storage:
1. In the Google Cloud console, go to the Cloud Storage Buckets page.

   Go to Buckets page

2. Click Create bucket.
3. On the Create a bucket page, enter your bucket information. To go to the next step, click Continue.
   • For Name your bucket, enter a unique bucket name. Don't include sensitive information in the bucket name, because the bucket namespace is global and publicly visible.
   • For Choose where to store your data, do the following:
     • Select a Location type option.
     • Select a Location option.
   • For Choose a default storage class for your data, select the following: Standard.
   • For Choose how to control access to objects, select an Access control option.
   • For Advanced settings (optional), specify an encryption method, a retention policy, or bucket labels.
4. Click Create.
9. Copie o seguinte, conforme necessário em uma seção posterior:
   • Seu nome do bucket do Cloud Storage.
   • É o ID do seu projeto no Google Cloud.
     
     Para encontrar esse ID, consulte Como identificar projetos.

10. Para concluir as etapas neste guia de início rápido, sua conta de usuário precisa ter os papéis de Administrador do Dataflow e Usuário da conta de serviço. A conta de serviço padrão do Compute Engine precisa ter o papel de worker do Dataflow, o papel de administrador de objetos do Storage, o papel de editor do Pub/Sub, o papel de editor de dados do BigQuery e o papel de leitor. Para adicionar os papéis necessários no console do Google Cloud, siga estas etapas:

    1. Acesse a página IAM e selecione seu projeto.
       Acesse o IAM
    2. Na linha que contém sua conta de usuário, clique em Editar principal. Clique em Adicionar outro papel e adicione os seguintes papéis: Administrador do Dataflow e Usuário da conta de serviço.
    3. Clique em Salvar.
    4. Na linha que contém a conta de serviço padrão do Compute Engine ([e-mail]), clique em Editar principal.
    5. Clique em Adicionar outro papel e adicione os seguintes papéis: Worker do Dataflow, Administrador de objetos do Storage, Editor do Pub/Sub, Editor de dados do BigQuery, Leitor.

    6. Clique em Salvar.

       Para mais informações sobre como conceder papéis, consulte Conceder um papel do IAM usando o console.

11. Por padrão, cada novo projeto começa com uma rede padrão. Se a rede padrão do projeto estiver desativada ou tiver sido excluída, você precisará ter uma rede no projeto em que sua conta de usuário tem o Papel de usuário de rede do Compute (roles/compute.networkUser).

Criar um conjunto de dados e uma tabela do BigQuery

Crie um conjunto de dados e uma tabela do BigQuery com o esquema apropriado para seu tópico Pub/Sub usando o console do Google Cloud.

Neste exemplo, o nome do conjunto de dados é taxirides e o nome da tabela realtime é. Para criar o conjunto de dados e a tabela, siga estas etapas:

1. Acessar a página do BigQuery.
   Acesse o BigQuery
2. No painel Explorer, ao lado do projeto em que você quer criar o conjunto de dados, clique em Ver ações e clique em Criar conjunto de dados.
   Observação: a experiência padrão é a versão de Visualização do console do Google Cloud. Se você clicou em Ocultar recursos de prévia para acessar o console do Google Cloud, faça o seguinte: na seção Recursos do painel de navegação, selecione o projeto.
3. No painel Criar conjunto de dados, siga estas etapas:
1. Para o código do conjunto de dados, insira taxirides. Os IDs do conjunto de dados são exclusivos de cada projeto do Google Cloud.
2. Em Tipo de local, selecione Multirregião e EUA (várias regiões nos Estados Unidos). Os conjuntos de dados públicos são armazenados no local multirregional US. Para simplificar, coloque seu conjunto de dados nele também.
3. Mantenha os valores padrão das outras configurações e clique em Criar conjunto de dados.
4. No painel Explorer, expanda o projeto.
5. Ao lado do conjunto de dados taxirides, clique em Ver ações e, em seguida, Criar tabela.
   Observação: a experiência padrão é a versão de Visualização do console do Google Cloud. Se você clicou em Ocultar recursos de visualização para acessar o console do Google Cloud, faça o seguinte: na seção Recursos do painel de navegação, selecione o conjunto de dados taxirides que você criou.
6. No painel Criar tabela, siga estas etapas:
1. Na seção Origem, em Criar tabela de, selecione Tabela em branco.
2. Na seção Destino, insira realtime como a Tabela.
3. Na seção Esquema, clique na opção Editar como texto e cole na caixa a definição de esquema seguinte:
   

   ride_id:string,point_idx:integer,latitude:float,longitude:float,timestamp:timestamp,
   meter_reading:float,meter_increment:float,ride_status:string,passenger_count:integer

4. Na seção Partição e configurações de cluster, em Particionamento, selecione o campo carimbo de data/hora.
7. Mantenha as outras configurações padrão e clique em Criar tabela.

execute o pipeline

Execute um pipeline de streaming usando o modelo do Pub/Sub para o BigQuery fornecido pelo Google. O pipeline recebe dados de entrada a partir do tópico de entrada.

1. Acesse a página Jobs do Dataflow.
   Acessar Jobs
2. Clique em Criar job usando um modelo.
3. Insira taxi-data como o Nome do job para o job do Dataflow.
4. Em Modelo do Dataflow, selecione o modelo Pub/Sub para BigQuery.
5. Em Tabela de saída do BigQuery, digite o seguinte:

   PROJECT_ID:taxirides.realtime

   Substitua PROJECT_ID pelo ID do projeto em que você criou o conjunto de dados do BigQuery.

6. Na seção Parâmetros de origem opcionais, em Tópico de entrada do Pub/Sub, clique em Inserir tópico manualmente.
7. No diálogo, em Nome do tópico, digite o seguinte e clique em Salvar:

   projects/pubsub-public-data/topics/taxirides-realtime

   Este tópico do Pub/Sub disponível publicamente é baseado no conjunto de dados aberto da Comissão de Táxis e Limusines de Nova York. Veja a seguir uma mensagem de amostra deste tópico, no formato JSON:

   {
     "ride_id": "19c41fc4-e362-4be5-9d06-435a7dc9ba8e",
     "point_idx": 217,
     "latitude": 40.75399,
     "longitude": -73.96302,
     "timestamp": "2021-03-08T02:29:09.66644-05:00",
     "meter_reading": 6.293821,
     "meter_increment": 0.029003782,
     "ride_status": "enroute",
     "passenger_count": 1
   }

8. Em Local temporário, insira o seguinte:

   gs://BUCKET_NAME/temp/

   Substitua BUCKET_NAME pelo nome do bucket no Cloud Storage. A pasta temp armazena arquivos temporários, como o job do pipeline preparado.

9. Se o projeto não tiver uma rede padrão, insira uma Rede e uma Sub-rede. Para mais informações, consulte Especificar uma rede e uma sub-rede.
   Observação:a menos que especificado pela opção network, o executor do Dataflow executa jobs na rede da nuvem privada virtual default. Se o projeto não tiver uma rede padrão e você não especificar uma, ocorrerá um erro. Talvez você não tenha uma rede padrão se ela foi excluída ou se uma restrição da política da organização impede a criação da rede padrão.
10. Cliquem em Executar job.

Ver os resultados

Para visualizar os dados gravados na tabela realtime, siga estas etapas:

1. Acessar a página do BigQuery.

   Acessar o BigQuery

2. Clique em Criar uma nova consulta. Uma nova guia Editor será aberta.

   SELECT * FROM `PROJECT_ID.taxirides.realtime`
   WHERE `timestamp` > TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 1 DAY)
   LIMIT 1000

   Substitua PROJECT_ID pelo ID do projeto em que você criou o conjunto de dados do BigQuery. Pode levar até cinco minutos para que os dados comecem a aparecer na tabela.

3. Clique em Executar.

   A consulta retorna linhas que foram adicionadas à sua tabela nas últimas 24 horas. Também é possível executar consultas usando o SQL padrão.

Limpar

Para evitar cobranças na conta do Google Cloud pelos recursos usados nesta página, siga estas etapas.

Exclua o projeto

A maneira mais fácil de eliminar o faturamento é excluir o projeto do Google Cloud que você criou para o guia de início rápido.

Cuidado: excluir um projeto tem os seguintes efeitos:

• Tudo no projeto é excluído. Se você tiver usado um projeto existente para as tarefas neste documento, a exclusão dele incluirá a exclusão de quaisquer outros trabalhos feitos no projeto.
• Os IDs do projeto personalizados são perdidos. Ao criar o projeto, você pode ter criado um código do projeto personalizado para ser usado no futuro. Para preservar os URLs que usam o ID do projeto, como um URL appspot.com, exclua recursos específicos do projeto, em vez de excluir o projeto inteiro.

Se você planeja passar por várias arquiteturas, tutoriais ou guias de início rápido, a reutilização de projetos pode evitar que você exceda os limites da cota do projeto.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

Excluir recursos individuais

Se você quiser manter o projeto do Google Cloud usado neste guia de início rápido, exclua os recursos individuais:

1. Acesse a página Jobs do Dataflow.
   Acessar o Jobs
2. Selecione o job de streaming na lista de jobs.
3. Na navegação, clique em Parar.
4. Na caixa de diálogo Interromper job, cancele ou drene o pipeline e clique em Interromper job.
5. Acessar a página do BigQuery.
   Ir para o BigQuery
6. No painel Explorador, expanda o projeto.
7. Ao lado do conjunto de dados que você quer excluir, clique em Ver ações e, depois, em Abrir.
8. No painel de detalhes, clique em Excluir conjunto de dados e siga as instruções.
9. In the Google Cloud console, go to the Cloud Storage Buckets page.

   Go to Buckets

10. Click the checkbox for the bucket that you want to delete.
11. To delete the bucket, click Delete, and then follow the instructions.

A seguir

• Visão geral dos modelos do Dataflow
• Como criar modelos clássicos
• Como executar modelos clássicos
• Modelos fornecidos pelo Google