Créer un pipeline de traitement par flux à l'aide d'un modèle Dataflow

Créer un pipeline de traitement par flux à l'aide d'un modèle Dataflow

Ce guide de démarrage rapide explique comment créer un pipeline de traitement par flux à l'aide d'un modèle Dataflow fourni par Google. Plus précisément, nous utiliserons ici le modèle Pub/Sub vers BigQuery à titre d'exemple.

Le modèle Pub/Sub vers BigQuery est un pipeline de flux de données capable de lire des messages au format JSON à partir d'un sujet Pub/Sub et de les écrire dans une table BigQuery.

---

Pour obtenir des instructions détaillées sur cette tâche directement dans la console Google Cloud, cliquez sur Visite guidée :

Visite guidée

---

Avant de commencer

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. Créez un bucket 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. Copiez les éléments suivants, car vous en aurez besoin dans une section ultérieure :
   • Le nom de votre bucket Cloud Storage.
   • L'ID de votre projet Google Cloud.
     
     Pour trouver cet ID, consultez la section Identifier des projets.

10. Pour suivre la procédure de ce guide de démarrage rapide, votre compte utilisateur doit disposer du rôle Administrateur Dataflow et du rôle Utilisateur du compte de service. Le compte de service Compute Engine par défaut doit disposer du rôle Nœud de calcul Dataflow. Pour ajouter les rôles requis dans la console Google Cloud, procédez comme suit :

    1. Accédez à la page IAM.
       Accéder à IAM
    2. Sélectionnez votre projet.
    3. Sur la ligne contenant votre compte utilisateur, cliquez sur Modifier le compte principal, puis sur Ajouter un autre rôle.
    4. Cliquez sur Ajouter un autre rôle, puis dans la liste déroulante, sélectionnez Administrateur Dataflow.
    5. Cliquez sur Ajouter un autre rôle, puis sélectionnez Utilisateur du compte de service dans la liste déroulante.
    6. Cliquez sur Enregistrer.
    7. Sur la ligne contenant le compte de service Compute Engine par défaut, cliquez sur Modifier le compte principal.
    8. Cliquez sur Ajouter un autre rôle, puis sélectionnez Nœud de calcul Dataflow dans la liste déroulante.
    9. Cliquez sur Ajouter un autre rôle, puis sélectionnez Éditeur Pub/Sub dans la liste déroulante.
    10. Cliquez sur Ajouter un autre rôle, puis sélectionnez Éditeur de données BigQuery dans la liste déroulante.

    11. Cliquez sur Enregistrer.

        Pour en savoir plus sur l'attribution de rôles, consultez la page Attribuer un rôle IAM à l'aide de la console.

11. Par défaut, chaque nouveau projet démarre avec un réseau par défaut. Si le réseau par défaut de votre projet est désactivé ou a été supprimé, vous devez disposer d'un réseau dans votre projet pour lequel votre compte utilisateur dispose du Rôle d'utilisateur de réseau de Compute (roles/compute.networkUser ).

Créer un ensemble de données et une table BigQuery

Créez un ensemble de données et une table BigQuery selon le schéma approprié à votre sujet Pub/Sub à l'aide de la console Google Cloud.

Dans cet exemple, le nom de l'ensemble de données est taxirides et le nom de la table est realtime. Pour créer cet ensemble de données et cette table, procédez comme suit :

1. Accédez à la page BigQuery.
   Accéder à BigQuery
2. Dans le panneau Explorateur, à côté du projet dans lequel vous souhaitez créer l'ensemble de données, cliquez sur Afficher les actions, puis cliquez sur Créer un ensemble de données.
   Remarque : L'expérience par défaut est la console Google Cloud en version bêta. Si vous avez cliqué sur Masquer les fonctionnalités d'aperçu pour accéder à la console Google Cloud, procédez comme suit : dans la section Ressources du panneau de navigation, sélectionnez votre projet.
3. Dans le panneau Créer un ensemble de données, procédez comme suit :
1. Dans le champ ID de l'ensemble de données, saisissez taxirides. Les ID des ensembles de données sont uniques pour chaque projet Google Cloud.
2. Pour Type d'emplacement, choisissez Multirégional, puis sélectionnez US (plusieurs régions aux États-Unis). Les ensembles de données publics sont stockés dans l'emplacement multirégional US. Par souci de simplicité, utilisez le même emplacement pour votre ensemble de données.
3. Conservez les autres paramètres par défaut, puis cliquez sur Créer un ensemble de données.
4. Dans le panneau Explorateur, développez votre projet.
5. À côté de votre ensemble de données taxirides, cliquez sur Afficher les actions, puis sur Créer une table.
   Remarque : L'expérience par défaut est la console Google Cloud en version bêta. Si vous avez cliqué sur Masquer les fonctionnalités d'aperçu pour accéder à la console Google Cloud, procédez plutôt comme suit : dans la section Ressources du panneau de navigation, sélectionnez l'ensemble de données taxirides que vous avez créé.
6. Dans le panneau Créer une table, procédez comme suit :
1. Dans la section Source, sous Créer une table à partir de, sélectionnez Table vide.
2. Pour le champ Table de la section Destination, saisissez realtime.
3. Dans la section Schéma, cliquez sur le bouton Modifier sous forme de texte et collez la définition de schéma suivante dans la zone :
   

   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. Dans la section Paramètres de partitionnement et de clustering, sous Partitionnement, sélectionnez le champ Code temporel.
7. Ne modifiez aucun autre paramètre par défaut et cliquez sur Créer une table.

Exécuter le pipeline

Exécutez un pipeline de flux de données à l'aide du modèle Pub/Sub vers BigQuery fourni par Google. Le pipeline reçoit des données entrantes à partir du sujet d'entrée.

1. Accédez à la page Tâches Dataflow.
   Accéder aux tâches
2. Cliquez sur Créer une tâche à partir d'un modèle.
3. Saisissez taxi-data comme nom de la tâche pour votre tâche Dataflow.
4. Pour Modèle Dataflow, sélectionnez le modèle Pub/Sub vers BigQuery.
5. Dans le champ Table BigQuery de sortie, saisissez ce qui suit :

   PROJECT_ID:taxirides.realtime

   Remplacez PROJECT_ID par l'ID du projet dans lequel vous avez créé l'ensemble de données BigQuery.

6. Développez la section Paramètres facultatifs.
7. Pour le champ Sujet Pub/Sub d'entrée, cliquez sur Saisir le sujet manuellement.
8. Dans la boîte de dialogue, saisissez les éléments suivants comme Nom du sujet, puis cliquez sur Enregistrer :

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

   Ce sujet Pub/Sub disponible publiquement est basé sur l'ensemble de données ouvert de la NYC Taxi & Limousine Commission. Voici un exemple de message de cet article au format 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
   }

9. Dans le champ Emplacement temporaire, saisissez ce qui suit :

   gs://BUCKET_NAME/temp/

   Remplacez BUCKET_NAME par le nom de votre bucket Cloud Storage. Le dossier temp stocke les fichiers temporaires, comme la tâche de pipeline en préproduction.

10. Si votre projet ne possède pas de réseau par défaut, saisissez un réseau et un sous-réseau. Pour plus d'informations, consultez la section Spécifier un réseau et un sous-réseau.
    Remarque : Sauf indication contraire via l'option network, l'exécuteur Dataflow exécute des jobs sur le réseau cloud privé virtuel default. Si votre projet ne possède pas de réseau par défaut et que vous ne spécifiez pas de réseau, une erreur se produit. Il est possible que vous ne disposiez pas d'un réseau par défaut si le réseau par défaut a été supprimé ou si une contrainte de règle d'administration empêche la création du réseau par défaut.
11. Cliquez sur Exécuter la tâche.

Afficher les résultats

Pour afficher les données écrites dans la table realtime, procédez comme suit :

1. Accédez à la page BigQuery.

   Accéder à BigQuery

2. Cliquez sur Saisir une nouvelle requête. Un onglet Éditeur s'affiche.

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

   Remplacez PROJECT_ID par l'ID du projet dans lequel vous avez créé l'ensemble de données BigQuery. L'affichage des données dans votre table peut prendre jusqu'à une minute.

3. Cliquez sur Exécuter.

   La requête renvoie les lignes qui ont été ajoutées à votre table au cours des dernières 24 heures. Vous pouvez également exécuter des requêtes en SQL standard.

Effectuer un nettoyage

Pour éviter que les ressources utilisées dans cette page soient facturées sur votre compte Google Cloud, procédez comme suit :

Supprimer le projet

Le moyen le plus simple d'éviter la facturation consiste à supprimer le projet Google Cloud que vous avez créé dans le cadre de ce guide de démarrage rapide.

Attention : La suppression d'un projet entraîne les effets décrits ci-dessous :

• Tout le contenu du projet est supprimé. Si vous avez utilisé un projet existant pour les tâches décrites dans ce document et que vous le supprimez, vous supprimerez également tout autre travail effectué dans le projet.
• Les ID de projets personnalisés sont perdus. Lorsque vous avez créé ce projet, vous avez peut-être créé un ID de projet personnalisé que vous souhaitez utiliser à l'avenir. Pour conserver les URL qui utilisent l'ID de projet, telle qu'une URL appspot.com, supprimez les ressources sélectionnées dans le projet au lieu de supprimer l'ensemble du projet.

Si vous envisagez d'explorer plusieurs architectures, tutoriels et guides de démarrage rapide, réutiliser des projets peut vous aider à ne pas dépasser les limites de quotas des projets.

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.

Supprimer les ressources individuelles

Si vous souhaitez conserver le projet Google Cloud que vous avez utilisé dans ce guide de démarrage rapide, supprimez les ressources individuelles :

1. Accédez à la page Tâches Dataflow.
   Accéder aux tâches
2. Sélectionnez votre tâche de traitement par flux dans la liste des tâches.
3. Dans la barre de navigation, cliquez sur Arrêter.
4. Dans la boîte de dialogue Arrêter la tâche, annulez ou drainez votre pipeline, puis cliquez sur Arrêter la tâche.
5. Accédez à la page BigQuery.
   Accéder à BigQuery
6. Sur le panneau Explorateur, développez votre projet.
7. À côté de l'ensemble de données que vous souhaitez supprimer, cliquez sur Afficher les actions, puis sur Ouvrir.
8. Dans le panneau des détails, cliquez sur Supprimer l'ensemble de données, puis suivez les instructions.
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.

Étape suivante

• Présentation des modèles Dataflow
• Créer des modèles classiques
• Exécuter des modèles classiques
• Modèles fournis par Google