Dataflow
Procesamiento unificado de datos por lotes y de transmisión rápido, sin servidores y rentable.
Los clientes nuevos obtienen $300 en créditos gratuitos que pueden usar en Dataflow.
-
Servicio de procesamiento de datos completamente administrado
-
Aprovisionamiento y administración automáticos de los recursos de procesamiento
-
Ajuste de escala automático horizontal de los recursos de trabajador para maximizar el uso de los recursos
-
Innovación en OSS impulsada por la comunidad con el SDK de Apache Beam
-
Procesamiento confiable y coherente del tipo “exactamente una vez”
Ventajas
Transmite estadísticas de datos con velocidad
Dataflow permite desarrollar canalizaciones de transmisión de datos de forma simplificada y rápida con una latencia de datos más baja.
Simplifica las operaciones y la administración
Permite que los equipos se centren en programar en lugar de administrar clústeres de servidores, ya que el enfoque sin servidores de Dataflow quita la sobrecarga operativa de las cargas de trabajo de ingeniería de datos.
Reduce el costo total de propiedad
Dataflow combina el ajuste de escala automático de los recursos con las capacidades de procesamiento por lotes con optimización del costo, por lo que puede ofrecer una capacidad prácticamente ilimitada para que administres las cargas de trabajo estacionales y con incrementos bruscos sin gastar de más.
Características clave
Características clave
Ajuste de escala automático de recursos y rebalanceo dinámico de trabajos
Minimiza la latencia de las canalizaciones, maximiza el uso de recursos y reduce el costo de procesamiento por registro de datos con un ajuste de escala automático de recursos adaptado a los datos. Las entradas de datos se particionan de forma automática y se balancean constantemente para equilibrar el uso de trabajadores y de recursos, y reducir el efecto de las “teclas de acceso rápido” en el rendimiento de las canalizaciones.
Precios y programación flexibles para el procesamiento por lotes
A fin de procesar los trabajos, como los nocturnos, de forma flexible y según su programación, la programación flexible de recursos (FlexRS) ofrece un precio más bajo para el procesamiento por lotes. Estos trabajos flexibles se ubican en una cola que garantiza su recuperación para ejecutarlos en un período de seis horas.
Patrones de IA en tiempo real listos para usar
Las funciones de IA en tiempo real de Dataflow, que están habilitadas por medio de patrones listos para usar, permiten reacciones en tiempo real con inteligencia casi humana para un gran caudal de eventos. Los clientes pueden compilar soluciones inteligentes que van desde estadísticas predictivas y detección de anomalías hasta personalización en tiempo real y otros casos de uso de analítica avanzada.
Documentación
Documentación
Serverless Data Processing with Dataflow: Foundations
Capacitación básica sobre todo lo que necesitas saber sobre Dataflow.
Guía de inicio rápido de Dataflow con Python
Configura el proyecto de Google Cloud y el entorno de desarrollo de Python, obtén el SDK de Python de Apache Beam, y ejecuta y modifica el ejemplo de WordCount en el servicio de Dataflow.
Usa Dataflow SQL
Crea una consulta de SQL y, después, implementa un trabajo de Dataflow para ejecutar la consulta desde la IU de Dataflow SQL.
Instala el SDK de Apache Beam
Instala el SDK de Apache Beam para que puedas ejecutar las canalizaciones en el servicio de Dataflow.
Aprendizaje automático con Apache Beam y TensorFlow
Preprocesa, entrena y haz predicciones en un modelo de aprendizaje automático de energía molecular mediante Apache Beam, Dataflow y TensorFlow.
Instructivo de recuento de palabras para Dataflow con Java
En este instructivo, aprenderás los conceptos básicos del servicio de Cloud Dataflow. Para ello, ejecutarás una canalización de ejemplo simple con el SDK de Java de Apache Beam.
Labs prácticos: Cómo procesar datos con Google Cloud Dataflow
Obtén información sobre cómo procesar un conjunto de datos en tiempo real y basado en texto con Python y Dataflow y, luego, almacenarlos en BigQuery.
Labs prácticos: Procesamiento de transmisión con Pub/Sub y Dataflow
Aprende a usar Dataflow para leer los mensajes publicados en un tema de Pub/Sub, agrupar los mensajes por marca de tiempo y escribir mensajes en Cloud Storage.
Recursos de Dataflow
Obtén información sobre los precios, las cuotas de recursos, las Preguntas frecuentes y mucho más.
Casos de uso
Casos de uso
Mediante las estadísticas de transmisiones de Google, los datos estarán mejor organizados y serán más útiles y accesibles desde el instante en el que se generan. Nuestra solución de transmisión, incorporada en Dataflow junto con Pub/Sub y BigQuery, aprovisiona los recursos que necesitas para transferir, procesar y analizar volúmenes fluctuantes de datos en tiempo real a fin de generar estadísticas empresariales en tiempo real. Este aprovisionamiento abstraído reduce la complejidad y permite que las estadísticas de transmisiones sean accesibles para los ingenieros y analistas de datos.
Dataflow trae los eventos de transmisión a Vertex AI y TensorFlow Extended (TFX) de Google Cloud para habilitar las estadísticas predictivas, la detección de fraudes, la personalización en tiempo real y otros casos de uso de estadísticas avanzadas. TFX usa Dataflow y Apache Beam como motor de procesamiento de datos distribuido para habilitar varios aspectos del ciclo de vida del AA, con el respaldo de la CI/CD para AA mediante canalizaciones de Kubeflow.
Obtén estadísticas empresariales de tu red de dispositivos global con una plataforma IoT inteligente.
Todas las funciones
Todas las funciones
Ajuste de escala automático vertical: nuevo en Dataflow Prime | Ajusta la capacidad de procesamiento asignada de manera dinámica a cada trabajador según el uso. El ajuste de escala automático vertical funciona junto con el ajuste de escala automático horizontal para escalar sin problemas a los trabajadores a fin de que se adapten mejor a las necesidades de la canalización. |
Ajuste adecuado: Nuevo en Dataflow Prime | El ajuste adecuado crea grupos de recursos específicos de la etapa que están optimizados para cada etapa a fin de reducir el desperdicio de recursos. |
Diagnóstico inteligente: Nuevo en Dataflow Prime | Un conjunto de funciones que incluyen 1) la administración de canalizaciones de datos basadas en SLO, 2) funciones de visualización de trabajos que brindan a los usuarios una manera visual de inspeccionar su grafo de trabajo para identificar cuellos de botella, 3) recomendaciones automáticas para identificar y ajustar los problemas de rendimiento y disponibilidad. |
Streaming Engine | Streaming Engine separa el procesamiento del almacenamiento de estado y traslada partes de la ejecución de la canalización fuera de las VM de trabajador para enviarlas al backend del servicio de Dataflow, lo que mejora bastante el ajuste de escala automático y la latencia de los datos. |
Ajuste de escala automático horizontal | El ajuste de escala automático horizontal permite que el servicio de Dataflow elija por sí mismo la cantidad de instancias de trabajador necesarias para ejecutar un trabajo. El servicio de Dataflow también puede reasignar de forma dinámica más o menos trabajadores durante el tiempo de ejecución para adaptarse a las características del trabajo. |
Dataflow Shuffle | Dataflow Shuffle, con base en los servicios, retira de las VM de trabajador la operación shuffle (que se usa a fin de agrupar y unir datos) y la envía al backend del servicio de Dataflow para las canalizaciones por lotes. Las canalizaciones de este tipo escalan a cientos de terabytes sin interrupciones y no requieren ajustes. |
Dataflow SQL | Dataflow SQL te permite aprovechar tus habilidades de SQL para desarrollar canalizaciones de transmisión de Dataflow directamente desde la IU web de BigQuery. Puedes unir datos de transmisión de Pub/Sub con archivos almacenados en Cloud Storage o tablas de BigQuery, escribir resultados en BigQuery y crear paneles en tiempo real mediante Hojas de cálculo de Google o con otras herramientas de IE. |
Programación flexible de recursos (FlexRS) | Dataflow FlexRS reduce los costos de procesamiento por lotes mediante técnicas de programación avanzadas, el servicio Dataflow Shuffle y una combinación de instancias de máquinas virtuales (VM) interrumpibles y VM comunes. |
Plantillas de Dataflow | Las plantillas de Dataflow te permiten compartir con facilidad las canalizaciones con miembros del equipo y en tu organización. Además, puedes aprovechar una gran cantidad de plantillas proporcionadas por Google para implementar tareas de procesamiento de datos sencillas y útiles. Esto incluye las plantillas de captura de datos modificados para los casos prácticos de estadísticas de transmisión. Mediante las plantillas Flex, puedes crear una plantilla a partir de cualquier canalización de Dataflow. |
Integración en Notebooks | Compila canalizaciones de forma inmediata desde cero con los notebooks de Vertex AI y, luego, impleméntalas con el ejecutor de Dataflow. Inspecciona grafos de canalizaciones en un flujo de trabajo de bucle de lectura-evaluación-impresión (REPL) a fin de crear canalizaciones de Apache Beam paso a paso. El servicio de Notebooks (disponible a través de Vertex AI de Google) te permite escribir canalizaciones en un entorno intuitivo mediante los frameworks más recientes de ciencia de datos y aprendizaje automático. |
Captura de datos en tiempo real | Sincroniza o replica datos de manera confiable y con una latencia mínima en fuentes de datos heterogéneas para impulsar los análisis de transmisión. Las plantillas de Dataflow extensibles se integran a Datastream para replicar datos de Cloud Storage en BigQuery, PostgreSQL o Cloud Spanner. El conector de Debezium de Apache Beam proporciona una opción de código abierto para transferir cambios de datos desde MySQL, PostgreSQL, SQL Server y Db2. |
Supervisión intercalada | La supervisión intercalada de Dataflow te permite acceder directamente a las métricas de trabajos a fin de solucionar problemas de canalizaciones por lotes y de transmisión. Puedes acceder a gráficos de supervisión que brindan visibilidad de cada paso y de los trabajadores, y fijar alertas cuando se cumplan ciertas condiciones, como la inactividad de los datos y el aumento de la latencia del sistema. |
Claves de encriptación administradas por el cliente | Puedes crear una canalización por lotes o de transmisión que esté protegida con una clave de encriptación administrada por el cliente (CMEK), o bien acceder a datos protegidos con una CMEK que estén almacenados en fuentes y receptores. |
Controles del servicio de VPC de Dataflow | La integración de Dataflow a los Controles del servicio de VPC proporciona seguridad adicional para el entorno de procesamiento de datos, ya que mejora la capacidad de mitigar el riesgo de robo de datos. |
IP privadas | Desactivar las IP públicas te permite proteger mejor la infraestructura de procesamiento de datos. Si no usas direcciones IP públicas para los trabajadores de Dataflow, también puedes reducir la cantidad de direcciones IP públicas que consumes de la cuota del proyecto de Google Cloud. |
Precios
Precios
Los trabajos de Dataflow se facturan por segundo, en función del uso real de trabajadores de transmisión o por lotes de Dataflow. Los recursos adicionales, como Cloud Storage o Pub/Sub, se facturan de forma individual según los precios de ese servicio.
Los productos de IA de Cloud satisfacen las políticas de nuestros ANS. Es posible que ofrezcan garantías de latencia o disponibilidad distintas de otros servicios de Google Cloud.