Datos descubiertos

En esta guía, se explica cómo habilitar y usar Dataplex Discovery. Discovery analiza y extrae metadatos de los datos en un data lake y los registra en Dataproc Metastore, BigQuery y Data Catalog para su análisis, búsqueda y exploración.

Descripción general

Para cada recurso de Dataplex con Discovery habilitado, Dataplex hace lo siguiente:

• Analiza los datos asociados con el recurso.
• Agrupa archivos estructurados y semiestructurados en tablas.
• Recopila metadatos técnicos, como el nombre de la tabla, el esquema y la definición de partición.

Para datos no estructurados, como imágenes y videos, Dataplex Discovery detecta y registra automáticamente grupos de archivos que comparten tipos de archivos multimedia como conjuntos de archivos. Por ejemplo, si gs://images/group1 contiene imágenes GIF y gs://images/group2 contiene imágenes JPEG, Dataplex Discovery detecta y registra dos conjuntos de archivos. En el caso de los datos estructurados, como Avro, Discovery detecta archivos solo si se encuentran en carpetas que contienen el mismo formato y esquema de datos.

Las tablas y los conjuntos de archivos descubiertos se registran en Data Catalog para la búsqueda y el descubrimiento. Las tablas aparecen en Dataproc Metastore como tablas de estilo Hive y en BigQuery como tablas externas, de modo que los datos estén disponibles automáticamente para el análisis.

El descubrimiento admite los siguientes formatos de datos estructurados y semiestructurados:

• Parquet
• Avro
• ORC
• JSON (solo el formato delimitado por saltos de línea)
• CSV (no se admiten los archivos CSV con filas de comentarios).

Nota: Los formatos de tabla Iceberg y Delta Lake no son compatibles con Dataplex Discovery.

El descubrimiento admite el siguiente formato de compresión para datos estructurados y semiestructurados:

• Compresión interna para estos formatos:

  Compresión	Ejemplo de extensión de archivo	Formato compatible:
  gzip	.gz.parquet	Parquet
  lz4	.lz4.parquet	Parquet
  Snappy	.snappy.parquet	Parquet, ORC y Avro
  lzo	.lzo.parquet	Parquet, ORC

• Compresión externa para archivos JSON y CSV:

  • gzip
  • bzip2

Nota: El descubrimiento de Dataplex admite hasta 1,000 tablas de BigQuery por bucket de Cloud Storage.

Configuración de detección

El descubrimiento se habilita de forma predeterminada cuando creas una zona o un recurso nuevos. Puedes inhabilitar el descubrimiento a nivel de la zona o del recurso.

Cuando creas una zona o un recurso, puedes elegir heredar la configuración de descubrimiento a nivel de la zona o anular esa configuración a nivel del recurso.

Estas son las opciones de configuración de Descubrimiento disponibles a nivel de zona y recurso:

• Detección activada y desactivada.

• Programa de descubrimiento: Esta opción se puede establecer en una programación predefinida, por ejemplo, por hora o por día, o como una programación personalizada definida por el formato cron. Los recursos nuevos se analizan cuando se agregan. Para obtener más información, consulta Cómo configurar programas cron. Recomendado: Programa el descubrimiento para que se ejecute cada hora o con menos frecuencia.

• Patrón de inclusión o exclusión: Define qué archivos incluir o excluir de los análisis de descubrimiento mediante patrones glob en la ruta de inclusión o exclusión. Por ejemplo, si deseas excluir gs://test_bucket/foo/.. del descubrimiento, ingresa **/foo/* como la ruta de exclusión. Las comillas causan errores. Asegúrate de ingresar **/foo/* en lugar de "**/foo/*"). Esta función solo está disponible para los recursos de Cloud Storage. Cuando existen patrones de inclusión y exclusión al mismo tiempo, primero se aplican los patrones de exclusión.

• Especificaciones de JSON o CSV: Te permiten proporcionar información adicional sobre datos semiestructurados, como CSV y JSON, para mejorar la exactitud de los resultados de Descubrimiento.

  • En el caso de los archivos CSV, puedes proporcionar cualquiera de las siguientes opciones:

    • Delimitador: Este campo acepta un carácter, excepto \r y \n. Si se proporciona más de un carácter, solo se usa el primer carácter de la cadena. Si no se proporciona, Discovery usa una coma como delimitador.

    • Cantidad de filas de encabezado: Este campo acepta los valores 0 o 1. El valor predeterminado es 0. Cuando el valor es 0, Discovery realiza la inferencia de encabezado y, si se detecta un encabezado, extrae los nombres de columna del encabezado y restablece el valor a 1.

    • Codificación: Este campo acepta nombres de codificación de cadenas, como UTF-8, US-ASCII o ISO-8859-1. Si no se especifica nada, se usa UTF-8 como valor predeterminado.

    • Inhabilitar inferencia de tipo: este campo acepta un valor booleano. Se establece en false de forma predeterminada. Para los datos CSV, si inhabilitas la inferencia de tipo, todas las columnas se registran como cadenas.

  • Para los archivos JSON, puedes proporcionar cualquiera de las siguientes opciones:

    • Codificación: Este campo acepta nombres de codificación de cadenas, como UTF-8, US-ASCII o ISO-8859-1. Si no se especifica nada, se usa UTF-8 como valor predeterminado.

    • Inhabilitar la inferencia del tipo de datos: este campo acepta un valor booleano. Se establece en false de forma predeterminada. En el caso de los datos JSON, si inhabilitas la inferencia de tipos, todas las columnas se registran como sus tipos primitivos (cadena, número o booleano).

  Nota: Solo se admite el formato JSON delimitado por saltos de línea.

Publicar metadatos

Cuando creas una zona de datos en tu lake de Dataplex, Dataplex crea un conjunto de datos de BigQuery en el proyecto que contiene el lake. Dataplex publica las tablas en ese conjunto de datos para las tablas descubiertas en los buckets de Cloud Storage agregados a la zona de datos como recursos. El conjunto de datos se conoce como un conjunto de datos de publicación de metadatos correspondiente a la zona.

Cada zona de datos de Dataplex se asigna a un conjunto de datos en BigQuery o a una base de datos en Dataproc Metastore, en la que la información de metadatos está disponible automáticamente.

Puedes editar los metadatos descubiertos de forma automática, como el nombre o el esquema de la tabla, con la API de metadatos de Dataplex.

Ver tablas y conjuntos de archivos descubiertos

Puedes buscar tablas y conjuntos de archivos descubiertos en la vista Búsqueda de Dataplex en la consola de Google Cloud.

Abrir la Búsqueda

Para obtener resultados de la búsqueda más precisos, usa filtros específicos de Dataplex, como nombres de lakes y zonas de datos. Los 50 elementos principales por faceta se muestran en la lista de filtros. Puedes encontrar elementos adicionales con el cuadro de búsqueda.

Cada entrada contiene metadatos técnicos y operativos detallados.

En la página de detalles de entrada, puedes consultar la tabla en BigQuery y ver los detalles del registro correspondientes de Dataproc Metastore.

Si una tabla de Cloud Storage se puede publicar en BigQuery como una tabla externa, podrás ver lo siguiente en su vista de detalles de entrada:

• Referencias de tablas externas de BigQuery
• Un botón para Abrir en BigQuery y comenzar a analizar los datos en BigQuery.

Las entradas de metadatos de Dataplex se pueden ver directamente y buscar en Data Catalog. Para obtener más información, consulta la referencia de búsqueda de Data Catalog.

Todas las entradas descubiertas se pueden ver con la API de metadatos de Dataplex.

Acciones de descubrimiento

El descubrimiento genera las siguientes acciones del administrador cada vez que se detectan problemas relacionados con los datos durante los análisis.

Formato de datos no válido

Se incluyen las siguientes acciones:

• Formato de datos incoherente en una tabla Por ejemplo, existen archivos de diferentes formatos con el mismo prefijo de tabla.

• El formato de datos no es válido en las zonas seleccionadas (datos que no están en los formatos Avro, ORC o Parquet).

Esquema incompatible

Se incluyen las siguientes acciones:

• Un esquema que detectó Discovery no es compatible con el esquema de tabla activo en la API de metadatos en Dataproc Metastore. Los esquemas A y B son incompatibles en los siguientes casos:

  • A y B comparten campos con el mismo nombre, pero de tipos de datos diferentes y no compatibles. Por ejemplo, string y número entero.

  • A y B no tienen campos superpuestos.

  • A y B tienen al menos un campo no anulable que no se encuentra en el otro esquema.

• El esquema se desvía en relación con un esquema administrado por el usuario en la zona seleccionada.

Definición de partición no válida

Se incluyen las siguientes acciones:

• Los nombres de las particiones no son coherentes. Por ejemplo, gs://sales_data/year=2020/month=10/day=01 y gs://sales_data/year=2020/region=us.

• Nomenclatura de particiones sin estilo Hive en la zona de datos seleccionada. Por ejemplo, gs://sales_data/2020/10/01 en lugar de gs://sales_data/year=2020/month=10/day=01.

Faltan datos

Se incluyen las siguientes acciones:

• En la zona de datos seleccionados, ya no existen los datos subyacentes de una tabla o conjunto de archivos registrado. En otras palabras, se descubrió y registró una tabla de zonas o un conjunto de archivos seleccionados, pero luego se borraron sus datos subyacentes. Para solucionar este problema, reabastece los datos o borra la entrada de metadatos.

Resolver acciones de descubrimiento

Los análisis de descubrimiento posteriores verifican los datos con acciones. Cuando se corrige el problema que activa la acción, esta se resuelve de forma automática mediante el siguiente análisis programado de descubrimiento.

Otras acciones

Además de las acciones de descubrimiento anteriores, hay otros tres tipos de acciones relacionadas con el estado de los recursos y las propagaciones de políticas de seguridad en Dataplex.

• Recurso faltante: El bucket o conjunto de datos subyacente no se encontró correspondiente a un recurso existente.

• Recurso no autorizado: Dataplex no tiene los permisos suficientes para realizar descubrimientos ni aplicar políticas de seguridad al bucket o conjunto de datos que administra Dataplex.

• Problemas con la propagación de políticas de seguridad: las políticas de seguridad especificadas para un lake, una zona o un elemento no se pudieron propagar de forma correcta a los buckets o conjuntos de datos subyacentes. Mientras que todas las demás acciones se encuentran a nivel del recurso, este tipo de acción se puede aumentar a nivel del lake, la zona y el recurso.

Estos tipos de acciones se resuelven automáticamente cuando se corrigen los problemas subyacentes de la configuración de seguridad o los recursos.

Preguntas frecuentes

¿Qué debo hacer si el esquema inferido por el descubrimiento es incorrecto?

Si el esquema inferido es diferente de lo que se espera para una tabla determinada, puedes anular el esquema inferido mediante la actualización de los metadatos con la API de metadatos. Asegúrate de establecer userManaged en true para que tu edición no se reemplace en los análisis de descubrimiento posteriores.

¿Cómo excluyo archivos de un análisis de Discovery?

De forma predeterminada, el descubrimiento excluye ciertos tipos de archivos del análisis, incluidos los siguientes:

• _SUCCESS
• _started
• _committed
• _metadata, _METADATA, _Metadata
• _common_metadata, _COMMON_METADATA
• Archivos que comienzan con README o readme
• Los directorios que comienzan con base_, delta_, delete_delta_ y bucket_, seguidos de un número
• Directorios que comienzan con .

Puedes especificar patrones de inclusión o exclusión adicionales con la configuración de descubrimiento a nivel de la zona o del elemento, o con la API de metadatos.

¿Qué debo hacer si la agrupación de tablas que detecta el descubrimiento es demasiado detallada?

Si las tablas que detecta el descubrimiento están a un nivel más detallado en comparación con la ruta raíz de la tabla (por ejemplo, cada partición individual se registra como una tabla), puede haber varios motivos:

• Existen diferencias de formato, como una combinación de archivos Avro y Parquet, en la ruta raíz esperada de la tabla, que dividen la tabla en grupos más pequeños.

• Hay diferentes tipos de incompatibilidades de esquema en la ruta raíz esperada de la tabla, que dividen la tabla en grupos más pequeños.

Puedes resolver este problema de cualquiera de las siguientes maneras:

• Corrige las diferencias de formato o esquema para que todos los archivos en la misma ruta raíz de la tabla tengan un formato coherente y un esquema compatible.

• Para excluir archivos heterogéneos, usa la configuración de patrón de exclusión como parte de la configuración de zona o recurso o la API de metadatos.

Después de aplicar uno de los pasos correctivos, en el siguiente análisis de descubrimiento, ocurre lo siguiente:

• Las tablas existentes de nivel inferior se quitan de forma automática de la API de metadatos de Dataplex, BigQuery, Dataproc Metastore y Data Catalog.
• En su lugar, se crea una nueva tabla de nivel superior con la ruta raíz de tabla esperada.

¿Cómo especifico nombres de tablas?

Puedes especificar nombres de tablas con la API de metadatos.

¿Qué sucede si creo tablas manualmente en Dataproc Metastore o BigQuery?

Cuando el descubrimiento está habilitado para un recurso determinado, no necesitas registrar entradas de forma manual en Dataproc Metastore o BigQuery.

Puedes definir de forma manual el nombre, el esquema y las definiciones de partición de la tabla, mientras desactivas Dataplex Discovery. Como alternativa, puedes hacer lo siguiente:

1. Crea una tabla con solo especificar la información requerida, como la ruta raíz de la tabla.
2. Usa Dataplex Discovery para propagar el resto de los metadatos, como las definiciones de esquema y
3. Mantén actualizados los metadatos.

¿Qué debo hacer si mi tabla no aparece en BigQuery?

Si bien los metadatos de Dataplex se registran de forma centralizada en la API de metadatos, solo las tablas de Cloud Storage compatibles con BigQuery se publican en BigQuery como tablas externas. Como parte de los detalles de entrada de la tabla en la API de metadatos, puedes encontrar un marcador de compatibilidad de BigQuery que indica qué entidades se publican en BigQuery y por qué.

Próximos pasos

• Aprende a trabajar con metadatos.