Importa utilizzando modelli

Dataplex fornisce modelli (basati su Dataflow) per eseguire attività comuni di elaborazione dati come l'importazione dati, l'elaborazione per gestire il ciclo di vita dei dati. Questa guida descrive come configurare ed eseguire un modello che importa i dati utilizzando una connessione JDBC.

Prima di iniziare

I modelli di attività Dataplex si basano su Dataflow. Prima di utilizzare i modelli, abilita le API Dataflow.

Abilita le API Dataflow

Modello: importare dati in Dataplex utilizzando una connessione JDBC

Il modello di importazione JDBC di Dataplex copia i dati da un modello in una destinazione di un asset Dataplex. L'asset Dataplex può essere un asset Cloud Storage o BigQuery.

Questa pipeline usa JDBC per connettersi al database relazionale. A un prezzo extra di protezione, puoi anche passare una chiave Cloud KMS insieme a Parametri della stringa di connessione, password e nome utente con codifica Base64 criptati con la chiave Cloud KMS.

Il modello gestisce in modo trasparente i diversi tipi di asset. I dati archiviati nell'asset Cloud Storage sono partizionati in stile Hive e Discovery di Dataplex li rende disponibili automaticamente come tabella in Data Catalog, BigQuery (tabella esterna) o in un'istanza Metastore di Dataproc collegata.

Parametri del modello

Parametro Descrizione
driverJars Separa i percorsi di Cloud Storage per i driver JDBC utilizzando le virgole.
Ad esempio: gs://your-bucket/driver_jar1.jar, gs://your-bucket/driver_jar2.jar.
connectionURL La stringa di connessione dell'URL per la connessione all'origine JDBC.
Ad esempio: jdbc:mysql://some-host:3306/sampledb.
Puoi trasmettere l'URL di connessione come testo normale o con codifica Base64. stringa criptata da Cloud KMS.
driverClassName Il nome della classe del driver JDBC.
Ad esempio: com.mysql.jdbc.Driver.
connectionProperties La stringa di proprietà da utilizzare per la connessione JDBC.
Ad esempio: unicode=true&characterEncoding=UTF-8.
query La query da eseguire sull'origine per estrarre i dati.
Ad esempio: select * from sampledb.sample_table.
outputAsset L'ID risorsa di output Dataplex in cui vengono memorizzati i risultati. Per l'ID, utilizza il formato projects/your-project/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/assets/<asset-name></code>. Puoi trovare outputAsset nella console Google Cloud, nella scheda Dettagli della risorsa Dataplex.
username Il nome utente da utilizzare per la connessione JDBC. Puoi passare il parametro il nome utente come testo normale o come stringa con codifica Base64 e criptata da di Cloud KMS.
password La password da utilizzare per la connessione JDBC. Puoi passare la password come testo normale o come stringa con codifica Base64 criptata da Cloud KMS.
outputTable La posizione della tabella BigQuery o Cloud Storage in alto il nome della cartella in cui scrivere l'output. Se si tratta di un cluster BigQuery, posizione della tabella, lo schema della tabella deve corrispondere a quello di origine della query e deve essere nel formato some-project-id:somedataset.sometable. Se si tratta di una cartella principale di Cloud Storage, fornisci il nome della cartella principale.
KMSEncryptionKey (Facoltativo) Se fornisci il parametro KMSEncryptionKey, assicurati che i tuoi password, username e I file connectionURL sono criptati da Cloud KMS. Crittografa questi parametri utilizzando l'endpoint di crittografia dell'API Cloud KMS. Ad esempio projects/your-project/locations/global/keyRings/test/cryptoKeys/quickstart.
writeDisposition (Facoltativo) La strategia da utilizzare se il file/la tabella di destinazione esiste. I formati supportati sono WRITE_APPEND (le righe verranno aggiunte se la tabella esiste), WRITE_TRUNCATE (la tabella/il file verrà sovrascritto), WRITE_EMPTY (la tabella di output deve essere vuota/il file di output non deve esistere) e SKIP (salta la scrittura nel file se esiste). Per BigQuery, i formati consentiti sono: WRITE_APPEND, WRITE_TRUNCATE, WRITE_EMPTY. Per Cloud Storage, i formati consentiti sono: SKIP, WRITE_TRUNCATE, WRITE_EMPTY. Valore predefinito: WRITE_EMPTY.
partitioningScheme (Facoltativo) Lo schema di partizione durante la scrittura del file. Il valore predefinito per questo parametro è DAILY. Altri valori per il parametro possono essere MONTHLY o HOURLY.
partitionColumn (Facoltativo) La colonna di partizione su cui si basa la partizione. La il tipo di colonna deve essere nel formato timestamp/date. Se Parametro partitionColumn non fornito, i dati non verranno partizionate.
fileFormat (Facoltativo) Il formato del file di output in Cloud Storage. I file vengono è compresso con l'impostazione predefinita Compressione rapida. Il valore predefinito per questo parametro è PARQUET. Un altro valore per il parametro è AVRO.
updateDataplexMetadata

(Facoltativo) Se aggiornare i metadati di Dataplex per le entità appena create. Il valore predefinito di questo parametro è false.

Se abilitata, la pipeline copierà automaticamente lo schema dall'origine alle entità Dataplex di destinazione e l'automazione Dataplex Discovery non verrà eseguito. Utilizza questo flag nei casi in cui hai gestito lo schema all'origine.

Supportata solo per la destinazione Cloud Storage.

Esegui il modello

Console

  1. Nella console Google Cloud, vai alla pagina Dataplex:

    Vai a Dataplex

  2. Vai alla vista Process.

  3. Fai clic su Crea attività.

  4. In Importa JDBC su Dataplex, fai clic su Crea attività.

  5. Scegli un lake Dataplex.

  6. Specifica un nome per l'attività.

  7. Scegli una regione per l'esecuzione delle attività.

  8. Inserisci i parametri richiesti.

  9. Fai clic su Continua.

gcloud

Sostituisci quanto segue:

JOB_NAME: a job name of your choice
PROJECT_ID: your template project ID
DRIVER_JARS: path to your JDBC drivers
CONNECTION_URL: your JDBC connection URL string
DRIVER_CLASS_NAME: your JDBC driver class name
CONNECTION_PROPERTIES: your JDBC connection property string
QUERY: your JDBC source SQL query
OUTPUT_ASSET: your Dataplex output asset ID

Nella shell o nel terminale, esegui il modello:

gcloud beta dataflow flex-template run JOB_NAME \
--project=PROJECT_ID \
--region=REGION_NAME \
--template-file-gcs-location=gs://dataflow-templates-REGION_NAME/latest/flex/Dataplex_JDBC_Ingestion_Preview \
--parameters \
driverJars=DRIVER_JARS,\
connectionUrl=CONNECTION_URL,\
driverClassName=DRIVER_CLASS_NAME,\
connectionProperties=CONNECTION_PROPERTIES,\
query=QUERY\
outputAsset=OUTPUT_ASSET\

API REST

Sostituisci quanto segue:

PROJECT_ID: your template project ID
REGION_NAME: region in which to run the job
JOB_NAME: a job name of your choice
DRIVER_JARS: path to your JDBC drivers
CONNECTION_URL: your JDBC connection URL string
DRIVER_CLASS_NAME: your JDBC driver class name
CONNECTION_PROPERTIES: your JDBC connection property string
QUERY: your JDBC source SQL query
OUTPUT_ASSET: your Dataplex output asset ID

Invia una richiesta POST HTTP:

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION_NAME/flexTemplates:launch
{
   "launch_parameter": {
      "jobName": "JOB_NAME",
      "parameters": {
          "driverJars": "DRIVER_JARS",
          "connectionUrl": "CONNECTION_URL",
          "driverClassName": "DRIVER_CLASS_NAME",
          "connectionProperties": "CONNECTION_PROPERTIES",
          "query": "QUERY"
          "outputAsset": "OUTPUT_ASSET"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-REGION_NAME/latest/flex/Dataplex_JDBC_Ingestion_Preview",
   }
}

Passaggi successivi