O Cloud Data Fusion fornece um plug-in de destino do Dataplex para ingerir dados em qualquer um dos recursos compatíveis com o Dataplex.
Antes de começar
- Crie um instância do Cloud Data Fusion, caso ainda não tenha uma. Esse plug-in está disponível em instâncias executadas no Cloud Data Fusion versão 6.6 ou mais recente.
- O conjunto de dados do BigQuery ou o bucket do Cloud Storage em que os dados são ingeridos precisa fazer parte de um lake do Dataplex.
- Para que os dados sejam lidos das entidades do Cloud Storage, o metastore do Dataproc precisa ser anexado ao data lake.
- Não é possível usar dados CSV em entidades do Cloud Storage.
- No projeto do Dataplex, ative o Acesso privado do Google na
sub-rede, que geralmente é definida como
default, ou definainternal_ip_onlycomofalse.
Funções exigidas
Para receber as permissões necessárias para gerenciar funções,
peça ao administrador para conceder a você os
seguintes papéis do IAM no agente de serviço do Dataproc e do agente de serviço do Cloud Data Fusion (service-CUSTOMER_PROJECT_NUMBER@gcp-sa-datafusion.iam.gserviceaccount.com):
-
Desenvolvedor do Dataplex (
roles/dataplex.developer) -
Leitor de dados do Dataplex (
roles/dataplex.dataReader) -
Usuário de metadados do metastore do Dataproc (
roles/metastore.metadataUser) -
Agente de serviço do Cloud Dataplex (
roles/dataplex.serviceAgent) -
Leitor de metadados do Dataplex (
roles/dataplex.metadataReader)
Para mais informações sobre a concessão de papéis, consulte Gerenciar o acesso a projetos, pastas e organizações.
Também é possível conseguir as permissões necessárias por meio de papéis personalizados ou de outros papéis predefinidos.
Adicionar o plug-in ao pipeline
No console do Google Cloud, acesse a página Instâncias do Cloud Data Fusion.
Nesta página, você pode gerenciar suas instâncias.
Clique em Ver instância para abrir a instância na interface do Cloud Data Fusion.
Acesse a página do Studio, expanda o menu Coletor e clique em Dataplex.
Configurar o plug-in
Depois de adicionar esse plug-in ao pipeline na página do Studio, clique no botão Coletor do Dataplex para configurar e salvar as propriedades dele.
Para mais informações sobre configurações, consulte a Referência do coletor do Dataplex.
Opcional: começar com um pipeline de amostra
Há pipelines de amostra disponíveis, incluindo uma origem SAP para o pipeline de coletor do Dataplex e uma origem do Dataplex para o pipeline de coletor do BigQuery.
Para usar um pipeline de exemplo, abra sua instância na interface do Cloud Data Fusion, clique em Hub > Pipelines e selecione um dos pipelines do Dataplex. Uma caixa de diálogo é aberta para ajudar você a criar o pipeline.
Executar o pipeline
Depois de implantar o pipeline, abra-o na página Studio do Cloud Data Fusion.
Clique em Configurar > Recursos.
Opcional: mude a CPU do Executor e a Memória com base no tamanho geral dos dados e no número de transformações usadas no pipeline.
Clique em Salvar.
Para iniciar o pipeline de dados, clique em Executar.
A seguir
- Processe dados com o Cloud Data Fusion usando o plug-in de origem do Dataplex.