Cloud Data Fusion proporciona un complemento de fuente de Dataplex para leer datos de entidades (tablas) de Dataplex que residen en recursos de Cloud Storage o BigQuery. El complemento Dataplex Source te permite tratar los datos en los recursos de Cloud Storage como tablas y filtrar los datos con consultas SQL simples.
Antes de comenzar
Crear una instancia de Cloud Data Fusion, si no tienes uno. Este complemento está disponible en instancias que se ejecutan en Cloud Data Fusion versión 6.6 o posterior
Los datos de origen ya deben ser parte de una zona y un recurso de Dataplex (un bucket de Cloud Storage o un conjunto de datos de BigQuery).
Para usar tablas de Cloud Storage, debes configurar un almacén de metadatos para tu lake.
Para que los datos se lean desde las entidades de Cloud Storage, Dataproc Metastore debe estar conectado al lago.
No se admiten los datos CSV en las entidades de Cloud Storage.
En el proyecto de Dataplex, habilita el Acceso privado a Google en la subred, que suele establecerse en
default, o estableceinternal_ip_onlyenfalse.
Roles obligatorios
Si quieres obtener los permisos que necesitas para administrar roles, solicita a tu administrador que te otorgue el siguientes roles de IAM en el agente de servicio de Dataproc y el agente de servicio de Cloud Data Fusion (service-CUSTOMER_PROJECT_NUMBER@gcp-sa-datafusion.iam.gserviceaccount.com):
-
Desarrollador de Dataplex (
roles/dataplex.developer) -
Lector de datos de Dataplex (
roles/dataplex.dataReader) -
Usuario de metadatos de Dataproc Metastore (
roles/metastore.metadataUser) -
Agente de servicio de Cloud Dataplex (
roles/dataplex.serviceAgent) -
Lector de metadatos de Dataplex (
roles/dataplex.metadataReader)
Para obtener más información sobre cómo otorgar roles, consulta Administra el acceso a proyectos, carpetas y organizaciones.
También puedes obtener los permisos necesarios mediante roles personalizados o cualquier otro rol predefinido.
Limitaciones
Para recursos de Cloud Storage: este complemento no admite la lectura de CSV. Admite la lectura de formatos JSON, Avro, Parquet y ORC.
En el caso de los recursos de Cloud Storage, no se aplican las propiedades Fecha de inicio de la partición ni Fecha de finalización de la partición.
Agrega el complemento a tu canalización
En la consola de Google Cloud, ve a la página Instancias de Cloud Data Fusion.
En esta página, puedes administrar tus instancias.
Haz clic en Ver instancia para abrir tu instancia en Cloud Data Fusion. de la IU de Google.
Ve a la página de Studio, expande el menú Fuente y haz clic en Dataplex.
Configura el complemento
Después de agregar este complemento a tu canalización en la página Studio, haz clic en la fuente de Dataplex para configurar sus propiedades.
Para obtener más información sobre las configuraciones, consulta la referencia de Dataplex Source.
Opcional: Comienza con una canalización de ejemplo
Hay canalizaciones de muestra disponibles, como una fuente de SAP a la canalización de receptor de Dataplex y una fuente de Dataplex a la canalización de receptor de BigQuery.
Para usar una canalización de muestra, abre tu instancia en la IU de Cloud Data Fusion. haz clic en Concentrador > Canalizaciones y selecciona una de las Canalizaciones de Dataplex. Se abrirá un diálogo para ayudarte a crear la canalización.
¿Qué sigue?
- Transfiere datos con Cloud Data Fusion mediante el complemento Dataplex Sink.