使用 Cloud Data Fusion 处理数据

Cloud Data Fusion 提供 Dataplex Source 插件 从驻留 Cloud Storage 或 BigQuery 资产。Dataplex 来源 插件，您可以将 Cloud Storage 资产中的数据视为表并进行过滤 通过简单的 SQL 查询来提取数据。

准备工作

  • 创建 Cloud Data Fusion 实例。 如果您没有这样的设备在运行 Cloud Data Fusion 6.6 或更高版本。

  • 源数据必须已属于 Dataplex 区域和资产（Cloud Storage 存储桶或 BigQuery 数据集）。

  • 如需使用 Cloud Storage 中的表，您必须配置 Metastore 数据池

  • 如需从 Cloud Storage 实体读取数据，必须将 Dataproc Metastore 附加到数据湖。

  • 不支持 Cloud Storage 实体中的 CSV 数据。

  • 在 Dataplex 项目中，对以下各项启用专用 Google 访问通道： 子网，通常设置为 default，或将 internal_ip_only 设置为 false。

所需的角色

如需获得管理角色所需的权限，请让管理员向您授予 Dataproc 服务代理和 Cloud Data Fusion 服务代理 (service-CUSTOMER_PROJECT_NUMBER@gcp-sa-datafusion.iam.gserviceaccount.com) 的以下 IAM 角色：

如需详细了解如何授予角色，请参阅管理对项目、文件夹和组织的访问权限。

您也可以通过自定义角色或其他预定义角色来获取所需的权限。

限制

  • 对于 Cloud Storage 素材资源：此插件不支持从 CSV 文件读取。它支持从 JSON、Avro、Parquet 和 ORC 格式读取数据。

  • 对于 Cloud Storage 资产：分区开始日期和分区结束日期不适用。

将插件添加到流水线

  1. 在 Google Cloud 控制台中，前往 Cloud Data Fusion 实例页面。

    转到实例

    通过此页面，您可以管理自己的实例。

  2. 点击查看实例，在 Cloud Data Fusion 中打开您的实例 界面。

  3. 前往 Studio 页面，展开 Source 菜单，然后点击 Dataplex。

配置插件

在 Studio 页面上将此插件添加到流水线后，点击 来配置其属性。

如需详细了解配置，请参阅 Dataplex 来源参考文档。

可选：开始使用示例流水线

提供了示例流水线，包括 SAP 源到 Dataplex 接收器流水线和 Dataplex 源到 BigQuery 接收器流水线。

如需使用示例流水线，请在 Cloud Data Fusion 界面中打开您的实例，依次点击 Hub > 流水线，然后选择其中一个 Dataplex 流水线。系统会打开一个对话框，帮助您创建 流水线。

后续步骤