Dataplex ofrece plantillas con la tecnología de Dataflow, realizar tareas comunes de procesamiento de datos, como la transferencia, el procesamiento y administrar el ciclo de vida de los datos. En esta guía, se describe cómo configurar y ejecutar datos las plantillas de procesamiento.
Antes de comenzar
Las plantillas de Dataplex se basan en Dataflow. Antes de usar las plantillas, habilita las APIs de Dataflow.
Notas
Todas las plantillas son compatibles con Opciones de canalización de Dataflow.
Dataplex usa canalizaciones de datos para programar las tareas definidas por las plantillas.
Solo puedes ver las tareas que programas a través de Dataplex en la página Dataplex de la consola de Google Cloud.
Plantilla: Convierte datos sin procesar en datos seleccionados
La plantilla de conversión de formato de archivo de Dataplex convierte datos recurso de Cloud Storage de Dataplex o una lista de Entidades de Dataplex almacenadas en formatos CSV o JSON, Parquet o Datos en formato Avro en otro recurso de Dataplex. El diseño de la partición se conserva en la conversión. También admite la compresión de los archivos de salida.
Parámetros de la plantilla
Parámetro | Descripción |
---|---|
inputAssetOrEntitiesList |
El recurso de Dataplex o las entidades de Dataplex que
contienen los archivos de entrada. Este parámetro debe tener el siguiente formato:
projects/<name>/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/assets/<asset-name>
o projects/<name>/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/entities/<entity1-name>,projects/<name>/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/entities/<entity 2 name>... |
outputFileFormat |
Es el formato de archivo de salida en Cloud Storage. Este parámetro debe
seguir el formato: PARQUET o AVRO . |
outputAsset |
El nombre del recurso de Dataplex que contiene el
El bucket de Cloud Storage en el que se almacenarán los archivos de salida. Esta
debe seguir el formato: projects/<name>/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/assets/<asset-name> . Puedes encontrar el outputAsset en la consola de Google Cloud, en la pestaña Details del activo de Dataplex. |
outputFileCompression |
La compresión del archivo de salida (opcional) El valor predeterminado para esta
parámetro es SNAPPY . Otros valores del parámetro pueden ser UNCOMPRESSED , SNAPPY , GZIP o BZIP2 . BZIP2 no es compatible con
PARQUET archivos. |
writeDisposition |
Opcional: Especifica la acción que ocurre si ya existe un archivo de destino. El valor predeterminado para este parámetro es SKIP ,
qué indicadores procesar solo
los archivos que no existen en el
directorio de destino. Otros valores para el parámetro pueden ser
OVERWRITE (reemplaza cualquier archivo existente) o FAIL
(no proceses nada y produzca un error si se produce al menos
ya existe). |
updateDataplexMetadata |
Opcional: Actualiza los metadatos de Dataplex para
entidades recién creadas. El valor predeterminado para este parámetro es
Si está habilitada, la canalización copiará automáticamente el esquema de la fuente a las entidades de Dataplex de destino, y no se ejecutará el descubrimiento automático de Dataplex. Usa esta marca si Dataplex administra el esquema de los datos de origen (sin procesar). |
Ejecuta la plantilla
Console
En la consola de Google Cloud, ve a la página Dataplex:
Navega a la vista Process.
Haz clic en Crear tarea.
En Convertir en formatos seleccionados, haz clic en Crear tarea.
Elige un lake de Dataplex.
Proporciona un nombre de tarea.
Elige una región para la ejecución de tareas.
Completa los parámetros obligatorios.
Haga clic en Continuar.
gcloud
Reemplaza lo siguiente:
JOB_NAME: a job name of your choice PROJECT_ID: your template project ID REGION_NAME: region in which to run the job INPUT_ASSET_OR_ENTITIES_LIST: path to your JDBC drivers OUTPUT_FILE_FORMAT: your output file format in Cloud Storage OUTPUT_ASSET: your Dataplex output asset ID
En tu shell o terminal, ejecuta la plantilla:
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_File_Format_Conversion_Preview \ --parameters \ inputAssetOrEntitiesList=INPUT_ASSET_OR_ENTITIES_LIST,\ outputFileFormat=OUTPUT_FILE_FORMAT,\ outputAsset=OUTPUT_ASSET
API de REST
Reemplaza lo siguiente:
PROJECT_ID: your template project ID REGION_NAME: region in which to run the job JOB_NAME: a job name of your choice INPUT_ASSET_OR_ENTITIES_LIST: path to your JDBC drivers OUTPUT_FILE_FORMAT: your output file format in Cloud Storage OUTPUT_ASSET: your Dataplex output asset ID
Envía una solicitud HTTP POST:
POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION_NAME/flexTemplates:launch { "launch_parameter": { "jobName": "JOB_NAME", "parameters": { "inputAssetOrEntitiesList": "INPUT_ASSET_OR_ENTITIES_LIST", "outputFileFormat": "OUTPUT_FILE_FORMAT", "outputAsset": "OUTPUT_ASSET", }, "containerSpecGcsPath": "gs://dataflow-templates-REGION_NAME/latest/flex/Dataplex_File_Format_Conversion_Preview", } }
Plantilla: Nivel de datos de un recurso de BigQuery a un recurso de Cloud Storage
BigQuery de Dataplex a Cloud Storage plantilla copia datos de un BigQuery de Dataplex recurso de Cloud Storage de Dataplex en un Diseño y formato compatibles con Dataplex. Puedes especificar un conjunto de datos de BigQuery o una lista de tablas de BigQuery que se copiarán. Para mayor flexibilidad, la plantilla permite copiar datos anteriores a una fecha de modificación especificada y permite borrar los datos de forma opcional desde BigQuery después de una copia exitosa.
Cuando copias tablas particionadas desde BigQuery a Cloud Storage:
- La plantilla crea particiones de estilo Hive en el bucket de Cloud Storage.
BigQuery no puede tener la clave de partición de estilo Hive igual que una columna existente. Puedes usar la opción
enforceSamePartitionKey
para crear una clave de partición nueva o mantener la misma clave de partición, pero cambiar el nombre de la columna existente. - Dataplex Discovery registra el tipo de partición como
string
cuando se crea una tabla de BigQuery (y una tabla en Dataproc Metastore). Esto puede afectar los filtros de partición existentes.
Existe un límite para la cantidad de tablas y particiones que se pueden transformar en una sola ejecución de plantilla, que es de aproximadamente 300. La cantidad exacta depende la longitud de los nombres de las tablas y otros factores.
Parámetros de la plantilla
Parámetro | Descripción |
---|---|
sourceBigQueryDataset |
Es el conjunto de datos de BigQuery del que se estratifican los datos. Este parámetro debe contener un nombre de activo de Dataplex en el formato projects/<name>/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/assets/<asset-name> o un ID de conjunto de datos de BigQuery en el formato projects/<name>/datasets/<dataset-id> . |
destinationStorageBucketAssetName |
El nombre del activo de Dataplex para el bucket de Cloud Storage al que se segmentarán los datos Este parámetro debe seguir el formato
projects/<name>/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/assets/<asset-name> |
tables |
Una lista separada por comas de tablas de BigQuery para del nivel de servicio. Si no se proporciona una lista, todas las tablas se agruparán en niveles. Las tablas deben especificarse solo por su nombre (sin prefijo de proyecto o conjunto de datos) y distinguen mayúsculas de minúsculas. |
exportDataModifiedBeforeDateTime |
Opcional: utiliza este parámetro para mover datos anteriores a esta fecha (y
horario opcional). Para las tablas particionadas de BigQuery, mueve
particiones se modificaron por última vez antes de esta fecha/hora. Para no particionados
moverla si la tabla se modificó por última vez antes de esta fecha y hora. Si no es así
especificada, mover todas las tablas/particiones. La fecha/hora se analiza en el
zona horaria predeterminada de forma predeterminada, pero los sufijos opcionales Z y
+HH:mm . Este parámetro debe seguir el formato
YYYY-MM-DD o YYYY-MM-DDTHH:mm:ss o
YYYY-MM-DDTHH:mm:ss+03:00
También se admite la fecha y hora relativas, que debe seguir el formato -PnDTnHnMn.nS (debe comenzar con -P , que indica la hora anterior).
|
fileFormat |
El formato del archivo de salida en Cloud Storage (opcional). El valor predeterminado para este parámetro es PARQUET . Otro valor para el
puede ser AVRO . |
fileCompression |
Opcional: La compresión del archivo de salida. El valor predeterminado para este parámetro es SNAPPY . Otros valores para el parámetro pueden ser
UNCOMPRESSED , SNAPPY , GZIP o
BZIP2 BZIP2 no es compatible con
PARQUET archivos. |
deleteSourceData |
Especifica si se deben borrar los datos de origen de BigQuery (opcional)
después de una exportación exitosa. Los valores pueden ser true o false . El valor predeterminado para este parámetro es
false |
partitionIdRegExp |
Opcional: Procesa particiones con un ID de partición que coincida con este normal expresión única. Si no se proporciona ningún valor, el valor predeterminado de este parámetro es procesar todo el proceso. |
writeDisposition |
Opcional: Especifica la acción que se produce si un archivo de destino
ya existe, lo que significa que una o más tablas/particiones ya existen
nivelado previamente. El valor predeterminado para este parámetro es SKIP ,
qué indicadores procesar solo aquellas tablas o particiones que no se
ya está nivelado previamente. Otros valores para el parámetro pueden ser OVERWRITE (reemplazar los archivos existentes) o FAIL (no procesar nada y generar un error si ya existe al menos un archivo de destino). |
enforceSamePartitionKey |
Especifica si se debe aplicar la misma clave de partición (opcional). Debido a una limitación de BigQuery, no es posible que la clave de partición (en la ruta de acceso del archivo) de una tabla externa particionada tenga el mismo nombre que una de las columnas del archivo. Si este parámetro es verdadero (que es el valor predeterminado), la clave de partición del archivo de destino se establece en nombre de la columna de partición original y se cambia el nombre de la columna en el archivo. Si es "false", se cambia el nombre de la clave de partición. Por ejemplo, si la tabla original está particionada en una columna llamada
Si es |
updateDataplexMetadata |
Opcional: Indica si deseas actualizar los metadatos de Dataplex para las entidades creadas recientemente. El valor predeterminado para este parámetro es Si se habilita, la canalización copiará automáticamente el esquema desde la fuente a las entidades de Dataplex de destino y Dataplex Discovery no se ejecutará por ellos. Usa esta marca si administras el esquema de las tablas de BigQuery de origen. |
Ejecuta la plantilla
Console
En la consola de Google Cloud, ve a la página Dataplex:
Navega a la vista Process.
Haz clic en Crear tarea.
En Nivel de recursos de BQ a GCS, haz clic en Crear tarea.
Elige un lake de Dataplex.
Proporciona un nombre de tarea.
Elige una región para la ejecución de tareas.
Completa los parámetros obligatorios.
Haga clic en Continuar.
gcloud
Reemplaza lo siguiente:
JOB_NAME: a job name of your choice PROJECT_ID: your template project ID REGION_NAME: region in which to run the job SOURCE_ASSET_NAME_OR_DATASET_ID: your Dataplex asset name for the source BigQuery dataset, or the dataset ID DESTINATION_ASSET_NAME: your Dataplex asset name for the destination Cloud Storage bucket
En tu shell o terminal, ejecuta la plantilla:
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_BigQuery_to_GCS_Preview \ --parameters \ sourceBigQueryDataset=SOURCE_ASSET_NAME_OR_DATASET_ID,\ destinationStorageBucketAssetName=DESTINATION_ASSET_NAME
API de REST
Reemplaza lo siguiente:
PROJECT_ID: your template project ID REGION_NAME: region in which to run the job JOB_NAME: a job name of your choice SOURCE_ASSET_NAME_OR_DATASET_ID: your Dataplex asset name for the source BigQuery dataset, or the dataset ID DESTINATION_ASSET_NAME: your Dataplex asset name for the destination Cloud Storage bucket REGION_NAME: region in which to run the job
Envía una solicitud HTTP POST:
POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION_NAME/flexTemplates:launch { "launch_parameter": { "jobName": "JOB_NAME", "parameters": { "sourceBigQueryDataset": "SOURCE_ASSET_NAME_OR_DATASET_ID", "destinationStorageBucketAssetName": "DESTINATION_ASSET_NAME", }, "containerSpecGcsPath": "gs://dataflow-templates-REGION_NAME/latest/flex/Dataplex_BigQuery_to_GCS_Preview", } }
Programa otras plantillas de Dataflow personalizadas o proporcionadas por Google Cloud
Dataplex te permite programar y supervisar cualquiera de las plantillas de Dataflow que proporciona Google Cloud o tu plantilla personalizada de Dataflow en la consola.
Programar
Console
En la consola de Google Cloud, ve a la página Dataplex:
Navega a la vista Process.
Haz clic en Crear tarea.
En Crea una canalización de Dataflow, haz clic en Crear canalización de Dataflow.
Elige un lake de Dataplex.
Proporciona un nombre para la tarea.
Elige una región para la ubicación en la que se ejecutará la tarea.
Elige una plantilla de Dataflow.
Completa los parámetros obligatorios.
Haga clic en Continuar.
Supervisar
Console
En la consola de Google Cloud, ve a la página Dataplex:
Navega a la vista Process.
Haz clic en Canalizaciones de Dataflow.
Filtra por nombre de lake o de canalización.