Elabora i dati utilizzando i modelli

Il Catalogo universale Dataplex fornisce modelli basati su Dataflow per eseguire attività comuni di elaborazione dei dati come l'importazione dati, l'elaborazione e la gestione del ciclo di vita dei dati. Questa guida descrive come configurare ed eseguire i modelli di elaborazione dei dati.

Prima di iniziare

I modelli di Dataplex Universal Catalog sono basati su Dataflow. Prima di utilizzare i modelli, abilita le API Dataflow.

Abilita le API Dataflow

Tieni presente quanto segue:

  • Tutti i modelli supportano le opzioni comuni delle pipeline Dataflow.

  • Dataplex Universal Catalog utilizza le pipeline di dati per pianificare le attività definite dai modelli.

  • Puoi vedere solo le attività pianificate tramite Dataplex Universal Catalog nella Google Cloud console nella pagina Dataplex Universal Catalog.

Modello: converti i dati non elaborati in dati selezionati

Il modello di conversione del formato file di Dataplex Universal Catalog converte i dati in un asset Cloud Storage di Dataplex Universal Catalog o in un elenco di entità di Dataplex Universal Catalog archiviate in formati CSV o JSON in dati in formato Parquet o Avro in un altro asset Dataplex Universal Catalog. Il layout della partizione viene mantenuto durante la conversione. Supporta anche la compressione dei file di output.

Parametri del modello

Parametro Descrizione
inputAssetOrEntitiesList La risorsa Dataplex Universal Catalog o le entità Dataplex Universal Catalog che contengono i file di input. Questo parametro deve avere il seguente 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 Il formato del file di output in Cloud Storage. Questo parametro deve seguire il formato: PARQUET o AVRO.
outputAsset Il nome della risorsa Dataplex Universal Catalog contenente il bucket Cloud Storage in cui verranno archiviati i file di output. Questo parametro deve avere il seguente formato: projects/<name>/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/assets/<asset-name>. Puoi trovare outputAsset nella console, nella scheda Details Asset del Catalogo universale Dataplex. Google Cloud
outputFileCompression (Facoltativo) La compressione del file di output. Il valore predefinito di questo parametro è SNAPPY. Altri valori per il parametro possono essere UNCOMPRESSED, SNAPPY, GZIP o BZIP2. BZIP2 non è supportato per i file PARQUET.
writeDisposition (Facoltativo) Specifica l'azione che si verifica se esiste già un file di destinazione. Il valore predefinito per questo parametro è SKIP, che indica di elaborare solo i file che non esistono nella directory di destinazione. Altri valori per il parametro possono essere OVERWRITE (sovrascrive i file esistenti) o FAIL (non viene elaborato nulla e viene generato un errore se esiste già almeno un file di destinazione).
updateDataplexMetadata

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

Se abilitata, la pipeline copia automaticamente lo schema dalle entità Dataplex di origine alle entità Dataplex di destinazione e il rilevamento automatico del catalogo universale Dataplex non viene eseguito per queste entità. Utilizza questo flag se lo schema dei dati di origine (non elaborati) è gestito da Dataplex.

Esegui il modello

Console

  1. Nella Google Cloud console, vai alla pagina Catalogo universale Dataplex.

    Vai al Catalogo universale Dataplex

  2. Vai alla visualizzazione Procedura.

  3. Fai clic su Crea attività.

  4. In Convertire in formati selezionati, fai clic su Crea attività.

  5. Scegli un lake Dataplex Universal Catalog.

  6. Fornisci un nome per l'attività.

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

  8. Compila i parametri richiesti.

  9. Fai clic su Continua.

gcloud

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_File_Format_Conversion_Preview \
--parameters \
inputAssetOrEntitiesList=INPUT_ASSET_OR_ENTITIES_LIST,\
outputFileFormat=OUTPUT_FILE_FORMAT,\
outputAsset=OUTPUT_ASSET

Sostituisci quanto segue:

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 Universal Catalog output asset ID

REST

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": {
        "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",
 }
}

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
INPUT_ASSET_OR_ENTITIES_LIST: path to your JDBC drivers
OUTPUT_FILE_FORMAT: your output file format in Cloud Storage
OUTPUT_ASSET: your Dataplex Universal Catalog output asset ID

Modello: esegui il tiering dei dati da un asset BigQuery a un asset Cloud Storage

Il modello BigQuery to Cloud Storage di Dataplex Universal Catalog copia i dati da un asset BigQuery di Dataplex Universal Catalog a un asset Cloud Storage di Dataplex Universal Catalog in un layout e formato compatibili con Dataplex Universal Catalog. Puoi specificare un set di dati BigQuery o un elenco di tabelle BigQuery da copiare. Per una maggiore flessibilità, il modello consente di copiare i dati precedenti a una data di modifica specificata e, facoltativamente, di eliminare i dati da BigQuery dopo una copia riuscita.

Quando copi le tabelle partizionate da BigQuery a Cloud Storage:

  • Il modello crea partizioni in stile Hive nel bucket Cloud Storage. BigQuery non può avere la chiave di partizione in stile Hive uguale a una colonna esistente. Puoi utilizzare l'opzione enforceSamePartitionKey per creare una nuova chiave di partizione o mantenere la stessa chiave di partizione, ma rinominare la colonna esistente.
  • La funzionalità di rilevamento del Catalogo universale Dataplex registra il tipo di partizione come string quando viene creata una tabella BigQuery (e una tabella in Dataproc Metastore). Ciò potrebbe influire sui filtri delle partizioni esistenti.

Esiste un limite al numero di tabelle e partizioni che possono essere trasformate in un'unica esecuzione del modello, pari a circa 300. Il numero esatto dipende dalla lunghezza dei nomi delle tabelle e da altri fattori.

Parametri del modello

Parametro Descrizione
sourceBigQueryDataset Il set di dati BigQuery da cui eseguire il ranking dei dati. Questo parametro deve contenere il nome di una risorsa del Catalogo universale Dataplex nel formato projects/<name>/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/assets/<asset-name> o l'ID di un set di dati BigQuery nel formato projects/<name>/datasets/<dataset-id>.
destinationStorageBucketAssetName Il nome dell'asset del Catalogo universale Dataplex per il bucket Cloud Storage a cui eseguire il tiering dei dati. Questo parametro deve avere il formato projects/<name>/locations/<loc>/lakes/<lake-name>/zones/<zone-name>/assets/<asset-name>.
tables (Facoltativo) Un elenco separato da virgole delle tabelle BigQuery da inserire nel livello. Se non viene fornito alcun elenco, tutte le tabelle saranno a più livelli. Le tabelle devono essere specificate solo per nome (senza prefisso di progetto o set di dati) e sono sensibili alle maiuscole.
exportDataModifiedBeforeDateTime (Facoltativo) Utilizza questo parametro per spostare i dati precedenti a questa data (e all'ora facoltativa). Per le tabelle BigQuery partizionate, sposta le partizioni modificate l'ultima volta prima di questa data/ora. Per le tabelle non partizionate, esegui il trasferimento se la tabella è stata modificata l'ultima volta prima di questa data/ora. Se non viene specificato, vengono spostate tutte le tabelle/partizioni. Per impostazione predefinita, la data/l'ora viene analizzata nel fuso orario predefinito, ma sono supportati i suffissi facoltativi Z e +HH:mm. Questo parametro deve avere il formato YYYY-MM-DD o YYYY-MM-DDTHH:mm:ss o YYYY-MM-DDTHH:mm:ss+03:00. È supportata anche la data/ora relativa, che deve seguire il formato-PnDTnHnMn.nS (deve iniziare con -P, che indica l'ora nel passato).
fileFormat (Facoltativo) Il formato del file di output in Cloud Storage. Il valore predefinito di questo parametro è PARQUET. Un altro valore per il parametro può essere AVRO.
fileCompression (Facoltativo) La compressione del file di output. Il valore predefinito di questo parametro è SNAPPY. Altri valori per il parametro possono essere UNCOMPRESSED, SNAPPY, GZIP o BZIP2. BZIP2 non è supportato per i file PARQUET.
deleteSourceData (Facoltativo) Indica se eliminare i dati di origine da BigQuery dopo un'esportazione riuscita. I valori possono essere true o false. Il valore predefinito di questo parametro è false.
partitionIdRegExp (Facoltativo) Elabora le partizioni con ID partizione corrispondente solo a questa expression regolare. Se non viene fornito alcun valore, il valore predefinito di questo parametro è process all.
writeDisposition (Facoltativo) Specifica l'azione che si verifica se esiste già un file di destinazione, ovvero se una o più tabelle/partizioni sono già state pre-tiered. Il valore predefinito per questo parametro è SKIP, che indica di elaborare solo le tabelle/partizioni che non sono già suddivise in livelli. Altri valori per il parametro possono essere OVERWRITE (sovrascrive i file esistenti) o FAIL (non viene elaborato nulla e viene generato un errore se esiste già almeno un file di destinazione).
enforceSamePartitionKey

(Facoltativo) Se applicare la stessa chiave di partizione. A causa di una limitazione di BigQuery, non è possibile che la chiave di partizione (nel percorso del file) in una tabella esterna partizionata abbia lo stesso nome di una delle colonne del file. Se questo parametro è true (che è il valore predefinito), la chiave di partizione del file di destinazione viene impostata sul nome della colonna della partizione originale e la colonna nel file viene rinominata. Se false, la chiave di partizione viene rinominata.

Ad esempio, se la tabella originale è partizionata in base a una colonna denominata TS e enforceSamePartitionKey=true, il percorso del file di destinazione è gs://<bucket>/TS=<partition ID>/<file> e la colonna viene rinominata in TS_pkey nel file. In questo modo, le query esistenti possono essere eseguite sulle stesse partizioni nella vecchia tabella o nella nuova.

Se enforceSamePartitionKey=false, il percorso del file di destinazione è gs://<bucket>/TS_pid=<partition ID>/<file>, ma il nome della colonna viene mantenuto come TS nel file.

updateDataplexMetadata

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

Se abilitata, la pipeline copia automaticamente lo schema dalle entità Dataplex di origine alle entità Dataplex di destinazione e il rilevamento automatico del catalogo universale Dataplex non viene eseguito per queste entità. Utilizza questo flag se gestisci lo schema delle tabelle BigQuery di origine.

Esegui il modello

Console

  1. Nella Google Cloud console, vai alla pagina Catalogo universale Dataplex.

    Vai al Catalogo universale Dataplex

  2. Vai alla visualizzazione Procedura.

  3. Fai clic su Crea attività.

  4. In Livello da BQ ad asset GCS, fai clic su Crea attività.

  5. Scegli un lake Dataplex Universal Catalog.

  6. Fornisci un nome per l'attività.

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

  8. Compila i parametri richiesti.

  9. Fai clic su Continua.

gcloud

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_BigQuery_to_GCS_Preview \
--parameters \
sourceBigQueryDataset=SOURCE_ASSET_NAME_OR_DATASET_ID,\
destinationStorageBucketAssetName=DESTINATION_ASSET_NAME

Sostituisci quanto segue:

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 Universal Catalog asset
name for the source BigQuery dataset, or the dataset ID
DESTINATION_ASSET_NAME: your Dataplex Universal Catalog asset name for
the destination Cloud Storage bucket

REST

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": {
        "sourceBigQueryDataset": "SOURCE_ASSET_NAME_OR_DATASET_ID",
        "destinationStorageBucketAssetName": "DESTINATION_ASSET_NAME",
    },
    "containerSpecGcsPath": "gs://dataflow-templates-REGION_NAME/latest/flex/Dataplex_BigQuery_to_GCS_Preview",
 }
}

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
SOURCE_ASSET_NAME_OR_DATASET_ID: your Dataplex Universal Catalog asset
name for the source BigQuery dataset, or the dataset ID
DESTINATION_ASSET_NAME: your Dataplex Universal Catalog asset name for
the destination Cloud Storage bucket
REGION_NAME: region in which to run the job

Pianifica altri modelli Dataflow forniti da Google Cloudo personalizzati

Dataplex Universal Catalog ti consente di pianificare e monitorare qualsiasi modello Dataflow fornito daGoogle Cloudo il tuo modello Dataflow personalizzato nella console.

Pianificazione

Console

  1. Nella Google Cloud console, vai alla pagina Catalogo universale Dataplex.

    Vai al Catalogo universale Dataplex

  2. Vai alla visualizzazione Procedura.

  3. Fai clic su Crea attività.

  4. In Crea una pipeline Dataflow, fai clic su Crea pipeline Dataflow.

  5. Scegli un lake Dataplex Universal Catalog.

  6. Fornisci un nome per l'attività.

  7. Scegli una regione in cui eseguire l'attività.

  8. Scegli un modello di Dataflow.

  9. Compila i parametri richiesti.

  10. Fai clic su Continua.

Monitoraggio

Console

  1. Nella Google Cloud console, vai alla pagina Catalogo universale Dataplex.

    Vai al Catalogo universale Dataplex

  2. Vai alla visualizzazione Procedura.

  3. Fai clic su Pipeline Dataflow.

  4. Filtra per nome del lago o della pipeline.