Modelo do Cloud Storage para BigQuery

Use o modelo Dataproc sem servidor do Cloud Storage para BigQuery para extrair dados do Cloud Storage para o BigQuery.

Use o modelo

Execute o modelo usando a CLI gcloud ou a API Dataproc.

gcloud

Antes de usar os dados do comando abaixo, faça estas substituições:

PROJECT_ID: obrigatório. O ID do projeto do Google Cloud listado nas Configurações do IAM.
REGION: obrigatório. Região do Compute Engine.
TEMPLATE_VERSION: obrigatório. Especifique latest para a versão mais recente do modelo ou a data de uma versão específica, por exemplo, 2023-03-17_v0.1.0-beta (acesse gs://dataproc-templates-binaries ou execute gsutil ls gs://dataproc-templates-binaries para listar as versões de modelo disponíveis).
CLOUD_STORAGE_PATH: obrigatório. Caminho do Cloud Storage de origem.
Exemplo: gs://dataproc-templates/hive_to_cloud_storage_output"
FORMAT: obrigatório. Formato de dados de entrada. Opções: avro, parquet, csv ou json. Observação:se avro, será necessário adicionar "file:///usr/lib/spark/external/spark-avro.jar" ao campo jars da CLI gcloud ou da API.
Exemplo (o prefixo file:// faz referência a um arquivo jar sem servidor do Dataproc):
--jars=file:///usr/lib/spark/external/spark-avro.jar, [, ... outros potes]
DATASET: obrigatório. Conjunto de dados de destino do BigQuery.
TABLE: obrigatório. Tabela de destino do BigQuery.
TEMP_BUCKET: obrigatório. Bucket temporário do Cloud Storage usado para preparar os dados antes do carregamento para o BigQuery.
SUBNET: opcional. Se uma sub-rede não for especificada, a sub-rede na REGION especificada na rede default será selecionada.
Exemplo: projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPVIEW e SQL_QUERY: opcional. É possível usar esses dois parâmetros opcionais para aplicar uma transformação do Spark SQL ao carregar dados no BigQuery. TEMPVIEW é o nome da visualização temporária e SQL_QUERY é a instrução de consulta. TEMPVIEW e o nome da tabela em SQL_QUERY precisam ser correspondentes.
SERVICE_ACCOUNT: opcional. Se não for fornecida, a conta de serviço padrão do Compute Engine será usada.
PROPERTY e PROPERTY_VALUE: opcionais. Lista separada por vírgulas de pares de propriedade do Spark=value.
LABEL e LABEL_VALUE: opcionais. Lista separada por vírgulas de pares label=value
LOG_LEVEL: opcional. Nível de geração de registros. Pode ser ALL, DEBUG, ERROR, FATAL, INFO, OFF, TRACE ou WARN. Padrão: INFO.
KMS_KEY: opcional. A chave do Cloud Key Management Service a ser usada para criptografia. Se uma chave não for especificada, os dados serão criptografados em repouso usando uma chave gerenciada pelo Google.
Exemplo: projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME

Execute o seguinte comando:

Linux, macOS ou Cloud Shell

gcloud dataproc batches submit spark \
    --class=com.google.cloud.dataproc.templates.main.DataProcTemplate \
    --version="1.1" \
    --project="PROJECT_ID" \
    --region="REGION" \
    --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION/java/dataproc-templates.jar" \
    --subnet="SUBNET" \
    --kms-key="KMS_KEY" \
    --service-account="SERVICE_ACCOUNT" \
    --properties="PROPERTY=PROPERTY_VALUE" \
    --labels="LABEL=LABEL_VALUE" \
    -- --template=GCSTOBIGQUERY \
    --templateProperty log.level="LOG_LEVEL" \
    --templateProperty project.id="PROJECT_ID" \
    --templateProperty gcs.bigquery.input.location="CLOUD_STORAGE_PATH" \
    --templateProperty gcs.bigquery.input.format="FORMAT" \
    --templateProperty gcs.bigquery.output.dataset="DATASET" \
    --templateProperty gcs.bigquery.output.table="TABLE" \
    --templateProperty gcs.bigquery.temp.bucket.name="TEMP_BUCKET" \
    --templateProperty gcs.bigquery.temp.table="TEMPVIEW" \
    --templateProperty gcs.bigquery.temp.query="SQL_QUERY"

Windows (PowerShell)

gcloud dataproc batches submit spark `
    --class=com.google.cloud.dataproc.templates.main.DataProcTemplate `
    --version="1.1" `
    --project="PROJECT_ID" `
    --region="REGION" `
    --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION/java/dataproc-templates.jar" `
    --subnet="SUBNET" `
    --kms-key="KMS_KEY" `
    --service-account="SERVICE_ACCOUNT" `
    --properties="PROPERTY=PROPERTY_VALUE" `
    --labels="LABEL=LABEL_VALUE" `
    -- --template=GCSTOBIGQUERY `
    --templateProperty log.level="LOG_LEVEL" `
    --templateProperty project.id="PROJECT_ID" `
    --templateProperty gcs.bigquery.input.location="CLOUD_STORAGE_PATH" `
    --templateProperty gcs.bigquery.input.format="FORMAT" `
    --templateProperty gcs.bigquery.output.dataset="DATASET" `
    --templateProperty gcs.bigquery.output.table="TABLE" `
    --templateProperty gcs.bigquery.temp.bucket.name="TEMP_BUCKET" `
    --templateProperty gcs.bigquery.temp.table="TEMPVIEW" `
    --templateProperty gcs.bigquery.temp.query="SQL_QUERY"

Windows (cmd.exe)

gcloud dataproc batches submit spark ^
    --class=com.google.cloud.dataproc.templates.main.DataProcTemplate ^
    --version="1.1" ^
    --project="PROJECT_ID" ^
    --region="REGION" ^
    --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION/java/dataproc-templates.jar" ^
    --subnet="SUBNET" ^
    --kms-key="KMS_KEY" ^
    --service-account="SERVICE_ACCOUNT" ^
    --properties="PROPERTY=PROPERTY_VALUE" ^
    --labels="LABEL=LABEL_VALUE" ^
    -- --template=GCSTOBIGQUERY ^
    --templateProperty log.level="LOG_LEVEL" ^
    --templateProperty project.id="PROJECT_ID" ^
    --templateProperty gcs.bigquery.input.location="CLOUD_STORAGE_PATH" ^
    --templateProperty gcs.bigquery.input.format="FORMAT" ^
    --templateProperty gcs.bigquery.output.dataset="DATASET" ^
    --templateProperty gcs.bigquery.output.table="TABLE" ^
    --templateProperty gcs.bigquery.temp.bucket.name="TEMP_BUCKET" ^
    --templateProperty gcs.bigquery.temp.table="TEMPVIEW" ^
    --templateProperty gcs.bigquery.temp.query="SQL_QUERY"

REST

Antes de usar os dados da solicitação, faça as substituições a seguir:

PROJECT_ID: obrigatório. O ID do projeto do Google Cloud listado nas Configurações do IAM.
REGION: obrigatório. Região do Compute Engine.
TEMPLATE_VERSION: obrigatório. Especifique latest para a versão mais recente do modelo ou a data de uma versão específica, por exemplo, 2023-03-17_v0.1.0-beta (acesse gs://dataproc-templates-binaries ou execute gsutil ls gs://dataproc-templates-binaries para listar as versões de modelo disponíveis).
CLOUD_STORAGE_PATH: obrigatório. Caminho do Cloud Storage de origem.
Exemplo: gs://dataproc-templates/hive_to_cloud_storage_output"
FORMAT: obrigatório. Formato de dados de entrada. Opções: avro, parquet, csv ou json. Observação:se avro, será necessário adicionar "file:///usr/lib/spark/external/spark-avro.jar" ao campo jars da CLI gcloud ou da API.
Exemplo (o prefixo file:// faz referência a um arquivo jar sem servidor do Dataproc):
--jars=file:///usr/lib/spark/external/spark-avro.jar, [, ... outros potes]
DATASET: obrigatório. Conjunto de dados de destino do BigQuery.
TABLE: obrigatório. Tabela de destino do BigQuery.
TEMP_BUCKET: obrigatório. Bucket temporário do Cloud Storage usado para preparar os dados antes do carregamento para o BigQuery.
SUBNET: opcional. Se uma sub-rede não for especificada, a sub-rede na REGION especificada na rede default será selecionada.
Exemplo: projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPVIEW e SQL_QUERY: opcional. É possível usar esses dois parâmetros opcionais para aplicar uma transformação do Spark SQL ao carregar dados no BigQuery. TEMPVIEW é o nome da visualização temporária e SQL_QUERY é a instrução de consulta. TEMPVIEW e o nome da tabela em SQL_QUERY precisam ser correspondentes.
SERVICE_ACCOUNT: opcional. Se não for fornecida, a conta de serviço padrão do Compute Engine será usada.
PROPERTY e PROPERTY_VALUE: opcionais. Lista separada por vírgulas de pares de propriedade do Spark=value.
LABEL e LABEL_VALUE: opcionais. Lista separada por vírgulas de pares label=value
LOG_LEVEL: opcional. Nível de geração de registros. Pode ser ALL, DEBUG, ERROR, FATAL, INFO, OFF, TRACE ou WARN. Padrão: INFO.
KMS_KEY: opcional. A chave do Cloud Key Management Service a ser usada para criptografia. Se uma chave não for especificada, os dados serão criptografados em repouso usando uma chave gerenciada pelo Google.
Exemplo: projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME

Método HTTP e URL:

POST https://dataproc.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/batches

Corpo JSON da solicitação:


{
  "environmentConfig":{
    "executionConfig":{
      "subnetworkUri":"SUBNET",
      "kmsKey": "KMS_KEY",
      "serviceAccount": "SERVICE_ACCOUNT"
    }
  },
  "labels": {
    "LABEL": "LABEL_VALUE"
  },
  "runtimeConfig": {
    "version": "1.1",
    "properties": {
      "PROPERTY": "PROPERTY_VALUE"
    }
  },
  "sparkBatch":{
    "mainClass":"com.google.cloud.dataproc.templates.main.DataProcTemplate",
    "args":[
      "--template", "GCSTOBIGQUERY",
      "--templateProperty","log.level=LOG_LEVEL",
      "--templateProperty","project.id=PROJECT_ID",
      "--templateProperty","gcs.bigquery.input.location=CLOUD_STORAGE_PATH",
      "--templateProperty","gcs.bigquery.input.format=FORMAT",
      "--templateProperty","gcs.bigquery.output.dataset=DATASET",
      "--templateProperty","gcs.bigquery.output.table=TABLE",
      "--templateProperty","gcs.bigquery.temp.bucket.name=TEMP_BUCKET",
      "--templateProperty","gcs.bigquery.temp.table=TEMPVIEW",
      "--templateProperty","gcs.bigquery.temp.query=SQL_QUERY"
    ],
    "jarFileUris":[
      "file:///usr/lib/spark/external/spark-avro.jar", "gs://dataproc-templates-binaries/TEMPLATE_VERSION/java/dataproc-templates.jar"
    ]
  }
}

Para enviar a solicitação, expanda uma destas opções:

curl (Linux, macOS ou Cloud Shell)

Observação: o comando a seguir pressupõe que você fez login na CLI gcloud com sua conta de usuário executando gcloud init ou gcloud auth login, ou usando o Cloud Shell, que faz login automaticamente na CLI gcloud. É possível verificar a conta ativa atual executando gcloud auth list.

Salve o corpo da solicitação em um arquivo com o nome request.json e execute o comando a seguir:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://dataproc.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/batches"

PowerShell (Windows)

Observação: O comando a seguir pressupõe que você fez login na CLI gcloud com sua conta de usuário executando gcloud init ou gcloud auth login . É possível verificar a conta ativa atual executando gcloud auth list.

Salve o corpo da solicitação em um arquivo com o nome request.json e execute o comando a seguir:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://dataproc.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/batches" | Select-Object -Expand Content

Você receberá uma resposta JSON semelhante a esta:


{
  "name": "projects/PROJECT_ID/regions/REGION/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.dataproc.v1.BatchOperationMetadata",
    "batch": "projects/PROJECT_ID/locations/REGION/batches/BATCH_ID",
    "batchUuid": "de8af8d4-3599-4a7c-915c-798201ed1583",
    "createTime": "2023-02-24T03:31:03.440329Z",
    "operationType": "BATCH",
    "description": "Batch"
  }
}