Cloud Storage to JDBC テンプレート
Dataproc Serverless Cloud Storage to JDBC テンプレートを使用して、Cloud Storage から JDBC データベースにデータを抽出します。
テンプレートの使用
gcloud CLI または Dataproc API を使用してテンプレートを実行します。
後述のコマンドデータを使用する前に、次のように置き換えます。
PROJECT_ID : 必須。IAM 設定に載っている Google Cloud プロジェクト ID。REGION : 必須。Compute Engine のリージョン。SUBNET : 省略可。サブネットが指定されていない場合、default
ネットワークの指定された REGION のサブネットが選択されます。例:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
JDBC_CONNECTOR_CLOUD_STORAGE_PATH : 必須。JDBC コネクタ jar が格納されているファイル名を含む、Cloud Storage の完全なパス。次のコマンドを使用して、Cloud Storage にアップロードする JDBC コネクタをダウンロードできます。- MySQL:
wget http://dev.mysql.com/get/Downloads/Connector-J/mysql-connector-java-5.1.30.tar.gz
- Postgres SQL:
wget https://jdbc.postgresql.org/download/postgresql-42.2.6.jar
- MS SQL Server:
wget https://repo1.maven.org/maven2/com/microsoft/sqlserver/mssql-jdbc/6.4.0.jre8/mssql-jdbc-6.4.0.jre8.jar
- Oracle:
wget https://repo1.maven.org/maven2/com/oracle/database/jdbc/ojdbc8/21.7.0.0/ojdbc8-21.7.0.0.jar
- MySQL:
CLOUD_STORAGE_PATH : 必須。入力ファイルが格納される Cloud Storage パス。例:
gs://dataproc-templates/cloud_storage_to_jdbc_input
FORMAT : 必須。出力データ形式。選択肢:avro
、parquet
、csv
、orc
。デフォルト:avro
注:avro
の場合、jars
gcloud CLI フラグまたは API フィールドに「file:///usr/lib/spark/connector/spark-avro.jar
」を追加する必要があります。例(
file://
接頭辞は Dataproc Serverless jar ファイルを参照します):--jars=file:///usr/lib/spark/connector/spark-avro.jar,
[, ... other jars]MODE : 省略可。Cloud Storage 出力の書き込みモード。オプション:Append
、Overwrite
、Ignore
、ErrorIfExists
。デフォルト:ErrorIfExists
- 必要となる
JDBC_CONNECTION_URL の作成に次の変数が使用されます。JDBC_HOST JDBC_PORT JDBC_DATABASE 、または Oracle の場合はJDBC_SERVICE JDBC_USERNAME JDBC_PASSWORD
次のいずれかのコネクタ固有の形式を使用して JDBC_CONNECTION_URL を作成します。
- MySQL:
jdbc:mysql://
JDBC_HOST :JDBC_PORT /JDBC_DATABASE ?user=JDBC_USERNAME &password=JDBC_PASSWORD - Postgres SQL:
jdbc:postgresql://
JDBC_HOST :JDBC_PORT /JDBC_DATABASE ?user=JDBC_USERNAME &password=JDBC_PASSWORD - MS SQL Server:
jdbc:sqlserver://
JDBC_HOST :JDBC_PORT ;databaseName=JDBC_DATABASE ;user=JDBC_USERNAME ;password=JDBC_PASSWORD - Oracle:
jdbc:oracle:thin:@//
JDBC_HOST :JDBC_PORT /JDBC_SERVICE ?user=JDBC_USERNAME &password=
JDBC_TABLE : 必須。出力が書き込まれるテーブル名。DRIVER : 必須。接続に使用される JDBC ドライバ:- MySQL:
com.mysql.cj.jdbc.Driver
- Postgres SQL:
org.postgresql.Driver
- MS SQL Server:
com.microsoft.sqlserver.jdbc.SQLServerDriver
- Oracle:
oracle.jdbc.driver.OracleDriver
- MySQL:
TEMPLATE_VERSION : 必須。最新のテンプレート バージョンまたは特定バージョンの日付(2023-03-17_v0.1.0-beta
など)にはlatest
を指定します(gs://dataproc-templates-binaries にアクセスするか、gcloud storage ls gs://dataproc-templates-binaries
を実行して、使用可能なテンプレート バージョンを一覧表示します)。LOG_LEVEL : 省略可。ロギングのレベル。ALL
、DEBUG
、ERROR
、FATAL
、INFO
、OFF
、TRACE
、WARN
のいずれかです。デフォルト:INFO
NUM_PARTITIONS : 省略可。テーブルの書き込みの並列処理に使用できるパーティションの最大数。指定すると、この値が JDBC 出力接続に使用されます。デフォルトは、Sparkread()
によって設定された初期パーティションです。BATCH_SIZE : 省略可。ラウンド トリップごとに挿入するレコードの数。デフォルト:1000
。SERVICE_ACCOUNT : 省略可。指定されていない場合は、デフォルトの Compute Engine サービス アカウントが使用されます。PROPERTY 、PROPERTY_VALUE : 省略可。Spark プロパティ=value
ペアのカンマ区切りのリスト。LABEL 、LABEL_VALUE : 省略可。label
=value
ペアのカンマ区切りのリスト。-
KMS_KEY : 省略可。暗号化に使用する Cloud Key Management Service 鍵。鍵が指定されていない場合、データは Google が所有し、Google が管理する鍵を使用して、保存時に暗号化されます。例:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
次のコマンドを実行します。
Linux、macOS、Cloud Shell
gcloud dataproc batches submit spark \ --class=com.google.cloud.dataproc.templates.main.DataProcTemplate \ --project="PROJECT_ID " \ --region="REGION " \ --version="1.2" \ --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar,JDBC_CONNECTOR_CLOUD_STORAGE_PATH " \ --subnet="SUBNET " \ --kms-key="KMS_KEY " \ --service-account="SERVICE_ACCOUNT " \ --properties="PROPERTY =PROPERTY_VALUE " \ --labels="LABEL =LABEL_VALUE " \ -- --template=GCSTOJDBC \ --templateProperty project.id="PROJECT_ID " \ --templateProperty log.level="LOG_LEVEL " \ --templateProperty gcs.jdbc.input.location="CLOUD_STORAGE_PATH " \ --templateProperty gcs.jdbc.input.format="FORMAT " \ --templateProperty gcs.jdbc.output.saveMode="MODE " \ --templateProperty gcs.jdbc.output.url="JDBC_CONNECTION_URL " \ --templateProperty gcs.jdbc.output.table="JDBC_TABLE " \ --templateProperty gcs.jdbc.output.driver="DRIVER " \ --templateProperty gcs.jdbc.spark.partitions="NUM_PARTITIONS " \ --templateProperty gcs.jdbc.output.batchInsertSize="BATCH_SIZE "
Windows(PowerShell)
gcloud dataproc batches submit spark ` --class=com.google.cloud.dataproc.templates.main.DataProcTemplate ` --project="PROJECT_ID " ` --region="REGION " ` --version="1.2" ` --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar,JDBC_CONNECTOR_CLOUD_STORAGE_PATH " ` --subnet="SUBNET " ` --kms-key="KMS_KEY " ` --service-account="SERVICE_ACCOUNT " ` --properties="PROPERTY =PROPERTY_VALUE " ` --labels="LABEL =LABEL_VALUE " ` -- --template=GCSTOJDBC ` --templateProperty project.id="PROJECT_ID " ` --templateProperty log.level="LOG_LEVEL " ` --templateProperty gcs.jdbc.input.location="CLOUD_STORAGE_PATH " ` --templateProperty gcs.jdbc.input.format="FORMAT " ` --templateProperty gcs.jdbc.output.saveMode="MODE " ` --templateProperty gcs.jdbc.output.url="JDBC_CONNECTION_URL " ` --templateProperty gcs.jdbc.output.table="JDBC_TABLE " ` --templateProperty gcs.jdbc.output.driver="DRIVER " ` --templateProperty gcs.jdbc.spark.partitions="NUM_PARTITIONS " ` --templateProperty gcs.jdbc.output.batchInsertSize="BATCH_SIZE "
Windows(cmd.exe)
gcloud dataproc batches submit spark ^ --class=com.google.cloud.dataproc.templates.main.DataProcTemplate ^ --project="PROJECT_ID " ^ --region="REGION " ^ --version="1.2" ^ --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar,JDBC_CONNECTOR_CLOUD_STORAGE_PATH " ^ --subnet="SUBNET " ^ --kms-key="KMS_KEY " ^ --service-account="SERVICE_ACCOUNT " ^ --properties="PROPERTY =PROPERTY_VALUE " ^ --labels="LABEL =LABEL_VALUE " ^ -- --template=GCSTOJDBC ^ --templateProperty project.id="PROJECT_ID " ^ --templateProperty log.level="LOG_LEVEL " ^ --templateProperty gcs.jdbc.input.location="CLOUD_STORAGE_PATH " ^ --templateProperty gcs.jdbc.input.format="FORMAT " ^ --templateProperty gcs.jdbc.output.saveMode="MODE " ^ --templateProperty gcs.jdbc.output.url="JDBC_CONNECTION_URL " ^ --templateProperty gcs.jdbc.output.table="JDBC_TABLE " ^ --templateProperty gcs.jdbc.output.driver="DRIVER " ^ --templateProperty gcs.jdbc.spark.partitions="NUM_PARTITIONS " ^ --templateProperty gcs.jdbc.output.batchInsertSize="BATCH_SIZE "
リクエストのデータを使用する前に、次のように置き換えます。
PROJECT_ID : 必須。IAM 設定に載っている Google Cloud プロジェクト ID。REGION : 必須。Compute Engine のリージョン。SUBNET : 省略可。サブネットが指定されていない場合、default
ネットワークの指定された REGION のサブネットが選択されます。例:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
JDBC_CONNECTOR_CLOUD_STORAGE_PATH : 必須。JDBC コネクタ jar が格納されているファイル名を含む、Cloud Storage の完全なパス。次のコマンドを使用して、Cloud Storage にアップロードする JDBC コネクタをダウンロードできます。- MySQL:
wget http://dev.mysql.com/get/Downloads/Connector-J/mysql-connector-java-5.1.30.tar.gz
- Postgres SQL:
wget https://jdbc.postgresql.org/download/postgresql-42.2.6.jar
- MS SQL Server:
wget https://repo1.maven.org/maven2/com/microsoft/sqlserver/mssql-jdbc/6.4.0.jre8/mssql-jdbc-6.4.0.jre8.jar
- Oracle:
wget https://repo1.maven.org/maven2/com/oracle/database/jdbc/ojdbc8/21.7.0.0/ojdbc8-21.7.0.0.jar
- MySQL:
CLOUD_STORAGE_PATH : 必須。入力ファイルが格納される Cloud Storage パス。例:
gs://dataproc-templates/cloud_storage_to_jdbc_input
FORMAT : 必須。出力データ形式。選択肢:avro
、parquet
、csv
、orc
。デフォルト:avro
注:avro
の場合、jars
gcloud CLI フラグまたは API フィールドに「file:///usr/lib/spark/connector/spark-avro.jar
」を追加する必要があります。例(
file://
接頭辞は Dataproc Serverless jar ファイルを参照します):--jars=file:///usr/lib/spark/connector/spark-avro.jar,
[, ... other jars]MODE : 省略可。Cloud Storage 出力の書き込みモード。オプション:Append
、Overwrite
、Ignore
、ErrorIfExists
。デフォルト:ErrorIfExists
- 必要となる
JDBC_CONNECTION_URL の作成に次の変数が使用されます。JDBC_HOST JDBC_PORT JDBC_DATABASE 、または Oracle の場合はJDBC_SERVICE JDBC_USERNAME JDBC_PASSWORD
次のいずれかのコネクタ固有の形式を使用して JDBC_CONNECTION_URL を作成します。
- MySQL:
jdbc:mysql://
JDBC_HOST :JDBC_PORT /JDBC_DATABASE ?user=JDBC_USERNAME &password=JDBC_PASSWORD - Postgres SQL:
jdbc:postgresql://
JDBC_HOST :JDBC_PORT /JDBC_DATABASE ?user=JDBC_USERNAME &password=JDBC_PASSWORD - MS SQL Server:
jdbc:sqlserver://
JDBC_HOST :JDBC_PORT ;databaseName=JDBC_DATABASE ;user=JDBC_USERNAME ;password=JDBC_PASSWORD - Oracle:
jdbc:oracle:thin:@//
JDBC_HOST :JDBC_PORT /JDBC_SERVICE ?user=JDBC_USERNAME &password=
JDBC_TABLE : 必須。出力が書き込まれるテーブル名。DRIVER : 必須。接続に使用される JDBC ドライバ:- MySQL:
com.mysql.cj.jdbc.Driver
- Postgres SQL:
org.postgresql.Driver
- MS SQL Server:
com.microsoft.sqlserver.jdbc.SQLServerDriver
- Oracle:
oracle.jdbc.driver.OracleDriver
- MySQL:
TEMPLATE_VERSION : 必須。最新のテンプレート バージョンまたは特定バージョンの日付(2023-03-17_v0.1.0-beta
など)にはlatest
を指定します(gs://dataproc-templates-binaries にアクセスするか、gcloud storage ls gs://dataproc-templates-binaries
を実行して、使用可能なテンプレート バージョンを一覧表示します)。LOG_LEVEL : 省略可。ロギングのレベル。ALL
、DEBUG
、ERROR
、FATAL
、INFO
、OFF
、TRACE
、WARN
のいずれかです。デフォルト:INFO
NUM_PARTITIONS : 省略可。テーブルの書き込みの並列処理に使用できるパーティションの最大数。指定すると、この値が JDBC 出力接続に使用されます。デフォルトは、Sparkread()
によって設定された初期パーティションです。BATCH_SIZE : 省略可。ラウンド トリップごとに挿入するレコードの数。デフォルト:1000
。SERVICE_ACCOUNT : 省略可。指定されていない場合は、デフォルトの Compute Engine サービス アカウントが使用されます。PROPERTY 、PROPERTY_VALUE : 省略可。Spark プロパティ=value
ペアのカンマ区切りのリスト。LABEL 、LABEL_VALUE : 省略可。label
=value
ペアのカンマ区切りのリスト。-
KMS_KEY : 省略可。暗号化に使用する Cloud Key Management Service 鍵。鍵が指定されていない場合、データは Google が所有し、Google が管理する鍵を使用して、保存時に暗号化されます。例:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
HTTP メソッドと URL:
POST https://dataproc.googleapis.com/v1/projects/PROJECT_ID /locations/REGION /batches
リクエストの本文(JSON):
{ "environmentConfig": { "executionConfig": { "subnetworkUri": "SUBNET ", "kmsKey": "KMS_KEY ", "serviceAccount": "SERVICE_ACCOUNT " } }, "labels": { "LABEL ": "LABEL_VALUE " }, "runtimeConfig": { "version": "1.2", "properties": { "PROPERTY ": "PROPERTY_VALUE " } }, "sparkBatch": { "mainClass": "com.google.cloud.dataproc.templates.main.DataProcTemplate", "args": [ "--template=GCSTOJDBC", "--templateProperty","project.id=PROJECT_ID ", "--templateProperty","log.level=LOG_LEVEL ", "--templateProperty","gcs.jdbc.input.location=CLOUD_STORAGE_PATH ", "--templateProperty","gcs.jdbc.input.format=FORMAT ", "--templateProperty","gcs.jdbc.output.saveMode=MODE ", "--templateProperty","gcs.jdbc.output.url=JDBC_CONNECTION_URL ", "--templateProperty","gcs.jdbc.output.table=JDBC_TABLE ", "--templateProperty","gcs.jdbc.output.driver=DRIVER ", "--templateProperty","gcs.jdbc.spark.partitions=NUM_PARTITIONS ", "--templateProperty","gcs.jdbc.output.batchInsertSize=BATCH_SIZE " ], "jarFileUris": [ "gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar", "JDBC_CONNECTOR_CLOUD_STORAGE_PATH " ] } }
リクエストを送信するには、次のいずれかのオプションを展開します。
curl(Linux、macOS、Cloud Shell)
リクエスト本文を request.json
という名前のファイルに保存して、次のコマンドを実行します。
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)
リクエスト本文を request.json
という名前のファイルに保存して、次のコマンドを実行します。
$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
次のような JSON レスポンスが返されます。
{ "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" } }