Configurar um destino do BigQuery

Esta página descreve como configurar o destino do BigQuery para fazer streaming de dados de um banco de dados de origem usando o Datastream.

Configurar os conjuntos de dados de destino

Ao configurar conjuntos de dados para o destino do BigQuery, você pode selecionar uma das seguintes opções:

  • Conjunto de dados para cada esquema: o conjunto de dados é selecionado ou criado no local do BigQuery especificado com base no nome do esquema da origem. Como resultado, para cada esquema na origem, o Datastream cria automaticamente um conjunto de dados no BigQuery.

    Por exemplo, se você tiver uma origem MySQL com um banco de dados mydb e uma tabela employees, o Datastream vai criar o conjunto de dados mydb e a tabela employees no BigQuery.

    Se você selecionar essa opção, o Datastream vai criar conjuntos de dados no projeto que contém a transmissão. Embora não seja necessário criar os conjuntos de dados na mesma região do stream, recomendamos manter todos os recursos do stream e os conjuntos de dados na mesma região para otimizar o custo e o desempenho.

  • Conjunto de dados único para todos os esquemas: é possível selecionar um conjunto de dados do BigQuery para o fluxo. O Datastream transmite todos os dados para esse conjunto. Para o conjunto de dados selecionado, o Datastream cria todas as tabelas como <schema>_<table>.

    Por exemplo, se você tiver uma origem MySQL com um banco de dados mydb e uma tabela employees, o Datastream vai criar a tabela mydb_employees no conjunto de dados selecionado.

Comportamento de gravação

  • O tamanho máximo de eventos ao transmitir dados para o BigQuery é de 20 MB.

  • Ao configurar o fluxo, você pode selecionar como o Datastream grava os dados de mudança no BigQuery. Para mais informações, consulte Configurar o modo de gravação.

Configurar o modo de gravação

Há dois modos que podem ser usados para definir como os dados serão gravados no BigQuery:

  • Mesclar: é o modo de gravação padrão. Quando selecionado, o BigQuery reflete a forma como seus dados são armazenados no banco de dados de origem. Isso significa que o Datastream grava todas as mudanças nos seus dados no BigQuery, que consolida as alterações com os dados existentes, criando tabelas finais que são réplicas das tabelas de origem. No modo Mesclar, não é mantido nenhum registro histórico dos eventos de mudança. Por exemplo, se você inserir e atualizar uma linha, o BigQuery vai manter apenas os dados atualizados. Se você excluir a linha da tabela de origem, o BigQuery não vai manter nenhum registro dela.
  • Somente adição: o modo de gravação somente adição permite adicionar dados ao BigQuery como um fluxo de alterações (eventos INSERT, UPDATE-INSERT, UPDATE-DELETE e DELETE). Use esse modo quando precisar manter o estado histórico dos dados. Para entender melhor o modo de gravação somente de adição, considere estes cenários:
    • Preenchimento inicial: depois do preenchimento inicial, todos os eventos são gravados no BigQuery como eventos do tipo INSERT, com o mesmo carimbo de data/hora, identificador universalmente exclusivo (UUID) e número de sequência de alteração.
    • Atualização da chave primária: quando uma chave primária muda, duas linhas são gravadas no BigQuery:
      • Uma linha UPDATE-DELETE com a chave primária original
      • Uma linha UPDATE-INSERT com a nova chave primária
    • Atualização de linha: quando você atualiza uma linha, uma única linha UPDATE-INSERT é gravada no BigQuery.
    • Remoção de linha: quando você exclui uma linha, uma única linha DELETE é gravada no BigQuery.

Metadados da tabela

O Datastream anexa uma coluna STRUCT chamada datastream_metadata a cada tabela gravada no destino do BigQuery.

Modo de gravação de mesclagem

Se uma tabela tiver uma chave primária na origem, a coluna conterá os seguintes campos:

  • UUID: este campo tem o tipo de dados STRING.
  • SOURCE_TIMESTAMP: este campo tem o tipo de dados INTEGER.

Se uma tabela não tiver uma chave primária, a coluna conterá um campo adicional: IS_DELETED. Esse campo tem o tipo de dados BOOLEAN e indica se os dados transmitidos pelo Datastream para o destino estão associados a uma operação DELETE na origem. As tabelas sem chaves primárias são somente de adição.

Modo de gravação somente de anexo

A coluna datastream_metadata contém os mesmos campos para tabelas com e sem chaves primárias:

  • UUID: este campo tem o tipo de dados STRING.
  • SOURCE_TIMESTAMP: este campo tem o tipo de dados INTEGER.
  • CHANGE_SEQUENCE_NUMBER: este campo tem o tipo de dados STRING. É um número de sequência interno usado pelo Datastream para cada evento de mudança.
  • CHANGE_TYPE: este campo tem o tipo de dados STRING. Ele indica o tipo do evento de mudança: INSERT, UPDATE-INSERT, UPDATE-DELETE ou DELETE.
  • SORT_KEYS: esse campo contém uma matriz de valores STRING. Você pode usar os valores para classificar os eventos de mudança.

Usar tabelas do BigQuery com a opção max_staleness

Como parte da ingestão quase em tempo real, o Datastream usa o suporte integrado do BigQuery para operações de upsert, como atualizar, inserir e excluir dados. Com as operações de upsert, você pode atualizar dinamicamente o destino do BigQuery à medida que as linhas são adicionadas, modificadas ou excluídas. O Datastream transmite essas operações de inserção e atualização na tabela de destino usando a API Storage Write do BigQuery.

Especificar o limite de inatividade dos dados

O BigQuery aplica as modificações da fonte em segundo plano de maneira contínua ou no ambiente de execução da consulta, de acordo com o limite de desatualização de dados configurado. Quando o Datastream cria uma nova tabela no BigQuery, a opção max_staleness dela é definida de acordo com o valor atual do limite de desatualização dos dados para o fluxo.

Para mais informações sobre como usar tabelas do BigQuery com a opção max_staleness, consulte Antiguidade da tabela.

Controlar custos do BigQuery

Os custos do BigQuery são cobrados separadamente do Datastream. Para saber como controlar os custos do BigQuery, consulte Preços do CDC do BigQuery.

Mapear tipos de dados

A tabela a seguir lista as conversões de tipos de dados de bancos de dados de origem com suporte para o destino do BigQuery.


Banco de dados de origem Tipo de dados de origem Tipo de dados do BigQuery
MySQL BIGINT(size) LONG
MySQL BIGINT (unsigned) DECIMAL
MySQL BINARY(size) STRING (hex encoded)
MySQL BIT(size) INT64
MySQL BLOB(size) STRING (hex encoded)
MySQL BOOL INT64
MySQL CHAR(size) STRING
MySQL DATE DATE
MySQL DATETIME(fsp) DATETIME
MySQL DECIMAL(precision, scale) Se o valor de precisão for <=38 e o valor da escala for <=9, então NUMERIC. Caso contrário, BIGNUMERIC
MySQL DOUBLE(size, d) FLOAT64
MySQL ENUM(val1, val2, val3, ...) STRING
MySQL FLOAT(precision) FLOAT64
MySQL FLOAT(size, d) FLOAT64
MySQL INTEGER(size) INT64
MySQL INTEGER (unsigned) LONG
MySQL

JSON

 JSON
MySQL LONGBLOB STRING (hex encoded)
MySQL LONGTEXT STRING
MySQL MEDIUMBLOB STRING (hex encoded)
MySQL MEDIUMINT(size) INT64
MySQL MEDIUMTEXT STRING
MySQL SET(val1, val2, val3, ...) STRING
MySQL SMALLINT(size) INT64
MySQL TEXT(size) STRING
MySQL TIME(fsp) INTERVAL
MySQL TIMESTAMP(fsp) TIMESTAMP
MySQL TINYBLOB STRING (hex encoded)
MySQL TINYINT(size) INT64
MySQL TINYTEXT STRING
MySQL VARBINARY(size) STRING (hex encoded)
MySQL VARCHAR STRING
MySQL YEAR INT64
Oracle ANYDATA UNSUPPORTED
Oracle BFILE STRING
Oracle BINARY DOUBLE FLOAT64
Oracle BINARY FLOAT FLOAT64
Oracle BLOB BYTES
Oracle CHAR STRING
Oracle CLOB STRING
Oracle DATE DATETIME
Oracle DOUBLE PRECISION FLOAT64
Oracle FLOAT(p) FLOAT64
Oracle INTERVAL DAY TO SECOND UNSUPPORTED
Oracle INTERVAL YEAR TO MONTH UNSUPPORTED
Oracle LONG/LONG RAW STRING
Oracle NCHAR STRING
Oracle NCLOB STRING
Oracle NUMBER STRING
Oracle NUMBER(precision=*) STRING
Oracle NUMBER(precision, scale<=0) Se p<=18, então INT64. Se 18<p=<78, mapeie para tipos decimais parametrizados. Se p>=79, mapeie para STRING
Oracle NUMBER(precision, scale>0) Se 0<p=<78, mapeie para tipos decimais parametrizados. Se p>=79, mapeie para STRING
Oracle NVARCHAR2 STRING
Oracle RAW STRING
Oracle ROWID STRING
Oracle SDO_GEOMETRY UNSUPPORTED
Oracle SMALLINT INT64
Oracle TIMESTAMP TIMESTAMP
Oracle TIMESTAMP WITH TIME ZONE TIMESTAMP
Oracle UDT (user-defined type) UNSUPPORTED
Oracle UROWID STRING
Oracle VARCHAR STRING
Oracle VARCHAR2 STRING
Oracle XMLTYPE UNSUPPORTED
PostgreSQL ARRAY JSON
PostgreSQL BIGINT INT64
PostgreSQL BIT BYTES
PostgreSQL BIT_VARYING BYTES
PostgreSQL BOOLEAN BOOLEAN
PostgreSQL BOX UNSUPPORTED
PostgreSQL BYTEA BYTES
PostgreSQL CHARACTER STRING
PostgreSQL CHARACTER_VARYING STRING
PostgreSQL CIDR STRING
PostgreSQL CIRCLE UNSUPPORTED
PostgreSQL DATE DATE
PostgreSQL DOUBLE_PRECISION FLOAT64
PostgreSQL ENUM STRING
PostgreSQL INET STRING
PostgreSQL INTEGER INT64
PostgreSQL INTERVAL INTERVAL
PostgreSQL JSON JSON
PostgreSQL JSONB JSON
PostgreSQL LINE UNSUPPORTED
PostgreSQL LSEG UNSUPPORTED
PostgreSQL MACADDR STRING
PostgreSQL MONEY FLOAT64
PostgreSQL NUMERIC Se precisão = -1, então STRING (os tipos NUMERIC do BigQuery exigem precisão fixa). Caso contrário, BIGNUMERIC/NUMERIC. Para mais informações, consulte a seção Números de precisão arbitrária na documentação do PostgreSQL.
PostgreSQL OID INT64
PostgreSQL PATH UNSUPPORTED
PostgreSQL POINT UNSUPPORTED
PostgreSQL POLYGON UNSUPPORTED
PostgreSQL REAL FLOAT64
PostgreSQL SMALLINT INT64
PostgreSQL SMALLSERIAL INT64
PostgreSQL SERIAL INT64
PostgreSQL TEXT STRING
PostgreSQL TIME TIME
PostgreSQL TIMESTAMP TIMESTAMP
PostgreSQL TIMESTAMP_WITH_TIMEZONE TIMESTAMP
PostgreSQL TIME_WITH_TIMEZONE TIME
PostgreSQL TSQUERY STRING
PostgreSQL TSVECTOR STRING
PostgreSQL TXID_SNAPSHOT STRING
PostgreSQL UUID STRING
PostgreSQL XML STRING
SQL Server BIGINT INT64
SQL Server BINARY BYTES
SQL Server BIT BOOL
SQL Server CHAR STRING
SQL Server DATE DATE
SQL Server DATETIME2 DATETIME
SQL Server DATETIME DATETIME
SQL Server DATETIMEOFFSET TIMESTAMP
SQL Server DECIMAL BIGNUMERIC
SQL Server FLOAT FLOAT64
SQL Server IMAGE BYTES
SQL Server INT INT64
SQL Server MONEY BIGNUMERIC
SQL Server NCHAR STRING
SQL Server NTEXT STRING
SQL Server NUMERIC BIGNUMERIC
SQL Server NVARCHAR STRING
SQL Server NVARCHAR(MAX) STRING
SQL Server REAL FLOAT64
SQL Server SMALLDATETIME DATETIME
SQL Server SMALLINT INT64
SQL Server SMALLMONEY NUMERIC
SQL Server TEXT STRING
SQL Server TIME TIME
SQL Server TIMESTAMP/ROWVERSION BYTES
SQL Server TINYINT INT64
SQL Server UNIQUEIDENTIFIER STRING
SQL Server VARBINARY BYTES
SQL Server VARBINARY(MAX) BYTES
SQL Server VARCHAR STRING
SQL Server VARCHAR(MAX) STRING
SQL Server XML STRING

Consultar uma matriz do PostgreSQL como um tipo de dados de matriz do BigQuery

Se você preferir consultar uma matriz do PostgreSQL como um tipo de dados ARRAY do BigQuery, é possível converter os valores JSON em uma matriz do BigQuery usando a função JSON_VALUE_ARRAY do BigQuery:

  SELECT ARRAY(SELECT CAST(element AS TYPE) FROM UNNEST(JSON_VALUE_ARRAY(BQ_COLUMN_NAME,'$')) AS element) AS array_col

Substitua:

  • TYPE: o tipo do BigQuery que corresponde ao tipo de elemento na matriz de origem do PostgreSQL. Por exemplo, se o tipo de origem for uma matriz de valores BIGINT, substitua TYPE por INT64.

    Para mais informações sobre como mapear os tipos de dados, consulte Mapear tipos de dados.

  • BQ_COLUMN_NAME: o nome da coluna relevante na tabela do BigQuery.

Há duas exceções à forma como você converte os valores:

  • Para matrizes de valores BIT, BIT_VARYING ou BYTEA na coluna de origem, execute a consulta a seguir:

    SELECT ARRAY(SELECT FROM_BASE64(element) FROM UNNEST(JSON_VALUE_ARRAY(BQ_COLUMN_NAME,'$')) AS element) AS array_of_bytes

  • Para matrizes de valores JSON ou JSONB na coluna de origem, use a função JSON_QUERY_ARRAY:

    SELECT ARRAY(SELECT element FROM UNNEST(JSON_QUERY_ARRAY(BQ_COLUMN_NAME,'$')) AS element) AS array_of_jsons

Limitações conhecidas

Limitações conhecidas para o uso do BigQuery como destino incluem:

  • Só é possível replicar dados em um conjunto de dados do BigQuery que esteja no mesmo Google Cloud projeto que o fluxo do Datastream.
  • Por padrão, o Datastream não oferece suporte à adição de uma chave primária a uma tabela que já foi replicada no BigQuery sem uma chave primária ou à remoção de uma chave primária de uma tabela replicada no BigQuery com uma chave primária. Se você precisar fazer essas mudanças, entre em contato com o Suporte do Google. Para saber como alterar a definição de chave primária de uma tabela de origem que já tem uma chave primária, consulte Diagnóstico de problemas.

  • As chaves primárias no BigQuery precisam ser dos seguintes tipos de dados:

    • DATE
    • BOOL
    • GEOGRAPHY
    • INT64
    • NUMERIC
    • BIGNUMERIC
    • STRING
    • TIMESTAMP
    • DATETIME

    As tabelas que contêm chaves primárias de tipos de dados sem suporte não são replicadas pelo Datastream.

  • O BigQuery não aceita nomes de tabela com os caracteres ., $, /, @ ou +. O Datastream substitui esses caracteres por sublinhados ao criar tabelas de destino.

    Por exemplo, table.name no banco de dados de origem se torna table_name no BigQuery.

    Para mais informações sobre nomes de tabelas no BigQuery, consulte Nomenclatura de tabelas.

  • O BigQuery não oferece suporte a mais de quatro colunas de agrupamento. Ao replicar uma tabela com mais de quatro colunas de chave primária, o Datastream usa quatro colunas de chave primária como as colunas de agrupamento.
  • O Datastream mapeia literais de data e hora fora do intervalo, como tipos de data infinitos do PostgreSQL, para os seguintes valores:
    • DATE positivo para o valor de 9999-12-31
    • DATE negativo para o valor de 0001-01-01
    • TIMESTAMP positivo para o valor de 9999-12-31 23:59:59.999000 UTC
    • TIMESTAMP negativo para o valor de 0001-01-01 00:00:00 UTC
  • O BigQuery não oferece suporte a tabelas de streaming com chaves primárias dos tipos de dados FLOAT ou REAL. Essas tabelas não são replicadas.

    • Para saber mais sobre os tipos e os intervalos de datas do BigQuery, consulte Tipos de dados.

A seguir