将 CI/CD 流水线用于数据处理工作流

Last reviewed 2024-06-27 UTC

本文档介绍了如何通过在 Google Cloud 上使用代管式产品实现 CI/CD 方法，设置持续集成/持续部署 (CI/CD) 流水线以处理数据。数据科学家和分析师可以调整从 CI/CD 实践中总结出来的方法，帮助确保数据流程和工作流的高质量、可维护性和适应性。您可以运用以下方法：

本文档适用于担任下列工作的数据科学家和分析师：构建重复运行的数据处理作业以帮助他们构建研发 (R&D)，从而系统性且自动维护数据处理工作负载。

架构

下图显示了 CI/CD 流水线步骤的详细视图。

CI/CD 流水线的架构图。

测试环境和生产环境的部署分为两个不同的 Cloud Build 流水线（测试流水线和生产流水线）。

在上图中，测试流水线包含以下步骤：

在上图中，生产流水线包含以下步骤：

在本参考架构文档中，生产数据处理工作流部署到与测试工作流相同的 Cloud Composer 环境中，以在一个合并视图中查看所有数据处理工作流。在此参考架构中，环境使用不同的 Cloud Storage 存储桶来保存输入和输出数据，从而进行分离。

为了完全分离环境，您需要在不同项目中创建多个 Cloud Composer 环境，这些环境默认情况下彼此分离。这种分离有助于保护您的生产环境。此方法不在本教程探讨范围之内。如需详细了解如何访问多个 Google Cloud 项目中的资源，请参阅设置服务账号权限。

如需了解 Cloud Composer 如何运行数据处理工作流，请参阅用 Python 编写的 DAG。在 DAG 中，数据处理工作流的所有步骤会与它们之间的依赖关系一起定义。

CI/CD 流水线会在每个构建中自动将 DAG 定义从 Cloud Source Repositories 代码库部署到 Cloud Composer。此流程可确保 Cloud Composer 始终与最新的工作流定义保持同步，无需任何人工干预。

测试环境的 DAG 定义除了数据处理工作流之外，还定义了端到端测试步骤。测试步骤有助于确保数据处理工作流正确运行。

下图展示了数据处理工作流。

四步数据处理工作流。

数据处理工作流包括以下步骤：

在 Dataflow 中运行 WordCount 数据流程。
从 WordCount 流程中下载输出文件。WordCount 流程输出三个文件：
- download_result_1
- download_result_2
- download_result_3
下载名为 download_ref_string 的参考文件。
根据参考文件验证结果。此集成测试汇总所有三份结果，并将汇总的结果与参考文件进行比较。
集成测试通过后，将消息发布到 Pub/Sub。

使用 Cloud Composer 等任务编排框架来管理数据处理工作流，这有助于缓解工作流的代码复杂性。

在本文档中，您将使用 Google Cloud 的以下收费组件：