Dataflow es un servicio administrado para transformar y enriquecer datos. El conector de Dataflow para Spanner te permite leer y escribir datos en Spanner en una canalización de Dataflow, de manera opcional, mediante la transformación o modificación de los datos. También puedes crear canalizaciones que transfieren datos entre Spanner y otros productos de Google Cloud.
El conector de Dataflow es el método recomendado para mover datos hacia y desde Spanner de forma masiva y eficaz, y para realizar grandes transformaciones en una base de datos que no son compatibles con la DML particionada, como movimientos de tablas, eliminaciones masivas que requieren una operación JOIN, etcétera. Cuando trabajas con bases de datos individuales, hay otros métodos que puedes usar para importar y exportar datos:
- Usa la consola de Google Cloud para exportar una base de datos individual de Spanner a Cloud Storage en formato Avro.
- Usa la consola de Google Cloud para volver a import una base de datos a Spanner de los archivos que exportaste a Cloud Storage.
- Usa la API de REST o Google Cloud CLI para ejecutar export o de import de Spanner a Cloud Storage y viceversa (también con el formato Avro).
El conector de Dataflow para Spanner es parte del SDK de Java de Apache Beam y proporciona una API para realizar las acciones anteriores. Para obtener más información sobre algunos de los conceptos que se analizan a continuación, como objetos y transformaciones de PCollection, consulta la guía de programación de Apache Beam.
Agrega el conector a tu proyecto de Maven
Para agregar el conector de Google Cloud Dataflow a un proyecto de Maven, agrega el artefacto de Maven beam-sdks-java-io-google-cloud-platform
a tu archivo pom.xml
como una dependencia.
Por ejemplo, si suponemos que tu archivo pom.xml
establece beam.version
en el número de versión correspondiente, debes agregar la siguiente dependencia:
<dependency>
<groupId>org.apache.beam</groupId>
<artifactId>beam-sdks-java-io-google-cloud-platform</artifactId>
<version>${beam.version}</version>
</dependency>
Lee datos de Spanner
Para leer desde Spanner, aplica la transformación SpannerIO.read().
Configura la lectura con los métodos de la clase SpannerIO.Read
.
Cuando aplicas la transformación, se muestra un PCollection<Struct>
, donde cada elemento de la colección representa una fila individual que muestra la operación de lectura. Puedes leer desde Spanner con y sin una consulta de SQL específica, según el resultado que desees.
Cuando aplicas la transformación SpannerIO.read()
, se muestra una lectura coherente de los datos mediante una lectura sólida. A menos que especifiques lo contrario, se toma una instantánea del resultado de la lectura en el momento en que comenzó la lectura. Consulta las lecturas para obtener más información.
sobre los diferentes tipos de operaciones de lectura que puede realizar Spanner.
Lee datos con una consulta
Para leer un conjunto específico de datos de Spanner, configura la transformación
con el método SpannerIO.Read.withQuery()
para especificar un SQL
para cada búsqueda. Por ejemplo:
Lee datos sin especificar una consulta
Para leer desde una base de datos sin utilizar una consulta, puedes especificar un nombre de tabla con el método SpannerIO.Read.withTable() y una lista de columnas para leer con el método SpannerIO.Read.withColumns(). Por ejemplo:
GoogleSQL
PostgreSQL
Para limitar las filas leídas, puedes especificar un conjunto de claves primarias que se deben leer con el método SpannerIO.Read.withKeySet().
También puedes leer una tabla con un índice secundario especificado. Al igual que con la llamada a la API de readUsingIndex(), el índice debe contener todos los datos que aparecen en los resultados de la consulta.
Para ello, especifica la tabla como se muestra en el ejemplo anterior y especifica la
índice que contenga los valores de columna deseados con el
SpannerIO.Read.withIndex()
. El índice debe almacenar todas
las columnas que la transformación debe leer. La clave primaria de la tabla base se almacena de forma implícita. Por ejemplo, para leer la tabla Songs
con el índice
SongsBySongName
, usas el
siguiente código:
GoogleSQL
PostgreSQL
Controla la obsolescencia de los datos de las transacciones
Se garantiza que una transformación se ejecutará en una instantánea de datos coherente. Para controlar la obsolescencia de los datos, usa el método SpannerIO.Read.withTimestampBound()
. Consulta transacciones para obtener más información.
Lee varias tablas en la misma transacción
Si deseas leer datos de varias tablas en el mismo momento para garantizar la coherencia de los datos, realiza todas las lecturas en una sola transacción. Para ello, aplica una transformación createTransaction()
y crea un objeto PCollectionView<Transaction>
que luego cree una transacción. La vista resultante se puede pasar a una operación de lectura con SpannerIO.Read.withTransaction()
.
GoogleSQL
PostgreSQL
Lee datos de todas las tablas disponibles
Puedes leer datos de todas las tablas disponibles en una base de datos de Spanner.
GoogleSQL
PostgreSQL
Soluciona problemas de consultas no admitidas
El conector de Dataflow solo admite consultas de SQL de Spanner en las que el primer operador del plan de ejecución de consultas sea una unión distribuida. Si intentas leer datos de Spanner con una consulta y obtienes una excepción que indica que la consulta does not have a DistributedUnion at
the root
, sigue los pasos de Comprende cómo Spanner ejecuta consultas para recuperar un plan de ejecución para tu consulta mediante la consola de Google Cloud.
Si tu consulta de SQL no es compatible, simplifícala a una consulta que tenga una unión distribuida como el primer operador en el plan de ejecución de consultas. Quita funciones agregadas, así como los operadores DISTINCT
, GROUP BY
y ORDER
, ya que son los operadores que tienen más probabilidades de impedir que la consulta funcione.
Crea mutaciones para una escritura
Usa la clase Mutation
newInsertOrUpdateBuilder()
en lugar del método
Método newInsertBuilder()
a menos que sea absolutamente necesario
para las canalizaciones de Java. Para las canalizaciones de Python, usa
SpannerInsertOrUpdate()
en lugar de
SpannerInsert()
Dataflow proporciona
garantías al menos una vez, lo que significa que la mutación podría escribirse
varias veces. Como resultado, solo INSERT
de mutaciones podrían generar
com.google.cloud.spanner.SpannerException: ALREADY_EXISTS
errores que causan
que la canalización falle. Para evitar este error, usa la mutación INSERT_OR_UPDATE
, que agrega una fila nueva o actualiza los valores de la columna si la fila ya existe. La mutación INSERT_OR_UPDATE
se puede aplicar más de una vez.
Escribe en Spanner y transforma datos
Puedes escribir datos en Spanner con la
con una transformación SpannerIO.write()
para ejecutar una
de mutaciones de las filas de entrada. Los grupos de conectores de Dataflow
mutaciones en lotes
para lograr una mayor eficiencia.
En el siguiente ejemplo, se muestra cómo aplicar una transformación de escritura a una PCollection
de mutaciones:
GoogleSQL
PostgreSQL
Si una transformación se detiene inesperadamente antes de completarse, las mutaciones que ya no se revertirá.
Aplica grupos de mutaciones de manera atómica
Puedes usar la clase MutationGroup
para asegurarte de que un grupo de mutaciones se apliquen de forma atómica. Se garantiza que las mutaciones en un MutationGroup
se enviarán en la misma transacción, pero se puede volver a intentar la transacción.
Los grupos de mutación tienen mejor rendimiento cuando se usan para agrupar mutaciones que afectan a los datos almacenados en un espacio clave. Debido a que Spanner entre los datos de la tabla superior y la secundaria, los datos siempre esté cerca en el espacio clave. Te recomendamos estructurar tu grupo de mutaciones para que contenga una mutación que se aplique a una tabla superior y mutaciones adicionales que se apliquen a tablas secundarias, o para que todas sus mutaciones modifiquen datos que estén cerca en el espacio clave. Para obtener más información sobre cómo Spanner almacena Datos de la tabla secundaria, consulta Esquema y modelo de datos. Si no organizas tus grupos de mutaciones alrededor de las jerarquías de tablas recomendadas, o si los datos a los que accedes no están cerca en el espacio clave, es posible que Spanner deba realizar confirmaciones de dos fases. Esto disminuirá el rendimiento. Para obtener más información, consulta Compensaciones de la localidad.
Para usar MutationGroup
, compila una transformación SpannerIO.write()
y llama al método SpannerIO.Write.grouped()
, que muestra una transformación que luego puedes aplicar a una PCollection
de objetos MutationGroup
.
Cuando creas un MutationGroup
, la primera mutación de la lista se convierte en la principal. Si tu grupo de mutaciones afecta tanto a una tabla superior como a una secundaria, la mutación principal debe ser una mutación a la tabla superior. De lo contrario, puedes usar cualquier mutación como la mutación principal. El conector de Dataflow usa la mutación principal para determinar los límites de partición a fin de agrupar eficazmente las mutaciones.
Por ejemplo, imagina que tu aplicación supervisa el comportamiento y marca el comportamiento del usuario problemático para su revisión. Para cada comportamiento marcado, deseas actualizar la tabla Users
con el fin de bloquear el acceso del usuario a su aplicación, y también debes registrar el incidente en la tabla PendingReviews
. Para asegurarte de que ambas tablas se actualicen de manera atómica, usa un MutationGroup
:
GoogleSQL
PostgreSQL
Cuando creas un grupo de mutaciones, la primera mutación proporcionada como argumento se convierte en la mutación principal. En este caso, las dos tablas no están relacionadas, por lo que no hay una mutación principal clara. Seleccionamos userMutation
como principal porque la colocamos primero. Aplicar las dos mutaciones por separado sería más rápido, pero no garantizaría la atomicidad, por lo que el grupo de mutación es la mejor opción en esta situación.
¿Qué sigue?
- Obtén más información sobre cómo diseñar una canalización de datos de Apache Beam.
- Exporta y importa bases de datos de Spanner en la consola de Google Cloud con Dataflow.