Dataflow è un servizio gestito per la trasformazione e l'arricchimento dei dati. Il connettore Dataflow per Spanner ti consente di leggere i dati e scrivere dati in Spanner in una pipeline Dataflow, trasformare o modificare i dati facoltativamente. Puoi anche creare pipeline che trasferiscono dati tra Spanner e altri prodotti Google Cloud.
Il connettore Dataflow è il metodo consigliato per gestire in modo e spostare dati da e fuori Spanner in blocco e per eseguire trasformazioni in un database non supportate dal DML partizionato, come spostamenti di tabelle, eliminazioni collettive che richiedono un JOIN e così via. Durante il lavoro con i singoli database, ci sono altri metodi che puoi usare per importare esporta i dati:
- Utilizza la console Google Cloud per esportare un singolo database da da Spanner a Cloud Storage in formato Avro.
- Utilizzare la console Google Cloud per importare nuovamente un database in Spanner dai file esportati in Cloud Storage.
- Utilizza l'API REST o Google Cloud CLI per eseguire l'esportazione o Importare job da Spanner a Cloud Storage e viceversa (anche utilizzando il formato Avro).
Il connettore Dataflow per Spanner fa parte della SDK Apache Beam Java, che fornisce un'API per eseguire le operazioni descritte in precedenza azioni. Per ulteriori informazioni su alcuni dei concetti discussi di seguito, ad esempio come oggetti PCollection e trasforma, consulta la guida alla programmazione di Apache Beam.
Aggiungi il connettore al progetto Maven
Aggiungere il connettore Google Cloud Dataflow a un account Maven.
progetto, aggiungi l'artefatto Maven beam-sdks-java-io-google-cloud-platform
a
il file pom.xml
come dipendenza.
Ad esempio, supponendo che il file pom.xml
imposti beam.version
nel
numero di versione appropriato, aggiungerai la seguente dipendenza:
<dependency>
<groupId>org.apache.beam</groupId>
<artifactId>beam-sdks-java-io-google-cloud-platform</artifactId>
<version>${beam.version}</version>
</dependency>
Leggi i dati da Spanner
Per leggere da Spanner, applica la trasformazione SpannerIO.read().
Configura la lettura utilizzando i metodi della classe SpannerIO.Read
.
L'applicazione della trasformazione restituisce un valore PCollection<Struct>
, dove
ogni elemento della raccolta rappresenta una singola riga restituita dalla lettura
operativa. Puoi leggere da Spanner con e senza un prompt SQL specifico
a seconda dell'output desiderato.
L'applicazione della trasformazione SpannerIO.read()
restituisce una visualizzazione coerente dei dati per
durante una lettura impegnativa. Se non diversamente specificato, il risultato della lettura
viene creato uno snapshot nel momento in cui hai iniziato la lettura. Per saperne di più, consulta le letture.
e informazioni sui diversi tipi di letture che Spanner può eseguire.
Leggere i dati utilizzando una query
Per leggere un set di dati specifico da Spanner, configura il metodo
utilizzando il metodo SpannerIO.Read.withQuery()
per specificare una query
query. Ad esempio:
Leggi i dati senza specificare una query
Per leggere da un database senza utilizzare una query, puoi specificare una tabella utilizzando il metodo SpannerIO.Read.withTable() e specifica un elenco di colonne da leggere utilizzando la funzione SpannerIO.Read.withColumns() . Ad esempio:
GoogleSQL
PostgreSQL
Per limitare il numero di righe lette, puoi specificare un set di chiavi primarie da leggere utilizzando Metodo SpannerIO.Read.withKeySet().
Puoi anche leggere una tabella utilizzando un indice secondario specificato. Come per la readUsingIndex(), l'indice deve contenere tutti i dati che vengono visualizzate nei risultati della query.
A questo scopo, specifica la tabella come mostrato nell'esempio precedente e
indice che contenga i valori della colonna desiderati utilizzando la proprietà
SpannerIO.Read.withIndex()
. L'indice deve archiviare tutti
le colonne che la trasformazione deve leggere. La chiave primaria della tabella di base è
archiviati in modo implicito. Ad esempio, per leggere la tabella Songs
utilizzando l'indice
SongsBySongName
, utilizzi
codice seguente:
GoogleSQL
PostgreSQL
Controlla l'obsolescenza dei dati delle transazioni
È garantita l'esecuzione di una trasformazione su uno snapshot di dati coerente. A
controllare l'inattività dei dati, utilizza
SpannerIO.Read.withTimestampBound()
. Consulta
transazioni per ulteriori informazioni.
Lettura da più tabelle nella stessa transazione
Se vuoi leggere i dati da più tabelle nello stesso momento per
garantire la coerenza dei dati ed eseguire tutte le operazioni di lettura in un'unica transazione. Da fare
quindi applica una trasformazione di createTransaction()
, creando
un oggetto PCollectionView<Transaction>
che crea quindi una transazione. La
la vista risultante può essere passata a un'operazione di lettura
SpannerIO.Read.withTransaction()
.
GoogleSQL
PostgreSQL
Leggi i dati di tutte le tabelle disponibili
Puoi leggere i dati da tutte le tabelle disponibili in un database Spanner.
GoogleSQL
PostgreSQL
Risolvere i problemi relativi alle query non supportate
Il connettore Dataflow supporta solo le query SQL di Spanner
in cui il primo operatore nel piano di esecuzione della query è un
dell'Unione Europea. Se tenti di leggere i dati da Spanner utilizzando una query
ricevi un'eccezione che indica che la query does not have a DistributedUnion at
the root
, segui i passaggi descritti in Comprendere l'esecuzione di Spanner
query per recuperare un piano di esecuzione per la query utilizzando
nella console Google Cloud.
Se la tua query SQL non è supportata, semplificala in modo che sia una query con un
come primo operatore nel piano di esecuzione delle query. Rimuovi aggregato
le funzioni, i join di tabelle e gli operatori DISTINCT
, GROUP BY
e
ORDER
, in quanto sono gli operatori che hanno maggiori probabilità di impedire la query
dall'attività lavorativa.
Crea mutazioni per una scrittura
Utilizza la classe Mutation
newInsertOrUpdateBuilder()
anziché
Metodo newInsertBuilder()
a meno che non siano assolutamente necessari per le pipeline Java. Per le pipeline Python, utilizza
SpannerInsertOrUpdate()
anziché
SpannerInsert()
. Dataflow fornisce
garanzie "at-least-once", il che significa che la mutazione potrebbe essere scritta
più volte. Di conseguenza, potrebbero essere generate solo mutazioni per INSERT
com.google.cloud.spanner.SpannerException: ALREADY_EXISTS
errori che causano
l'errore della pipeline. Per evitare questo errore, utilizza INSERT_OR_UPDATE
una modifica, che aggiunge una nuova riga o aggiorna i valori della colonna se la riga
esiste già. La mutazione INSERT_OR_UPDATE
può essere applicata più di una volta.
Scrivi in Spanner e trasforma i dati
Puoi scrivere dati in Spanner con Dataflow
utilizzando una trasformazione di SpannerIO.write()
per eseguire un
raccolta di mutazioni delle righe di input. I gruppi di connettori Dataflow
le mutazioni in batch per una maggiore efficienza.
L'esempio seguente mostra come applicare una trasformazione di scrittura a un elemento PCollection
di
mutazioni:
GoogleSQL
PostgreSQL
Se una trasformazione si interrompe inaspettatamente prima del completamento, le mutazioni che hanno già applicato non verrà eseguito il rollback.
Applicare gruppi di mutazioni a livello atomico
Puoi utilizzare la classe MutationGroup
per assicurarti che un
un gruppo di mutazioni applicati a livello atomico. Mutazioni in un
È garantito che MutationGroup
vengano inviati nella stessa transazione, ma
la transazione potrebbe essere riprovata.
I gruppi di mutazione hanno un rendimento migliore quando vengono utilizzati per raggruppare le mutazioni che incide sui dati archiviati vicini nello spazio delle chiavi. Poiché Spanner alterna i dati delle tabelle padre e figlio nella tabella padre, quei dati sono sempre vicini nello spazio delle chiavi. Ti consigliamo di: strutturare il gruppo di mutazione in modo che contenga una mutazione applicata a una tabella padre e altre mutazioni applicate alle tabelle figlio oppure in modo che tutte le sue mutazioni modifichino i dati vicini spazio dei tasti. Per saperne di più su come Spanner archivia i nodi padre dati delle tabelle secondarie, consulta Schema e modello dei dati. Se non organizzi i tuoi gruppi di mutazioni attorno alle gerarchie di tabelle consigliate o se i dati a cui si accede non sono vicini nello spazio delle chiavi, Spanner potrebbe devi eseguire commit in due fasi, con un conseguente rallentamento delle prestazioni. Per Per ulteriori informazioni, consulta la sezione Scontri a livello di località.
Per utilizzare MutationGroup
, crea una trasformazione SpannerIO.write()
e chiama il metodo
SpannerIO.Write.grouped()
, che restituisce un
una trasformazione che puoi applicare a PCollection
di MutationGroup
oggetti.
Quando crei un MutationGroup
, la prima mutazione elencata diventa la
una mutazione primaria. Se il gruppo di mutazione colpisce sia un genitore che un bambino
, la mutazione principale deve essere una mutazione della tabella padre. Altrimenti,
puoi usare qualsiasi mutazione come mutazione principale. Dataflow
utilizza la mutazione primaria per determinare i confini della partizione in ordine
per raggruppare le mutazioni in modo efficiente.
Ad esempio, immagina che la tua applicazione monitori il comportamento e i flag
il comportamento problematico dell'utente da esaminare. Per ogni comportamento segnalato,
aggiornare la tabella Users
per bloccare l'accesso dell'utente alla tua applicazione.
e registrare l'incidente nella tabella PendingReviews
. Per assicurarti
per aggiornare entrambe le tabelle a livello atomico, utilizza un valore MutationGroup
:
GoogleSQL
PostgreSQL
Quando si crea un gruppo di mutazione, viene fornita la prima mutazione come argomento
diventa la mutazione principale. In questo caso le due tabelle non sono correlate, quindi
non esiste una chiara mutazione primaria. Abbiamo selezionato userMutation
come principale da
posizionandolo per primo. Applicare le due mutazioni separatamente sarebbe più veloce, ma
non garantisce l'atomicità, perciò il gruppo di mutazione è la scelta migliore
la situazione.
Passaggi successivi
- Scopri di più sulla progettazione di una pipeline di dati Apache Beam.
- Esporta e importa i database Spanner nel Console Google Cloud con Dataflow.