Importa, esporta e modifica i dati con Dataflow

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. Quando lavori con singoli database, puoi utilizzare altri metodi per importare ed esportare i dati:

  • Utilizza la console Google Cloud per esportare un singolo database da da Spanner a Cloud Storage in formato Avro.
  • Utilizza 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 job di esportazione o importazione da Spanner a Cloud Storage e viceversa (anche utilizzando il formato Avro).

Il connettore Dataflow per Spanner fa parte dell'SDK Apache Beam per Java e fornisce un'API per eseguire le azioni sopra indicate. Per ulteriori informazioni su alcuni dei concetti discussi di seguito, come gli oggetti e le trasformazioni PCollection, 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 PCollection<Struct>, dove ogni elemento della raccolta rappresenta una singola riga restituita dall'operazione di lettura. 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. Consulta la sezione letture per ulteriori informazioni sui diversi tipi di letture che Spanner può eseguire.

Leggere i dati utilizzando una query

Per leggere un insieme specifico di dati da Spanner, configura la trasformazione utilizzando il metodo SpannerIO.Read.withQuery() per specificare una query SQL. Ad esempio:

// Query for all the columns and rows in the specified Spanner table
PCollection<Struct> records = pipeline.apply(
    SpannerIO.read()
        .withInstanceId(instanceId)
        .withDatabaseId(databaseId)
        .withQuery("SELECT * FROM " + options.getTable()));

Leggere i dati senza specificare una query

Per leggere da un database senza utilizzare una query, puoi specificare un nome tabella utilizzando il metodo SpannerIO.Read.withTable() e un elenco di colonne da leggere utilizzando il metodo SpannerIO.Read.withColumns(). Ad esempio:

GoogleSQL 

// Query for all the columns and rows in the specified Spanner table
PCollection<Struct> records = pipeline.apply(
    SpannerIO.read()
        .withInstanceId(instanceId)
        .withDatabaseId(databaseId)
        .withTable("Singers")
        .withColumns("singerId", "firstName", "lastName"));

PostgreSQL 

// Query for all the columns and rows in the specified Spanner table
PCollection<Struct> records = pipeline.apply(
    SpannerIO.read()
        .withInstanceId(instanceId)
        .withDatabaseId(databaseId)
        .withTable("singers")
        .withColumns("singer_id", "first_name", "last_name"));

Per limitare le righe lette, puoi specificare un insieme di chiavi principali da leggere utilizzando il metodo SpannerIO.Read.withKeySet().

Puoi anche leggere una tabella utilizzando un indice secondario specificato. Come per la chiamata API readUsingIndex(), l'indice deve contenere tutti i dati visualizzati nei risultati della query.

A questo scopo, specifica la tabella come mostrato nell'esempio precedente e specifica l'indice contenente i valori delle colonne desiderati utilizzando il metodo SpannerIO.Read.withIndex(). L'indice deve memorizzare tutte 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, utilizza il seguente codice:

GoogleSQL 

// Read the indexed columns from all rows in the specified index.
PCollection<Struct> records =
    pipeline.apply(
        SpannerIO.read()
            .withInstanceId(instanceId)
            .withDatabaseId(databaseId)
            .withTable("Songs")
            .withIndex("SongsBySongName")
            // Can only read columns that are either indexed, STORED in the index or
            // part of the primary key of the Songs table,
            .withColumns("SingerId", "AlbumId", "TrackId", "SongName"));

PostgreSQL 

// // Read the indexed columns from all rows in the specified index.
PCollection<Struct> records =
    pipeline.apply(
        SpannerIO.read()
            .withInstanceId(instanceId)
            .withDatabaseId(databaseId)
            .withTable("Songs")
            .withIndex("SongsBySongName")
            // Can only read columns that are either indexed, STORED in the index or
            // part of the primary key of the songs table,
            .withColumns("singer_id", "album_id", "track_id", "song_name"));

Controllare l'inattività dei dati sulle transazioni

È garantito che una trasformazione venga eseguita su un'istantanea coerente dei dati. Per controllare l'obsolescenza dei dati, utilizza il metodo SpannerIO.Read.withTimestampBound(). Per ulteriori informazioni, consulta la sezione Transazioni.

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. Per farlo, applica una trasformazione createTransaction(), creando un oggetto PCollectionView<Transaction> che poi crea una transazione. La visualizzazione risultante può essere passata a un'operazione di lettura utilizzando SpannerIO.Read.withTransaction().

GoogleSQL 

SpannerConfig spannerConfig =
    SpannerConfig.create().withInstanceId(instanceId).withDatabaseId(databaseId);
PCollectionView<Transaction> tx =
    pipeline.apply(
        SpannerIO.createTransaction()
            .withSpannerConfig(spannerConfig)
            .withTimestampBound(TimestampBound.strong()));
PCollection<Struct> singers =
    pipeline.apply(
        SpannerIO.read()
            .withSpannerConfig(spannerConfig)
            .withQuery("SELECT SingerID, FirstName, LastName FROM Singers")
            .withTransaction(tx));
PCollection<Struct> albums =
    pipeline.apply(
        SpannerIO.read()
            .withSpannerConfig(spannerConfig)
            .withQuery("SELECT SingerId, AlbumId, AlbumTitle FROM Albums")
            .withTransaction(tx));

PostgreSQL 

SpannerConfig spannerConfig =
    SpannerConfig.create().withInstanceId(instanceId).withDatabaseId(databaseId);
PCollectionView<Transaction> tx =
    pipeline.apply(
        SpannerIO.createTransaction()
            .withSpannerConfig(spannerConfig)
            .withTimestampBound(TimestampBound.strong()));
PCollection<Struct> singers =
    pipeline.apply(
        SpannerIO.read()
            .withSpannerConfig(spannerConfig)
            .withQuery("SELECT singer_id, first_name, last_name FROM singers")
            .withTransaction(tx));
PCollection<Struct> albums =
    pipeline.apply(
        SpannerIO.read()
            .withSpannerConfig(spannerConfig)
            .withQuery("SELECT singer_id, album_id, album_title FROM albums")
            .withTransaction(tx));

Leggi i dati di tutte le tabelle disponibili

Puoi leggere i dati da tutte le tabelle disponibili in un database Spanner.

GoogleSQL 

PCollection<Struct> allRecords =
    pipeline
        .apply(
            SpannerIO.read()
                .withSpannerConfig(spannerConfig)
                .withBatching(false)
                .withQuery(
                    "SELECT t.table_name FROM information_schema.tables AS t WHERE t"
                        + ".table_catalog = '' AND t.table_schema = ''"))
        .apply(
            MapElements.into(TypeDescriptor.of(ReadOperation.class))
                .via(
                    (SerializableFunction<Struct, ReadOperation>)
                        input -> {
                          String tableName = input.getString(0);
                          return ReadOperation.create().withQuery("SELECT * FROM " + tableName);
                        }))
        .apply(SpannerIO.readAll().withSpannerConfig(spannerConfig));

PostgreSQL 

PCollection<Struct> allRecords =
    pipeline
        .apply(
            SpannerIO.read()
                .withSpannerConfig(spannerConfig)
                .withBatching(false)
                .withQuery(
                    Statement.newBuilder(
                            "SELECT t.table_name FROM information_schema.tables AS t "
                                + "WHERE t.table_catalog = $1 AND t.table_schema = $2")
                        .bind("p1")
                        .to(spannerConfig.getDatabaseId().get())
                        .bind("p2")
                        .to("public")
                        .build()))
        .apply(
            MapElements.into(TypeDescriptor.of(ReadOperation.class))
                .via(
                    (SerializableFunction<Struct, ReadOperation>)
                        input -> {
                          String tableName = input.getString(0);
                          return ReadOperation.create()
                              .withQuery("SELECT * FROM \"" + tableName + "\"");
                        }))
        .apply(SpannerIO.readAll().withSpannerConfig(spannerConfig));

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 query SQL non è supportata, semplificala in una query che abbia una unione distribuita come primo operatore nel piano di esecuzione della 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, solo le mutazioni INSERT potrebbero generare com.google.cloud.spanner.SpannerException: ALREADY_EXISTS errori che causano il fallimento della pipeline. Per evitare questo errore, utilizza la mutazione INSERT_OR_UPDATE che aggiunge una nuova riga o aggiorna i valori delle colonne se la riga esiste già. La mutazione INSERT_OR_UPDATE può essere applicata più di una volta.

Scrivere in Spanner e trasformare i dati

Puoi scrivere dati in Spanner con il connettore Dataflow utilizzando una trasformazione SpannerIO.write() per eseguire una raccolta di mutazioni delle righe di input. Il connettore Dataflow raggruppa le mutazioni in batch per maggiore efficienza.

L'esempio seguente mostra come applicare una trasformazione di scrittura a un PCollection di mutazioni:

GoogleSQL 

albums
    // Spanner expects a Mutation object, so create it using the Album's data
    .apply("CreateAlbumMutation", ParDo.of(new DoFn<Album, Mutation>() {
      @ProcessElement
      public void processElement(ProcessContext c) {
        Album album = c.element();
        c.output(Mutation.newInsertOrUpdateBuilder("albums")
            .set("singerId").to(album.singerId)
            .set("albumId").to(album.albumId)
            .set("albumTitle").to(album.albumTitle)
            .build());
      }
    }))
    // Write mutations to Spanner
    .apply("WriteAlbums", SpannerIO.write()
        .withInstanceId(instanceId)
        .withDatabaseId(databaseId));

PostgreSQL 

PCollectionView<Dialect> dialectView =
    pipeline.apply(Create.of(Dialect.POSTGRESQL)).apply(View.asSingleton());
albums
    // Spanner expects a Mutation object, so create it using the Album's data
    .apply("CreateAlbumMutation", ParDo.of(new DoFn<Album, Mutation>() {
      @ProcessElement
      public void processElement(ProcessContext c) {
        Album album = c.element();
        c.output(Mutation.newInsertOrUpdateBuilder("albums")
            .set("singerId").to(album.singerId)
            .set("albumId").to(album.albumId)
            .set("albumTitle").to(album.albumTitle)
            .build());
      }
    }))
    // Write mutations to Spanner
    .apply("WriteAlbums", SpannerIO.write()
        .withInstanceId(instanceId)
        .withDatabaseId(databaseId)
        .withDialectView(dialectView));

Se una trasformazione si interrompe inaspettatamente prima del completamento, le mutazioni già applicate non verranno annullate.

Applicare gruppi di mutazioni in modo atomico

Puoi utilizzare la classe MutationGroup per assicurarti che un gruppo di mutazioni venga applicato insieme in modo atomico. Mutazioni in un È garantito che MutationGroup vengano inviati nella stessa transazione, ma la transazione potrebbe essere riprovata.

I gruppi di mutazioni hanno il rendimento migliore quando vengono utilizzati per raggruppare le mutazioni che influiscono 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 mutazioni in modo che contenga una mutazione applicata a una tabella principale e mutazioni aggiuntive applicate alle tabelle secondarie oppure in modo che tutte le mutazioni modifichino i dati vicini nello spazio delle chiavi. Per ulteriori informazioni su come Spanner memorizza i dati delle tabelle principali e secondarie, consulta Schema e modello di 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 maggiori informazioni, consulta Compromisi relativi alla località.

Per utilizzare MutationGroup, crea una trasformazione SpannerIO.write() e chiama il metodo SpannerIO.Write.grouped(), che restituisce un che puoi applicare a PCollection di MutationGroup oggetti.

Quando viene creato un MutationGroup, la prima mutazione elencata diventa la mutazione principale. Se il gruppo di mutazione colpisce sia un genitore che un bambino , la mutazione primaria deve essere una mutazione nella tabella padre. In caso contrario, puoi utilizzare 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 segnali per la revisione il comportamento problematico degli utenti. Per ogni comportamento segnalato, devi actualizare la tabella Users per bloccare l'accesso dell'utente alla tua applicazione e devi anche registrare l'incidente nella tabella PendingReviews. Per assicurarti per aggiornare entrambe le tabelle a livello atomico, utilizza un valore MutationGroup:

GoogleSQL 

PCollection<MutationGroup> mutations =
    suspiciousUserIds.apply(
        MapElements.via(
            new SimpleFunction<>() {

              @Override
              public MutationGroup apply(String userId) {
                // Immediately block the user.
                Mutation userMutation =
                    Mutation.newUpdateBuilder("Users")
                        .set("id")
                        .to(userId)
                        .set("state")
                        .to("BLOCKED")
                        .build();
                long generatedId =
                    Hashing.sha1()
                        .newHasher()
                        .putString(userId, Charsets.UTF_8)
                        .putLong(timestamp.getSeconds())
                        .putLong(timestamp.getNanos())
                        .hash()
                        .asLong();

                // Add an entry to pending review requests.
                Mutation pendingReview =
                    Mutation.newInsertOrUpdateBuilder("PendingReviews")
                        .set("id")
                        .to(generatedId) // Must be deterministically generated.
                        .set("userId")
                        .to(userId)
                        .set("action")
                        .to("REVIEW ACCOUNT")
                        .set("note")
                        .to("Suspicious activity detected.")
                        .build();

                return MutationGroup.create(userMutation, pendingReview);
              }
            }));

mutations.apply(SpannerIO.write()
    .withInstanceId(instanceId)
    .withDatabaseId(databaseId)
    .grouped());

PostgreSQL 

PCollectionView<Dialect> dialectView =
    pipeline.apply(Create.of(Dialect.POSTGRESQL)).apply(View.asSingleton());
PCollection<MutationGroup> mutations = suspiciousUserIds
    .apply(MapElements.via(new SimpleFunction<String, MutationGroup>() {

      @Override
      public MutationGroup apply(String userId) {
        // Immediately block the user.
        Mutation userMutation = Mutation.newUpdateBuilder("Users")
            .set("id").to(userId)
            .set("state").to("BLOCKED")
            .build();
        long generatedId = Hashing.sha1().newHasher()
            .putString(userId, Charsets.UTF_8)
            .putLong(timestamp.getSeconds())
            .putLong(timestamp.getNanos())
            .hash()
            .asLong();

        // Add an entry to pending review requests.
        Mutation pendingReview = Mutation.newInsertOrUpdateBuilder("PendingReviews")
            .set("id").to(generatedId)  // Must be deterministically generated.
            .set("userId").to(userId)
            .set("action").to("REVIEW ACCOUNT")
            .set("note").to("Suspicious activity detected.")
            .build();

        return MutationGroup.create(userMutation, pendingReview);
      }
    }));

mutations.apply(SpannerIO.write()
    .withInstanceId(instanceId)
    .withDatabaseId(databaseId)
    .withDialectView(dialectView)
    .grouped());

Quando crei un gruppo di mutazioni, la prima mutazione fornita come argomento diventa la mutazione principale. In questo caso, le due tabelle non sono correlate, quindi non esiste una mutazione principale chiara. Abbiamo selezionato userMutation come principale collocandolo per primo. L'applicazione delle due mutazioni separatamente sarebbe più rapida, ma non garantirebbe l'atomicità, pertanto il gruppo di mutazioni è la scelta migliore in questa situazione.

Passaggi successivi