Importer et exporter des données au format CSV

Cette page explique comment exporter des données de Cloud Spanner vers des fichiers CSV ou comment importer des données à partir de fichiers CSV vers une base de données Cloud Spanner.

Le processus utilise Dataflow. Vous pouvez exporter des données de Cloud Spanner vers un bucket Cloud Storage, ou importer des données dans Cloud Spanner à partir d'un bucket Cloud Storage contenant un fichier manifeste JSON et un ensemble de fichiers CSV.

Avant de commencer

Pour importer ou exporter une base de données Cloud Spanner, vous devez d'abord activer les API Cloud Spanner, Cloud Storage, Compute Engine et Dataflow :

Activer les API

Vous devez également disposer d'un quota suffisant, ainsi que des autorisations Cloud IAM requises.

Exigences en matière de quota

Voici, pour chaque service Google Cloud, les exigences de quota concernant les tâches d'importation ou d'exportation :

  • Cloud Spanner : vous devez disposer d'un nombre de nœuds suffisant pour traiter la quantité de données à importer. Aucun nœud supplémentaire n'est requis pour importer ou exporter une base de données, mais il peut s'avérer nécessaire d'ajouter des nœuds pour que la tâche se termine dans un délai raisonnable. Pour en savoir plus, consultez la section Optimiser les tâches.
  • Cloud Storage : pour effectuer des importations, vous devez disposer d'un bucket contenant les fichiers que vous avez exportés auparavant. Pour effectuer des exportations, vous devez créer un bucket pour vos fichiers exportés, si ce n'est pas déjà fait. Vous pouvez créer un bucket dans Cloud Console, soit sur la page Cloud Storage, soit lors de la création de votre exportation sur la page Cloud Spanner. Il n'est pas nécessaire de spécifier une taille pour ce bucket.
  • Dataflow : les tâches d'importation ou d'exportation sont soumises aux mêmes exigences que les autres tâches Dataflow en ce qui concerne les quotas Compute Engine, aussi bien pour l'utilisation de processeurs et d'espace disque que pour le nombre d'adresses IP.
  • Compute Engine : avant d'exécuter une tâche d'importation ou d'exportation, vous devez définir les quotas initiaux Compute Engine utilisés par Dataflow. Ces quotas représentent le nombre maximal de ressources que vous permettez à Dataflow d'utiliser pour votre tâche. Les valeurs de départ recommandées sont les suivantes :

    • Processeurs : 200
    • Adresses IP en cours d'utilisation : 200
    • Disque persistant standard : 50 To

    En règle générale, vous n'avez pas d'autres réglages à effectuer. Dataflow gère l'autoscaling de sorte que vous n'ayez à payer que pour les ressources effectivement utilisées lors de l'importation ou de l'exportation. S'il apparaît que votre tâche pourrait utiliser davantage de ressources, l'interface utilisateur de Dataflow affiche une icône d'avertissement, mais cela n'empêche normalement pas la tâche d'aboutir.

Exigences relatives à Cloud IAM

Pour importer ou exporter une base de données, vous devez également disposer de rôles Cloud IAM accordant des autorisations suffisantes pour utiliser tous les services impliqués dans une tâche d'importation ou d'exportation. Pour plus d'informations sur l'attribution de rôles et l'octroi d'autorisations, consultez la page Attribuer des rôles IAM.

Pour importer ou exporter une base de données, vous avez besoin des rôles suivants :

  • Au niveau du projet Google Cloud :
    • Lecteur Cloud Spanner
    • Administrateur Dataflow
    • Administrateur de l'espace de stockage
  • Au niveau de la base de données ou de l'instance Cloud Spanner, ou au niveau du projet Google Cloud :
    • Lecteur Cloud Spanner
    • Administrateur de bases de données Cloud Spanner (obligatoire uniquement pour les tâches d'importation)

Exporter des données Cloud Spanner vers des fichiers CSV

Pour exporter des données de Cloud Spanner vers des fichiers CSV dans Cloud Storage, suivez les instructions permettant d'utiliser l'outil de ligne de commande gcloud et d'exécuter une tâche avec le modèle Cloud Spanner vers texte Cloud Storage.

Vous pouvez également vous reporter aux informations de ce document concernant l'affichage ou le dépannage des tâches, l'optimisation des tâches lentes et les facteurs affectant les performances des tâches.

Importer des données à partir de fichiers CSV dans Cloud Spanner

Le processus d'importation de données à partir de fichiers CSV comprend les étapes suivantes :

  • Exportez vos données vers des fichiers CSV et stockez ces fichiers dans Cloud Storage.
  • Créez un fichier manifeste JSON et stockez-le avec vos fichiers CSV.
  • Créez des tables cibles vides dans votre base de données Cloud Spanner ou assurez-vous que les types de données des colonnes de vos fichiers CSV sont identiques à ceux des colonnes correspondantes dans vos tables existantes.
  • Exécutez votre tâche d'importation.

Exporter des données depuis une base de données autre que Cloud Spanner vers des fichiers CSV

Le processus d'importation apporte des données issues de fichiers CSV situés dans un bucket Cloud Storage. Vous pouvez exporter des données au format CSV depuis n'importe quelle source.

Tenez compte des points suivants lorsque vous exportez vos données :

  • Les fichiers texte à importer doivent être au format CSV.
  • Les données doivent correspondre à l'un des types suivants :

    • INT64
    • FLOAT64
    • BOOL
    • STRING
    • DATE
    • TIMESTAMP
  • Il n'est pas nécessaire d'inclure ou de générer des métadonnées lorsque vous exportez les fichiers CSV.

  • Il n'est pas nécessaire de suivre une convention d'attribution de noms particulière pour vos fichiers.

Si vous n'exportez pas vos fichiers directement vers Cloud Storage, vous devez importer les fichiers CSV dans un bucket Cloud Storage.

Créer un fichier manifeste JSON

Vous devez également créer un fichier manifeste comprenant une description JSON des fichiers à importer et le placer dans le même bucket Cloud Storage que celui dans lequel vous avez stocké vos fichiers CSV. Ce fichier contient un tableau tables qui répertorie le nom et les emplacements des fichiers de données pour chaque table.

Le format du fichier manifeste correspond au type de message suivant, affiché ici au format de tampon de protocole :

message ImportManifest {
  // The per-table import manifest.
  message TableManifest {
    // Required. The name of the destination table.
    string table_name = 1;
    // Required. The CSV files to import. This value can be either a filepath or a glob pattern.
    repeated string file_patterns = 2;
    // The schema for a table column.
    message Column {
      // Required for each Column that you specify. The name of the column in the
      // destination table.
      string column_name = 1;
      // Required for each Column that you specify. The type of the column. Supports the
      // following data types: BOOL, INT64, FLOAT64, STRING, DATE, and TIMESTAMP.
      string type_name = 2;
    }
    // Optional. The schema for the table columns.
    repeated Column columns = 3;
  }
  // Required. The TableManifest of the tables to be imported.
  repeated TableManifest tables = 1;
}

L'exemple suivant illustre un fichier manifeste pour l'importation de tables nommées Albums et Singers. La table Albums utilise le schéma de la colonne que la tâche extrait de la base de données, et la table Singers utilise le schéma spécifié par le fichier manifeste :

{
  "tables": [
    {
      "table_name": "Albums",
      "file_patterns": [
        "gs://bucket1/Albums_1.csv",
        "gs://bucket1/Albums_2.csv"
      ]
    },
    {
      "table_name": "Singers",
      "file_patterns": [
        "gs://bucket1/Singers*.csv"
      ],
      "columns": [
        {"column_name": "SingerId", "type_name": "INT64"},
        {"column_name": "FirstName", "type_name": "STRING"},
        {"column_name": "LastName", "type_name": "STRING"}
      ]
    }
  ]
}

Créer la table pour votre base de données Cloud Spanner

Avant d'exécuter votre importation, vous devez créer les tables cibles dans votre base de données Cloud Spanner. Si la table Cloud Spanner cible possède déjà un schéma, toutes les colonnes spécifiées dans le fichier manifeste doivent disposer des mêmes types de données que les colonnes correspondantes dans le schéma de la table cible.

Exécuter une tâche d'importation Dataflow à l'aide de gcloud

Pour démarrer votre tâche d'importation, suivez les instructions permettant d'utiliser l'outil de ligne de commande gcloud et d'exécuter une tâche avec le modèle CSV vers Cloud Spanner.

Après avoir démarré une tâche d'importation, vous pouvez afficher les détails de cette tâche dans Cloud Console.

Une fois la tâche d'importation terminée, ajoutez les éventuels index secondaires et clés étrangères.

Sélectionner une région pour votre tâche d'importation

Vous pouvez être amené à choisir une région différente selon que votre bucket Cloud Storage utilise une configuration régionale ou multirégionale. Afin d'éviter des frais de sortie de réseau, choisissez une région qui chevauche l'emplacement de votre bucket Cloud Storage.

Emplacements de buckets régionaux

Si l'emplacement de votre bucket Cloud Storage est régional, choisissez la même région pour votre tâche d'importation si celle-ci est disponible, de façon à bénéficier de l'utilisation gratuite du réseau.

Si cette région n'est pas disponible, des frais de sortie seront facturés. Consultez les tarifs de sortie de réseau relatifs à Cloud Storage et sélectionnez la région qui générera le moins de frais de sortie.

Emplacements de buckets multirégionaux

Si l'emplacement de votre bucket Cloud Storage est multirégional, choisissez l'une des régions qui en dépendent afin de bénéficier de l'utilisation gratuite du réseau.

Si aucune région en chevauchement n'est disponible, des frais de sortie seront facturés. Consultez les tarifs de sortie de réseau relatifs à Cloud Storage et sélectionnez la région qui générera le moins de frais de sortie.

Afficher ou dépanner des tâches dans l'interface utilisateur de Dataflow

Après avoir démarré une tâche d'importation ou d'exportation, vous pouvez en afficher les détails, y compris les journaux, dans la section Dataflow de Cloud Console.

Afficher les détails d'une tâche Dataflow

Pour afficher les détails d'une tâche en cours d'exécution :

  1. Accédez à la page Détails de la base de données correspondant à la base de données.
  2. Cliquez sur View job details in Dataflow (Afficher les détails de la tâche dans Dataflow) dans le message d'état de la tâche :

    Message d'état de la tâche en cours

    Cloud Console affiche les détails de la tâche Dataflow.

Pour afficher une tâche que vous avez exécutée récemment :

  1. Accédez à la page Détails de la base de données correspondant à la base de données.
  2. Cliquez sur l'onglet Importations/Exportations.
  3. Cliquez sur le nom de votre tâche dans la liste.

    Cloud Console affiche les détails de la tâche Dataflow.

Pour afficher une tâche que vous avez exécutée il y a plus d'une semaine :

  1. Accédez à la page des tâches Dataflow dans Cloud Console.

    Accéder à la page Tâches

  2. Recherchez votre tâche dans la liste, puis cliquez sur son nom.

    Cloud Console affiche les détails de la tâche Dataflow.

Afficher les journaux Dataflow correspondant à votre tâche

Pour afficher les journaux d'une tâche Dataflow, accédez à la page des détails de la tâche comme décrit ci-dessus, puis cliquez sur Journaux à droite du nom de la tâche.

Si une tâche échoue, recherchez les erreurs dans les journaux. Si des erreurs ont été enregistrées, leur nombre s'affiche à côté du bouton Logs (Journaux) :

Exemple de nombre d'erreurs affiché à côté du bouton

Pour afficher les erreurs relatives à une tâche :

  1. Cliquez sur le nombre d'erreurs affiché à côté du bouton Logs (Journaux).

    Cloud Console affiche les journaux de la tâche. Vous devrez éventuellement faire défiler l'affichage pour voir les erreurs.

  2. Repérez les entrées signalées par l'icône d'erreur Icône .

  3. Cliquez sur une entrée de journal pour développer son contenu.

Pour en savoir plus sur le dépannage lié aux tâches Dataflow, consultez la page Résoudre les problèmes liés à votre pipeline.

Résoudre les échecs d'importation ou d'exportation

Si les erreurs suivantes s'affichent dans les journaux de vos tâches :

com.google.cloud.spanner.SpannerException: NOT_FOUND: Session not found

--or--

com.google.cloud.spanner.SpannerException: DEADLINE_EXCEEDED: Deadline expired before operation could complete.

Vérifiez la latence en lecture/écriture de 99% dans l'onglet Surveillance de votre base de données Cloud Spanner dans Cloud Console. Si elle affiche des valeurs élevées (plusieurs secondes), cela signifie que l'instance est surchargée, ce qui entraîne l'expiration et l'échec des lectures et écritures.

Cette latence élevée peut s'expliquer notamment par le fait que la tâche Dataflow s'exécute à l'aide d'un trop grand nombre de nœuds de calcul, ce qui surcharge l'instance Cloud Spanner.

Pour spécifier une limite de nombre de nœuds de calcul Dataflow:
  • Si vous utilisez la console Dataflow, le paramètre Nombre maximal de nœuds de calcul se trouve dans la section Paramètres facultatifs de la page Créer une tâche à partir d'un modèle.

  • Si vous utilisez gcloud, spécifiez l'argument max-workers. Exemple :

    gcloud dataflow jobs run my-import-job \
    --gcs-location='gs://dataflow-templates/latest/GCS_Avro_to_Cloud_Spanner' \
    --region=us-central1 \
    --parameters='instanceId=test-instance,databaseId=example-db,inputDir=gs://my-gcs-bucket' \
    --max-workers=10
    

Le nombre maximal de nœuds de calcul dépend fortement de la taille des données. Idéalement, l'utilisation totale du processeur associée à Spanner doit être comprise entre 70 % et 90 %. Cela permet d'obtenir un bon équilibre entre l'efficacité de Spanner et l'exécution d'une tâche sans erreur.

Pour atteindre cet objectif d'utilisation dans la majorité des schémas/scénarios, nous recommandons un nombre maximal de processeurs virtuels de nœud de calcul compris entre 4 et 6 fois le nombre de nœuds Spanner.

Par exemple, pour une instance Spanner à 10 nœuds utilisant des nœuds de calcul n1-standard-2, vous devez définir un nombre maximal de nœuds de calcul sur 25, ce qui donne 50 processeurs virtuels.

Optimiser les tâches d'importation ou d'exportation lentes

Si vous avez adopté les paramètres initiaux suggérés plus haut, vous n'avez en principe aucun autre réglage à effectuer. Voici toutefois quelques possibilités d'optimisation supplémentaires à envisager si l'exécution de votre tâche est lente :

  • Optimisez l'emplacement de la tâche et des données : exécutez la tâche Dataflow dans la même région que celle où se trouvent votre instance Cloud Spanner et votre bucket Cloud Storage.

  • Veillez à ce que les ressources Dataflow soient suffisantes : si les ressources de votre tâche Dataflow sont limitées par certains quotas Compute Engine correspondants, la page Dataflow associée à cette tâche dans Google Cloud Console affiche une icône d'avertissement Icône Avertissement ainsi qu'un message de journalisation :

    Capture d'écran de l'avertissement de limite de quota

    Dans ce cas, l'augmentation des quotas en termes de processeurs, d'adresses IP en cours d'utilisation et de disques persistants standards peut accélérer l'exécution de votre tâche, mais également augmenter les frais facturés pour Compute Engine.

  • Vérifiez l'utilisation du processeur associée à Cloud Spanner : si vous constatez qu'une instance présente un taux d'utilisation du processeur supérieur à 65 %, vous pouvez augmenter le nombre de nœuds configurés dans cette instance. Les nœuds supplémentaires ajoutent des ressources à Cloud Spanner, ce qui devrait accélérer l'exécution de la tâche, mais risque aussi d'entraîner la facturation de frais supplémentaires.

Facteurs affectant les performances des tâches d'importation ou d'exportation

Plusieurs facteurs influent sur le temps nécessaire pour mener à bien une tâche d'importation ou d'exportation.

  • Taille de la base de données Cloud Spanner : le temps de traitement et les ressources requises augmentent avec la quantité de données à traiter.

  • Schéma de base de données Cloud Spanner : Le nombre de tables, la taille des lignes, le nombre d'index secondaires et le nombre de clés étrangères influencent le temps d'exécution d'une tâche d'importation ou d'exportation.

  • Emplacement des données : les données sont transférées de Cloud Spanner à Cloud Storage via Dataflow. Dans l'idéal, ces trois composants doivent se trouver dans la même région. Dans le cas contraire, le déplacement des données entre les régions ralentit l'exécution de la tâche.

  • Nombre de nœuds de calcul Dataflow : Dataflow met en œuvre l'autoscaling pour décider du nombre de nœuds de calcul affectés à une tâche en fonction de la quantité de travail à effectuer. Le nombre de nœuds de calcul sera toutefois limité par les quotas en matière de processeurs, d'adresses IP en cours d'utilisation et de disques persistants standards. L'interface utilisateur de Dataflow affiche une icône d'avertissement lorsque des limites de quota sont atteintes. Dans ce cas, la progression est ralentie, mais la tâche doit néanmoins aboutir.

  • Charge existante sur Cloud Spanner : une tâche d'importation ajoute une charge de processeur importante sur une instance Cloud Spanner. Une tâche d'exportation ajoute généralement une faible charge sur une instance Cloud Spanner. Si cette instance présentait déjà une charge importante, l'exécution de la tâche est ralentie.

  • Nombre de nœuds Cloud Spanner : si l'instance présente un taux d'utilisation du processeur supérieur à 65 %, l'exécution de la tâche est ralentie.