以 CSV 格式导入和导出数据

本页面介绍如何将 Cloud Spanner 中的数据导出到 CSV 文件,或者将 CSV 文件中的数据导入 Cloud Spanner 数据库。

该流程使用 Dataflow。您可以将 Cloud Spanner 中的数据导出到 Cloud Storage 存储分区,或者您可以将数据从包含 JSON 清单文件和一组 CSV 文件的 Cloud Storage 存储分区导入 Cloud Spanner。

准备工作

要导入或导出 Cloud Spanner 数据库,首先需要启用 Cloud Spanner、Cloud Storage、Compute Engine 和 Dataflow API:

启用 API

此外,您还需要足够的配额和必要的 IAM 权限。

配额要求

Google Cloud 服务对导入或导出作业的配额要求如下:

  • Cloud Spanner:您必须拥有足够多的节点来支持您要导入的数据量。导入或导出数据库不需要额外节点,但您可能需要增加更多节点,以便在合理的时间内完成作业。如需了解详情,请参阅优化作业
  • Cloud Storage:若要导入,您必须拥有一个包含之前导出文件的存储分区。若要导出,您必须为导出的文件创建存储分区(如果还没有的话)。您可以在 Cloud Console 中执行此操作,通过 Cloud Storage 页面或在创建导出作业时通过 Cloud Spanner 页面皆可。您无需为存储分区设置大小。
  • Dataflow:导入或导出作业与其他 Dataflow 作业具有相同的 CPU、磁盘用量和 IP 地址 Compute Engine 配额
  • Compute Engine:在运行导入或导出作业之前,必须为 Compute Engine 设置初始配额,以供 Dataflow 使用。这些配额表示允许 Dataflow 针对作业使用的资源用量上限。建议使用以下初始值:

    • CPU 数:200
    • 使用中的 IP 地址数:200
    • 标准永久性磁盘:50 TB

    通常情况下,您不必进行其他调整。 Dataflow 提供自动扩缩功能,因此您只需支付导入或导出期间实际使用的资源费用。如果您的作业可能会使用更多资源,Dataflow 界面会显示警告图标。出现警告图标不会影响作业的完成。

IAM 要求

如需导入或导出数据库,您还需要有具备足够权限的 IAM 角色,以便使用导入或导出作业中涉及的所有服务。如需了解有关授予角色和权限的信息,请参阅应用 IAM 角色

如需导入或导出数据库,您需要以下角色:

  • 在 Google Cloud 项目级层:
    • Cloud Spanner Viewer
    • Dataflow Admin
    • Storage Admin
  • 在 Cloud Spanner 数据库或实例级层,或在 Google Cloud 项目级层:
    • Cloud Spanner Reader
    • Cloud Spanner Database Admin(仅导入作业才需要)

将 Cloud Spanner 数据导出到 CSV 文件

如需将 Cloud Spanner 中的数据导出到 Cloud Storage 中的 CSV 文件,请借助 Cloud Spanner to Cloud Storage Text 模板,按照使用 gcloud 命令行工具运行作业的说明进行操作。

您还可以在此文档中参阅有关查看作业或对作业进行问题排查对运行缓慢的作业进行优化影响作业性能的因素的信息。

将数据从 CSV 文件导入 Cloud Spanner

从 CSV 文件导入数据的过程包含以下步骤:

  • 将您的数据导出到 CSV 文件,并将这些文件存储在 Cloud Storage 中。
  • 创建 JSON 清单文件,并将该文件与 CSV 文件存储在一起。
  • 在您的 Cloud Spanner 数据库中创建空目标表,或者确保 CSV 文件中的列的数据类型与您现有表中的任何相应列匹配。
  • 运行导入作业。

将数据从非 Cloud Spanner 数据库导出到 CSV 文件

导入过程从位于 Cloud Storage 存储分区的 CSV 文件中提取数据。您可以从任何来源导出采用 CSV 格式的数据。

导出数据时,请注意以下事项:

  • 需要导入的文本文件必须采用 CSV 格式。
  • 数据必须与下面的一种类型相匹配:

    • INT64
    • FLOAT64
    • BOOL
    • STRING
    • DATE
    • TIMESTAMP
  • 导出 CSV 文件时,您不必包括或生成任何元数据。

  • 您的文件不必遵循任何特定的命名惯例。

如果您不将文件直接导出到 Cloud Storage,则必须将 CSV 文件上传到 Cloud Storage 存储分区。

创建 JSON 清单文件

您还必须创建一个清单文件,其中包含要导入的文件的 JSON 说明,并将该清单文件放在存储 CSV 文件的相同 Cloud Storage 存储分区中。该清单文件包含 tables 数组,其中列出了每个表的名称和数据文件位置。

清单文件的格式对应于以下消息类型,此处以协议缓冲区格式显示:

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;
}

以下示例展示了用于导入名为 AlbumsSingers 的表的清单文件。Albums 表使用作业从数据库中检索的列架构,Singers 表使用清单文件指定的架构:

{
  "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"}
      ]
    }
  ]
}

为 Cloud Spanner 数据库创建表

在运行导入之前,您必须在 Cloud Spanner 数据库中创建目标表。如果目标 Cloud Spanner 表已有架构,则清单文件中指定的任何列都必须与目标表架构中的相应列具有相同的数据类型。

使用 gcloud 运行 Dataflow 导入作业

如需开始导入作业,请借助 CSV to Cloud Spanner 模板,按照使用 gcloud 命令行工具运行作业的说明进行操作。

启动导入作业后,您可以在 Cloud Console 中查看作业的详细信息

导入作业完成后,添加所有必要的二级索引外键

为导入作业选择一个区域

您可能需要根据 Cloud Storage 存储分区是使用单区域配置还是多区域配置来选择不同的区域。为避免产生网络出站流量费用,请选择与 Cloud Storage 存储分区位置重叠的区域。

单区域存储分区位置

如果您的 Cloud Storage 存储分区位置使用单区域配置,请为导入作业选择提供免费网络使用的可用区域。

如果没有此类可用区域,则会产生出站流量费用。请参阅 Cloud Storage 出站网络流量价格,选择出站网络流量费用最低的区域。

多区域存储分区位置

如果您的 Cloud Storage 存储分区位置使用多区域配置,请选择多区域位置的重叠区域以享受免费网络使用

如果没有重叠区域,则会产生出站流量费用。请参阅 Cloud Storage 网络出站流量价格,选择出站流量费用最低的区域。

在 Dataflow 界面中查看作业或对作业进行问题排查

启动导入或导出作业后,您可以在 Cloud Console 中的 Dataflow 部分中查看作业的详细信息,包括日志。

查看 Dataflow 作业的详细信息

如需查看当前正在运行的作业的详细信息,请执行以下操作:

  1. 转到数据库的数据库详细信息页面。
  2. 点击作业状态消息中的在 Cloud Dataflow 中查看作业详情,类似于以下内容:

    运行中作业的状态消息

    Cloud Console 将显示 Dataflow 作业的详细信息。

如需查看最近运行的作业,请执行以下操作:

  1. 转到数据库的数据库详细信息页面。
  2. 点击导入/导出标签。
  3. 点击列表中您的作业的名称。

    Cloud Console 将显示 Dataflow 作业的详细信息。

如需查看超过一周前运行的作业,请执行以下操作:

  1. 转到 Cloud Console 的 Dataflow 作业页面。

    转到作业页面

  2. 在列表中找到您的作业,然后点击其名称。

    Cloud Console 将显示 Dataflow 作业的详细信息。

查看作业的 Dataflow 日志

如需查看 Dataflow 作业的日志,请按上文所述转到作业的详细信息页面,然后点击作业名称右侧的日志

如果作业失败,请查看日志了解错误。如果有错误,日志旁边会显示错误计数:

“日志”按钮旁边的错误计数示例

如需查看作业错误,请执行以下操作:

  1. 点击日志旁边的错误计数。

    Cloud Console 将显示作业的日志。您可能需要向下滚动才能看到错误。

  2. 找到带错误图标 “错误”图标 的条目。

  3. 点击各个日志条目以展开其内容。

如需详细了解如何对 Dataflow 作业进行问题排查,请参阅排查流水线问题

排查导入或导出作业失败问题

如果您在作业日志中看到以下错误,请执行以下操作:

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

--or--

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

在 Cloud Console 中您的 Cloud Spanner 数据库的监控标签页中,查看 99% Read/Write latency。如果显示的值较大(几秒钟),则表示实例已过载,导致读取/写入超时并失败。

高延迟的一个原因是 Dataflow 作业运行时使用的工作器过多,导致 Cloud Spanner 实例负载过高。

要指定 Dataflow 工作器的数量限制,请执行以下操作:
  • 如果您使用的是 Dataflow 控制台,则工作器数量上限参数位于基于模板创建作业页面上的可选参数部分。

  • 如果您使用的是 gcloud,请指定 max-workers 参数。例如:

    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
    

工作器的数量上限与数据大小密切相关,但理想情况下,Spanner 的总 CPU 利用率应在 70% 到 90% 之间。这可以实现 Spanner 效率和无错误地完成作业之间的良好平衡。

如需在大多数架构/场景中实现该利用率目标,我们建议最大工作器 vCPU 数量在 Spanner 节点数量的 4-6 倍之间。

例如,对于使用 n1-standard-2 工作器的 10 个节点 spanner 实例,您需要将最大工作器数量设置为 25 个,从而提供 50 个 vCPU。

对运行缓慢的导入或导出作业进行优化

如果您已按照初始设置中的建议配置,则通常不必进行其他调整。如果作业运行缓慢,则可以尝试以下优化操作:

  • 优化作业和数据位置选择:在 Cloud Spanner 实例和 Cloud Storage 存储分区所在的同一区域中运行 Dataflow 作业。

  • 确保有足够的 Dataflow 资源:如果相关的 Compute Engine 配额限制了您的 Dataflow 作业的资源,则 Google Cloud Console 中该作业的 Dataflow 页面会显示警告图标 警告图标 和日志消息:

    配额限制警告的屏幕截图

    在这种情况下,为 CPU、使用中的 IP 地址和标准永久性磁盘增加配额或许可以缩短作业的运行时间,但可能会因此产生更多的 Compute Engine 费用。

  • 检查 Cloud Spanner CPU 使用率:如果您发现某个实例的 CPU 使用率超过 65%,则可以为该实例增加节点。额外的节点会增加更多 Cloud Spanner 资源,从而加快作业的运行速度,但也会因此产生更多的 Cloud Spanner 费用。

影响导入或导出作业性能的因素

以下几个因素会影响完成导入或导出作业所需的时间。

  • Cloud Spanner 数据库大小:处理更多数据需要更多时间和资源。

  • Cloud Spanner 数据库架构:表的数量、行的大小、二级索引的数量以及外键的数量会影响运行导入或导出作业所需的时间。

  • 数据位置:数据使用 Dataflow 在 Cloud Spanner 和 Cloud Storage 之间传输。理想情况下,这三个组件全都位于同一区域。如果这些组件不在同一区域,则跨区域移动数据会减慢作业运行速度。

  • Dataflow 工作器的数量:Dataflow 根据需要完成的工作量使用自动扩缩为作业选择工作器数量。但是,工作器数量会受到 CPU、使用中的 IP 地址和标准永久性磁盘的配额的限制。如果工作器数量达到配额上限,Dataflow 界面中会显示一个警告图标。在这种情况下,运行速度会减慢,但作业仍会完成。

  • Cloud Spanner 上的现有负载:导入作业会大幅增加 Cloud Spanner 实例上的 CPU 负载。导出作业通常会在 Cloud Spanner 实例上增加少量负载。如果该实例原本已有大量负载,则作业的运行速度会较慢。

  • Cloud Spanner 节点数:如果实例的 CPU 使用率超过 65%,则作业的运行速度会较慢。