Introduzione ai trasferimenti di Amazon S3

BigQuery Data Transfer Service per Amazon S3 consente di pianificare e gestire automaticamente i job di caricamento ricorrenti da Amazon S3 in BigQuery.

Formati di file supportati

BigQuery Data Transfer Service supporta il caricamento di dati da Amazon S3 in uno dei seguenti formati:

• Valori separati da virgola (CSV)
• JSON (delimitato da nuova riga)
• Avro
• Parquet
• ORC

Tipi di compressione supportati

BigQuery Data Transfer Service per Amazon S3 supporta il caricamento di dati compressi. I tipi di compressione supportati da BigQuery Data Transfer Service sono gli stessi supportati dai job di caricamento BigQuery. Per maggiori informazioni, consulta Caricare dati compressi e non compressi.

Prerequisiti di Amazon S3

Per caricare i dati da un'origine dati Amazon S3, devi:

• Fornisci l'URI Amazon S3 per i dati di origine
• Avere l'ID della chiave di accesso
• Avere la chiave di accesso segreta
• Imposta almeno il criterio gestito da AWS AmazonS3ReadOnlyAccess sui dati di origine Amazon S3

URI Amazon S3

Quando fornisci l'URI Amazon S3, il percorso deve essere nel seguente formato: s3://bucket/folder1/folder2/... È richiesto solo il nome del bucket di primo livello. I nomi delle cartelle sono facoltativi. Se specifichi un URI che include solo il nome del bucket, tutti i file del bucket vengono trasferiti e caricati in BigQuery.

Parametrizzazzione del runtime del trasferimento di Amazon S3

Sia l'URI Amazon S3 sia la tabella di destinazione possono essere parametrizzati, consentendo di caricare i dati dai bucket Amazon S3 organizzati per data. Tieni presente che la parte del bucket dell'URI non può essere parametrizzata. I parametri utilizzati dai trasferimenti Amazon S3 sono gli stessi utilizzati dai trasferimenti Cloud Storage.

Per maggiori dettagli, vedi Parametri di runtime nei trasferimenti.

Importazione dei dati per i trasferimenti di Amazon S3

Puoi specificare il modo in cui i dati vengono caricati in BigQuery selezionando una preferenza di scrittura nella configurazione del trasferimento quando configuri un trasferimento da Amazon S3.

Trasferimenti incrementali

Una configurazione di trasferimento con una preferenza di scrittura APPEND o WRITE_APPEND, chiamata anche trasferimento incrementale, aggiunge in modo incrementale i nuovi dati dal trasferimento riuscito precedente a una tabella di destinazione BigQuery. Quando una configurazione di trasferimento viene eseguita con una preferenza di scrittura APPEND, BigQuery Data Transfer Service filtra i file che sono stati modificati dall'ultima esecuzione di trasferimento riuscita. Per determinare quando un file viene modificato, BigQuery Data Transfer Service esamina i metadati del file per una proprietà "data di ultima modifica". Ad esempio, BigQuery Data Transfer Service esamina la proprietà timestamp updated in un file Cloud Storage. Se BigQuery Data Transfer Service rileva file con una "data di ultima modifica" successiva al timestamp dell'ultimo trasferimento riuscito, li trasferisce in un trasferimento incrementale.

Per dimostrare come funzionano i trasferimenti incrementali, prendi in considerazione il seguente esempio di trasferimento di Cloud Storage. Un utente crea un file in un bucket Cloud Storage alle ore 01-07-2023T00:00Z denominato file_1. Il timestamp updated per file_1 è l'ora in cui è stato creato il file. L'utente quindi crea un trasferimento incrementale dal bucket Cloud Storage, programmato per essere eseguito una volta al giorno alle ore 03:00Z, a partire dal giorno 01-07-2023T03:00Z.

• Il 1° luglio 2023 alle ore 03:00Z inizia la prima esecuzione del trasferimento. Poiché si tratta della prima esecuzione del trasferimento per questa configurazione, BigQuery Data Transfer Service tenta di caricare tutti i file corrispondenti all'URI di origine nella tabella BigQuery di destinazione. L'esecuzione del trasferimento va a buon fine e BigQuery Data Transfer Service carica correttamente file_1 nella tabella BigQuery di destinazione.
• L'esecuzione di trasferimento successiva, il 02-07-2023T03:00Z, non rileva file in cui la proprietà del timestamp updated è maggiore rispetto all'ultima esecuzione di trasferimento riuscita (01-07-2023T03:00Z). L'esecuzione del trasferimento avviene correttamente senza caricare altri dati nella tabella BigQuery di destinazione.

L'esempio precedente mostra in che modo BigQuery Data Transfer Service esamina la proprietà timestamp updated del file di origine per determinare se sono state apportate modifiche ai file di origine e per trasferirle, se rilevate.

Seguendo lo stesso esempio, supponiamo che l'utente crei quindi un altro file nel bucket Cloud Storage alle ore 2023-07-03T00:00Z, denominato file_2. Il timestamp updated per file_2 è l'ora in cui è stato creato il file.

• L'esecuzione di trasferimento successiva, il 03-07-2023 alle ore 03:00:00 UTC, rileva che file_2 ha un updated timestamp maggiore dell'ultimo trasferimento eseguito correttamente (01-07-2023 alle ore 03:00:00 UTC). Supponiamo che all'avvio l'esecuzione del trasferimento non vada a buon fine a causa di un errore temporaneo. In questo scenario, file_2 non viene caricato nella tabella BigQuery di destinazione. Il timestamp dell'ultima esecuzione di trasferimento riuscita rimane 01-07-2023T03:00Z.
• L'esecuzione di trasferimento successiva, il 04-07-2023 alle ore 03:00Z, rileva che file_2 ha un updated timestamp maggiore dell'ultima esecuzione di trasferimento riuscita (01-07-2023 alle ore 03:00Z). Questa volta l'esecuzione del trasferimento viene completata senza problemi, quindi carica file_2 nella tabella BigQuery di destinazione.
• L'esecuzione di trasferimento successiva, il 05-07-2023 alle 03:00 UTC, non rileva file in cui il timestamp updated è maggiore dell'ultima esecuzione di trasferimento riuscita (04-07-2023 alle 03:00 UTC). L'esecuzione del trasferimento riesce senza caricare dati aggiuntivi nella tabella BigQuery di destinazione.

L'esempio precedente mostra che quando un trasferimento non va a buon fine, nessun file viene trasferito alla tabella di destinazione BigQuery. Eventuali modifiche ai file vengono trasferite alla successiva esecuzione del trasferimento riuscita. Eventuali trasferimenti riusciti successivi a un trasferimento non riuscito non causano dati duplicati. In caso di trasferimento non riuscito, puoi anche scegliere di attivare manualmente un trasferimento al di fuori dell'orario programmato regolarmente.

Trasferimenti troncati

Una configurazione di trasferimento con una preferenza di scrittura MIRROR o WRITE_TRUNCATE, chiamata anche trasferimento troncato, sovrascrive i dati nella tabella di destinazione BigQuery durante ogni esecuzione del trasferimento con i dati di tutti i file corrispondenti all'URI di origine. MIRROR sovrascrive una copia aggiornata dei dati nella tabella di destinazione. Se la tabella di destinazione utilizza un decoratore partizione, l'esecuzione del trasferimento sovrascrive solo i dati nella partizione specificata. Una tabella di destinazione con un decoratore di partizione ha il formato my_table${run_date}, ad esempio my_table$20230809.

La ripetizione degli stessi trasferimenti incrementali o troncati in un giorno non causa dati duplicati. Tuttavia, se esegui più configurazioni di trasferimento diverse che interessano la stessa tabella di destinazione BigQuery, BigQuery Data Transfer Service potrebbe duplicare i dati.

Supporto dei caratteri jolly per gli URI Amazon S3

Se i dati di origine sono suddivisi in più file che condividono un nome di base comune, puoi utilizzare un carattere jolly nell'URI quando carichi i dati. Un carattere jolly è costituito da un asterisco (*) e può essere utilizzato in qualsiasi posizione nell'URI di Amazon S3, tranne per il nome del bucket.

Sebbene nell'URI Amazon S3 sia possibile utilizzare più di un carattere jolly, è possibile eseguire alcune ottimizzazioni quando l'URI Amazon S3 specifica un solo carattere jolly:

• Esiste un limite più elevato per il numero massimo di file per esecuzione del trasferimento.

• Il carattere jolly si estende oltre i confini delle directory. Ad esempio, l'URI Amazon S3 s3://my-bucket/*.csv corrisponderà al file s3://my-bucket/my-folder/my-subfolder/my-file.csv.

Esempi di URI Amazon S3

Esempio 1

Per caricare un singolo file da Amazon S3 in BigQuery, specifica l'URI Amazon S3 del file.

s3://my-bucket/my-folder/my-file.csv

Esempio 2

Per caricare tutti i file da un bucket Amazon S3 in BigQuery, specifica solo il nome del bucket, con o senza un carattere jolly.

s3://my-bucket/

o

s3://my-bucket/*

Tieni presente che s3://my-bucket* non è un URI Amazon S3 consentito, in quanto un carattere jolly non può essere utilizzato nel nome del bucket.

Esempio 3

Per caricare tutti i file da Amazon S3 che condividono un prefisso comune, specifica il prefisso comune seguito da un carattere jolly.

s3://my-bucket/my-folder/*

Tieni presente che, a differenza del caricamento di tutti i file da un bucket Amazon S3 di primo livello, il carattere jolly deve essere specificato alla fine dell'URI Amazon S3 affinché i file vengano caricati.

Esempio 4

Per caricare tutti i file da Amazon S3 con un percorso simile, specifica il prefisso comune seguito da un carattere jolly.

s3://my-bucket/my-folder/*.csv

Esempio 5

Tieni presente che i caratteri jolly si estendono alle directory, pertanto tutti i file csv in my-folder, nonché nelle sottocartelle di my-folder, verranno caricati in BigQuery.

Se hai questi file di origine in una cartella logs:

s3://my-bucket/logs/logs.csv
s3://my-bucket/logs/system/logs.csv
s3://my-bucket/logs/some-application/system_logs.log
s3://my-bucket/logs/logs_2019_12_12.csv

in questo caso, vengono identificati come segue:

s3://my-bucket/logs/*

Esempio 6

Se hai questi file di origine, ma vuoi trasferire solo quelli con nome file logs.csv:

s3://my-bucket/logs.csv
s3://my-bucket/metadata.csv
s3://my-bucket/system/logs.csv
s3://my-bucket/system/users.csv
s3://my-bucket/some-application/logs.csv
s3://my-bucket/some-application/output.csv

mentre quanto segue identifica i file con logs.csv nel nome:

s3://my-bucket/*logs.csv

Esempio 7

L'utilizzo di più caratteri jolly consente di avere un maggiore controllo sui file trasferiti, a costo di limiti inferiori. L'utilizzo di più caratteri jolly significa che ogni carattere jolly corrisponderà solo fino alla fine di un percorso all'interno di una sottodirectory. Ad esempio, per i seguenti file di origine in Amazon S3:

s3://my-bucket/my-folder1/my-file1.csv
s3://my-bucket/my-other-folder2/my-file2.csv
s3://my-bucket/my-folder1/my-subfolder/my-file3.csv
s3://my-bucket/my-other-folder2/my-subfolder/my-file4.csv

Se l'intenzione è trasferire solo my-file1.csv e my-file2.csv, utilizza quanto segue come valore per l'URI Amazon S3:

s3://my-bucket/*/*.csv

Poiché nessuno dei caratteri jolly si estende a più directory, questo URI limiterebbe il trasferimento solo ai file CSV che si trovano in my-folder1 e my-other-folder2. Le sottocartelle non vengono incluse nel trasferimento.

Chiavi di accesso AWS

L'ID chiave di accesso e la chiave di accesso segreta vengono utilizzati per accedere ai dati di Amazon S3 per tuo conto. Come best practice, crea un ID chiave di accesso e una chiave di accesso segreta univoci appositamente per i trasferimenti di Amazon S3 per concedere un accesso minimo a BigQuery Data Transfer Service. Per informazioni sulla gestione delle chiavi di accesso, consulta la documentazione di riferimento generale di AWS.

Considerazioni sulla coerenza

Quando trasferisci i dati da Amazon S3, è possibile che alcuni di questi non vengano trasferiti a BigQuery, in particolare se i file sono stati aggiunti al bucket di recente. Dovrebbero essere necessari circa 10 minuti perché un file diventi disponibile per BigQuery Data Transfer Service dopo essere stato aggiunto al bucket. In alcuni casi, tuttavia, potrebbero essere necessari più di 10 minuti.

Per ulteriori informazioni sul modello di coerenza di Amazon S3, consulta Modello di coerenza dei dati di Amazon S3 nella documentazione di Amazon S3.

Best practice per i costi di trasferimento dei dati in uscita

I trasferimenti da Amazon S3 potrebbero non riuscire se la tabella di destinazione non è stata configurata correttamente. I motivi che potrebbero comportare una configurazione errata includono:

• La tabella di destinazione non esiste.
• Lo schema della tabella non è definito.
• Lo schema della tabella non è compatibile con i dati trasferiti.

Per evitare i costi di trasferimento dei dati in uscita di Amazon S3, ti consigliamo di testare prima un trasferimento con un sottoinsieme di file piccolo, ma rappresentativo. Piccolo significa che il test deve avere dimensioni ridotte dei dati e un numero ridotto di file.

Prezzi

Per informazioni sui prezzi di BigQuery Data Transfer Service, consulta la pagina Prezzi.

Tieni presente che utilizzando questo servizio potresti incorrere in costi esterni a Google. Per maggiori dettagli, consulta la pagina dei prezzi di Amazon S3.

Quote e limiti

BigQuery Data Transfer Service utilizza i job di caricamento per caricare i dati di Amazon S3 in BigQuery. A tutti i limiti e le quote di BigQuery per i job di caricamento si applicano i trasferimenti ricorrenti di Amazon S3, con le seguenti considerazioni aggiuntive:

Passaggi successivi

• Scopri come configurare un trasferimento di Amazon S3.
• Scopri di più sui parametri di runtime nei trasferimenti su S3.
• Scopri di più su BigQuery Data Transfer Service.