Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1
Tutorial ini menunjukkan cara menggunakan Cloud Composer untuk membuat DAG Apache Airflow. DAG menggabungkan data dari set data publik BigQuery dan file CSV yang disimpan dalam bucket Cloud Storage, lalu menjalankan tugas batch Dataproc Serverless untuk memproses data gabungan.
Set data publik BigQuery dalam tutorial ini adalah ghcn_d, database terintegrasi yang berisi ringkasan iklim di seluruh dunia. File CSV berisi informasi tentang tanggal dan nama hari libur AS dari tahun 1997 hingga 2021.
Pertanyaan yang ingin kita jawab menggunakan DAG adalah: "Seberapa hangat suhu di Chicago pada Hari Thanksgiving selama 25 tahun terakhir?"
Tujuan
- Membuat lingkungan Cloud Composer dalam konfigurasi default
- Buat set data BigQuery kosong
- Membuat bucket Cloud Storage baru
- Buat dan jalankan DAG yang mencakup tugas berikut:
- Memuat set data eksternal dari Cloud Storage ke BigQuery
- Menggabungkan dua set data di BigQuery
- Menjalankan tugas PySpark analisis data
Sebelum memulai
Mengaktifkan API
Mengaktifkan API berikut:
Konsol
Enable the Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs.
gcloud
Enable the Dataproc, Cloud Composer, BigQuery, Cloud Storage APIs:
gcloud services enable dataproc.googleapis.comcomposer.googleapis.com bigquery.googleapis.com storage.googleapis.com
Memberikan izin
Berikan peran dan izin berikut ke akun pengguna Anda:
Memberikan peran untuk mengelola lingkungan Cloud Composer dan bucket lingkungan.
Berikan peran Pemilik Data BigQuery (
roles/bigquery.dataOwner
) kepada pengguna untuk membuat set data BigQuery.Beri peran Storage Admin (
roles/storage.admin
) untuk membuat bucket Cloud Storage.
Membuat dan menyiapkan lingkungan Cloud Composer
Buat lingkungan Cloud Composer dengan parameter default:
- Pilih region yang berbasis di AS.
- Pilih versi Cloud Composer terbaru.
Berikan peran berikut ke akun layanan yang digunakan di lingkungan Cloud Composer Anda agar pekerja Airflow dapat menjalankan tugas DAG dengan berhasil:
- Pengguna BigQuery (
roles/bigquery.user
) - BigQuery Data Owner (
roles/bigquery.dataOwner
) - Service Account User (
roles/iam.serviceAccountUser
) - Dataproc Editor (
roles/dataproc.editor
) - Pekerja Dataproc (
roles/dataproc.worker
)
- Pengguna BigQuery (
Membuat resource terkait
Buat set data BigQuery kosong dengan parameter berikut:
- Nama:
holiday_weather
- Region:
US
- Nama:
Buat bucket Cloud Storage baru di multiregion
US
.Jalankan perintah berikut untuk mengaktifkan Akses Google Pribadi di subnet default di region tempat Anda ingin menjalankan Dataproc Serverless untuk memenuhi persyaratan jaringan. Sebaiknya gunakan region yang sama dengan lingkungan Cloud Composer Anda.
gcloud compute networks subnets update default \ --region DATAPROC_SERVERLESS_REGION \ --enable-private-ip-google-access
Pemrosesan data menggunakan Dataproc Serverless
Jelajahi contoh Tugas PySpark
Kode yang ditampilkan di bawah adalah contoh tugas PySpark yang mengonversi suhu dari persepuluh derajat dalam Celsius ke derajat Celsius. Tugas ini mengonversi data suhu dari set data ke format yang berbeda.
Mengupload file pendukung ke Cloud Storage
Untuk mengupload file PySpark dan set data yang disimpan di holidays.csv
:
Simpan data_analytics_process.py ke komputer lokal Anda.
Simpan holidays.csv ke komputer lokal Anda.
Di konsol Google Cloud , buka halaman Browser Cloud Storage:
Klik nama bucket yang Anda buat sebelumnya.
Di tab Objects untuk bucket, klik tombol Upload files, pilih
data_analytics_process.py
danholidays.csv
dalam dialog yang muncul, lalu klik Open.
DAG analisis data
Mempelajari contoh DAG
DAG menggunakan beberapa operator untuk mentransformasi dan menyatukan data:
GCSToBigQueryOperator
menyerap file holidays.csv dari Cloud Storage ke tabel baru di set dataholidays_weather
BigQuery yang Anda buat sebelumnya.DataprocCreateBatchOperator
membuat dan menjalankan tugas batch PySpark menggunakan Dataproc Serverless.BigQueryInsertJobOperator
menggabungkan data dari holidays.csv di kolom "Date" dengan data cuaca dari set data publik BigQuery ghcn_d. TugasBigQueryInsertJobOperator
dibuat secara dinamis menggunakan loop for, dan tugas ini berada diTaskGroup
untuk keterbacaan yang lebih baik di Graph View pada UI Airflow.
Menggunakan UI Airflow untuk menambahkan variabel
Di Airflow, variabel adalah cara universal untuk menyimpan dan mengambil setelan atau konfigurasi arbitrer sebagai penyimpanan nilai kunci sederhana. DAG ini menggunakan variabel Airflow untuk menyimpan nilai umum. Untuk menambahkannya ke lingkungan Anda:
Buka Admin > Variabel.
Tambahkan variabel berikut:
gcp_project
: project ID Anda.gcs_bucket
: nama bucket yang Anda buat sebelumnya (tanpa awalangs://
).gce_region
: region tempat Anda menginginkan tugas Dataproc yang memenuhi persyaratan jaringan Dataproc Serverless. Ini adalah region tempat Anda mengaktifkan Akses Google Pribadi sebelumnya.dataproc_service_account
: akun layanan untuk lingkungan Cloud Composer Anda. Anda dapat menemukan akun layanan ini di tab konfigurasi lingkungan untuk lingkungan Cloud Composer Anda.
Upload DAG ke bucket lingkungan Anda
Cloud Composer menjadwalkan DAG yang berada di folder
/dags
di bucket lingkungan Anda. Untuk mengupload DAG menggunakan
konsolGoogle Cloud :
Di komputer lokal Anda, simpan data_analytics_dag.py.
Di Google Cloud console, buka halaman Environments.
Dalam daftar lingkungan, di kolom DAG folder, klik link DAG. Folder DAG lingkungan Anda akan terbuka.
Klik Upload files.
Pilih
data_analytics_dag.py
di komputer lokal Anda, lalu klik Open.
Memicu DAG
Di lingkungan Cloud Composer Anda, klik tab DAGs.
Klik DAG ID
data_analytics_dag
.Klik Trigger DAG.
Tunggu sekitar lima hingga sepuluh menit hingga Anda melihat tanda centang hijau yang menunjukkan bahwa tugas telah berhasil diselesaikan.
Memvalidasi keberhasilan DAG
Di Google Cloud konsol, buka halaman BigQuery.
Di panel Explorer, klik nama project Anda.
Klik
holidays_weather_joined
.Klik pratinjau untuk melihat tabel yang dihasilkan. Perhatikan bahwa angka di kolom nilai dalam persepuluh derajat Celsius.
Klik
holidays_weather_normalized
.Klik pratinjau untuk melihat tabel yang dihasilkan. Perhatikan bahwa angka di kolom nilai dalam derajat Celsius.
Mempelajari lebih dalam Dataproc Serverless (opsional)
Anda dapat mencoba versi lanjutan DAG ini dengan alur pemrosesan data PySpark yang lebih kompleks. Lihat Ekstensi Dataproc untuk Contoh Analisis Data di GitHub.
Pembersihan
Hapus setiap resource yang Anda buat untuk tutorial ini:
Hapus bucket Cloud Storage yang Anda buat untuk tutorial ini.
Hapus lingkungan Cloud Composer, termasuk menghapus bucket lingkungan secara manual.
Langkah berikutnya
- Jalankan DAG Analisis Data di Google Cloud Menggunakan Data dari AWS.
- Jalankan DAG Analisis Data di Azure.