Plantilla de BigQuery a Clickhouse

La plantilla de BigQuery a Clickhouse es una canalización por lotes que copia los datos de una tabla de BigQuery a una tabla de Clickhouse existente. La plantilla puede leer toda la tabla o registros específicos mediante una consulta proporcionada.

Requisitos de la canalización

  • La tabla de origen de BigQuery debe existir.
  • La tabla de Clickhouse debe existir.

Parámetros de la plantilla

Parámetros obligatorios

  • jdbcUrl: Es la URL de JDBC de ClickHouse de destino en el formato jdbc:clickhouse://host:port/schema. Se puede agregar cualquier opción de JDBC al final de la URL de JDBC. Por ejemplo, jdbc:clickhouse://localhost:8123/default.
  • clickHouseUsername: Es el nombre de usuario de ClickHouse con el que se autenticará.
  • clickHouseTable: Es el nombre de la tabla de ClickHouse de destino en la que se insertarán los datos.

Parámetros opcionales

  • inputTableSpec: La tabla de BigQuery desde la que se leerá. Si especificas inputTableSpec, la plantilla lee los datos directamente desde el almacenamiento de BigQuery con la API de BigQuery Storage Read (https://cloud.google.com/bigquery/docs/reference/storage). Para obtener información sobre las limitaciones en la API de Storage Read, consulta https://cloud.google.com/bigquery/docs/reference/storage#limitations. Debes especificar inputTableSpec o query. Si estableces ambos parámetros, la plantilla usa el parámetro query. Por ejemplo, <BIGQUERY_PROJECT>:<DATASET_NAME>.<INPUT_TABLE>.
  • outputDeadletterTable: La tabla de BigQuery para los mensajes que no llegaron a la tabla de salida. Si una tabla no existe, se crea durante la ejecución de la canalización. Si no se especifica, se usa <outputTableSpec>_error_records. Por ejemplo, <PROJECT_ID>:<DATASET_NAME>.<DEADLETTER_TABLE>.
  • query: La consulta en SQL que se usará para leer datos de BigQuery. Si el conjunto de datos de BigQuery se encuentra en un proyecto diferente que el trabajo de Dataflow, especifica el nombre completo del conjunto de datos en la consulta en SQL, por ejemplo: <PROJECT_ID>.<DATASET_NAME>.<TABLE_NAME>. De forma predeterminada, el parámetro query usa GoogleSQL (https://cloud.google.com/bigquery/docs/introduction-sql), a menos que useLegacySql sea true. Debes especificar inputTableSpec o query. Si estableces ambos parámetros, la plantilla usa el parámetro query. Por ejemplo, select * from sampledb.sample_table.
  • useLegacySql: Se configura como true para usar SQL heredado. Este parámetro solo se aplica cuando se usa el parámetro query. La configuración predeterminada es false.
  • queryLocation: Se necesita cuando se lee desde una vista autorizada sin el permiso de la tabla subyacente. Por ejemplo, US
  • queryTempDataset: Con esta opción, puedes establecer un conjunto de datos existente para crear la tabla temporal en la que se almacenarán los resultados de la consulta. Por ejemplo, temp_dataset
  • KMSEncryptionKey: Si se lee desde BigQuery con una fuente de consulta, usa esta clave de Cloud KMS para encriptar las tablas temporales que se creen. Por ejemplo, projects/your-project/locations/global/keyRings/your-keyring/cryptoKeys/your-key
  • clickHousePassword: Es la contraseña de ClickHouse con la que se realizará la autenticación.
  • maxInsertBlockSize: Es el tamaño máximo del bloque para la inserción, si controlamos la creación de bloques para la inserción (opción ClickHouseIO).
  • insertDistributedSync: Si el parámetro de configuración está habilitado, inserta la consulta en las esperas distribuidas hasta que los datos se envíen a todos los nodos del clúster. (Opción de ClickHouseIO).
  • insertQuorum: Para las consultas INSERT en la tabla replicada, espera a que se escriba la cantidad especificada de réplicas y linealiza la adición de los datos. 0: Inhabilitado. Este parámetro está inhabilitado en la configuración predeterminada del servidor (opción ClickHouseIO).
  • insertDeduplicate: Para las consultas INSERT en la tabla replicada, especifica que se debe realizar la deduplicación de los bloques de inserción.
  • maxRetries: Es la cantidad máxima de reintentos por inserción.

Ejecuta la plantilla

Console

  1. Ve a la página Crear un trabajo a partir de una plantilla de Dataflow.
  2. Ir a Crear un trabajo a partir de una plantilla
  3. En el campo Nombre del trabajo, ingresa un nombre de trabajo único.
  4. Opcional: Para Extremo regional, selecciona un valor del menú desplegable. La región predeterminada es us-central1.

    Para obtener una lista de regiones en las que puedes ejecutar un trabajo de Dataflow, consulta Ubicaciones de Dataflow.

  5. En el menú desplegable Plantilla de Dataflow, selecciona the BigQuery to Clickhouse template.
  6. En los campos de parámetros proporcionados, ingresa los valores de tus parámetros.
  7. Haga clic en Ejecutar trabajo.

gcloud

En tu shell o terminal, ejecuta la plantilla:

gcloud dataflow flex-template run JOB_NAME \
    --project=PROJECT_ID \
    --region=REGION_NAME \
    --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/BigQuery_to_Clickhouse \
    --parameters \
jdbcUrl=JDBC_URL,\
clickHouseUsername=CLICKHOUSE_USERNAME,\
clickHouseTable=CLICKHOUSE_TABLE

Reemplaza lo siguiente:

  • PROJECT_ID: El ID del proyecto Google Cloud en el que deseas ejecutar el trabajo de Dataflow
  • JOB_NAME: Es el nombre del trabajo que elijas
  • REGION_NAME: La región en la que deseas implementar tu trabajo de Dataflow, por ejemplo, us-central1
  • VERSION: Es la versión de la plantilla que deseas usar.

    Puedes usar los siguientes valores:

    • latest para usar la última versión de la plantilla, que está disponible en la carpeta superior non-dated en el bucket gs://dataflow-templates-REGION_NAME/latest/
    • el nombre de la versión, como 2023-09-12-00_RC00, para usar una versión específica de la plantilla, que se puede encontrar anidada en la carpeta superior con fecha correspondiente en el bucket gs://dataflow-templates-REGION_NAME/
  • JDBC_URL: Es tu URL de JDBC.
  • CLICKHOUSE_USERNAME: Tu nombre de usuario de Clickhouse.
  • CLICKHOUSE_TABLE: Es tu tabla de Clickhouse.

API

Para ejecutar la plantilla con la API de REST, envía una solicitud POST HTTP. Para obtener más información de la API y sus permisos de autorización, consulta projects.templates.launch.

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/flexTemplates:launch
{
   "launch_parameter": {
      "jobName": "JOB_NAME",
      "parameters": {
          "jdbcUrl": "JDBC_URL",
          "clickHouseUsername": "CLICKHOUSE_USERNAME",
          "clickHouseTable": "CLICKHOUSE_TABLE"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/BigQuery_to_Clickhouse",
   }
}

Reemplaza lo siguiente:

  • PROJECT_ID: El ID del proyecto Google Cloud en el que deseas ejecutar el trabajo de Dataflow
  • JOB_NAME: Es el nombre del trabajo que elijas
  • LOCATION: La región en la que deseas implementar tu trabajo de Dataflow, por ejemplo, us-central1
  • VERSION: Es la versión de la plantilla que deseas usar.

    Puedes usar los siguientes valores:

    • latest para usar la última versión de la plantilla, que está disponible en la carpeta superior non-dated en el bucket gs://dataflow-templates-REGION_NAME/latest/
    • el nombre de la versión, como 2023-09-12-00_RC00, para usar una versión específica de la plantilla, que se puede encontrar anidada en la carpeta superior con fecha correspondiente en el bucket gs://dataflow-templates-REGION_NAME/
  • JDBC_URL: Es tu URL de JDBC.
  • CLICKHOUSE_USERNAME: Tu nombre de usuario de Clickhouse.
  • CLICKHOUSE_TABLE: Es tu tabla de Clickhouse.

¿Qué sigue?