Modello BigQuery a Clickhouse

Il modello BigQuery to Clickhouse è una pipeline batch che copia i dati da una tabella BigQuery in una tabella Clickhouse esistente. Il modello può leggere l'intera tabella o record specifici utilizzando una query fornita.

Requisiti della pipeline

  • La tabella BigQuery di origine deve esistere.
  • La tabella Clickhouse deve esistere.

Parametri del modello

Parametri obbligatori

  • jdbcUrl: l'URL JDBC di ClickHouse di destinazione nel formato jdbc:clickhouse://host:port/schema. Qualsiasi opzione JDBC può essere aggiunta alla fine dell'URL JDBC. Ad esempio: jdbc:clickhouse://localhost:8123/default.
  • clickHouseUsername: il nome utente ClickHouse per l'autenticazione.
  • clickHouseTable: il nome della tabella ClickHouse di destinazione in cui inserire i dati.

Parametri facoltativi

  • inputTableSpec: la tabella BigQuery da cui leggere. Se specifichi inputTableSpec, il modello legge i dati direttamente dallo spazio di archiviazione BigQuery utilizzando l'API BigQuery Storage Read (https://cloud.google.com/bigquery/docs/reference/storage). Per informazioni sulle limitazioni dell'API Storage di lettura, consulta https://cloud.google.com/bigquery/docs/reference/storage#limitations. Devi specificare inputTableSpec o query. Se imposti entrambi i parametri, il modello utilizza il parametro query. Ad esempio, <BIGQUERY_PROJECT>:<DATASET_NAME>.<INPUT_TABLE>.
  • outputDeadletterTable: la tabella BigQuery per i messaggi che non sono riusciti a raggiungere la tabella di output. Se una tabella non esiste, viene creata durante l'esecuzione della pipeline. Se non specificato, viene utilizzato <outputTableSpec>_error_records. Ad esempio: <PROJECT_ID>:<DATASET_NAME>.<DEADLETTER_TABLE>.
  • query: la query SQL da utilizzare per leggere i dati da BigQuery. Se il set di dati BigQuery si trova in un progetto diverso dal job Dataflow, specifica il nome completo del set di dati nella query SQL, ad esempio <PROJECT_ID>.<DATASET_NAME>.<TABLE_NAME>. Per impostazione predefinita, il parametro query utilizza GoogleSQL (https://cloud.google.com/bigquery/docs/introduction-sql), a meno che useLegacySql non sia true. Devi specificare inputTableSpec o query. Se imposti entrambi i parametri, il modello utilizza il parametro query. Ad esempio, select * from sampledb.sample_table.
  • useLegacySql: impostalo su true per utilizzare l'SQL precedente. Questo parametro si applica solo quando viene utilizzato il parametro query. Il valore predefinito è false.
  • queryLocation: necessario per la lettura da una vista autorizzata senza l'autorizzazione della tabella sottostante. Ad esempio, US.
  • queryTempDataset: con questa opzione, puoi impostare un set di dati esistente per creare la tabella temporanea in cui archiviare i risultati della query. Ad esempio, temp_dataset.
  • KMSEncryptionKey: se leggi da BigQuery utilizzando l'origine query, utilizza questa chiave Cloud KMS per criptare le tabelle temporanee create. Ad esempio, projects/your-project/locations/global/keyRings/your-keyring/cryptoKeys/your-key.
  • clickHousePassword: la password di ClickHouse per l'autenticazione.
  • maxInsertBlockSize: la dimensione massima del blocco per l'inserimento, se controlliamo la creazione di blocchi per l'inserimento (opzione ClickHouseIO).
  • insertDistributedSync: se l'impostazione è abilitata, la query di inserimento in attese distribuite attende che i dati vengano inviati a tutti i nodi del cluster. (opzione ClickHouseIO).
  • insertQuorum: per le query INSERT nella tabella replicata, attendi la scrittura per il numero specificato di repliche e linearizza l'aggiunta dei dati. 0 - disattivato. Questa impostazione è disattivata nelle impostazioni predefinite del server (opzione ClickHouseIO).
  • insertDeduplicate: per le query INSERT nella tabella replicata, specifica che deve essere eseguita la deduplicazione dei blocchi di inserimento.
  • maxRetries: numero massimo di tentativi per inserimento.

Esegui il modello

Console

  1. Vai alla pagina Crea job da modello di Dataflow.
  2. Vai a Crea job da modello
  3. Nel campo Nome job, inserisci un nome univoco per il job.
  4. (Facoltativo) Per Endpoint a livello di regione, seleziona un valore dal menu a discesa. La regione predefinita è us-central1.

    Per un elenco delle regioni in cui puoi eseguire un job Dataflow, consulta Località di Dataflow.

  5. Dal menu a discesa Modello di dataflow, seleziona the BigQuery to Clickhouse template.
  6. Nei campi dei parametri forniti, inserisci i valori dei parametri.
  7. Fai clic su Esegui job.

gcloud

Nella shell o nel terminale, esegui il modello:

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

Sostituisci quanto segue:

  • PROJECT_ID: l'ID progetto Google Cloud in cui vuoi eseguire il job Dataflow
  • JOB_NAME: un nome univoco del job a tua scelta
  • REGION_NAME: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • JDBC_URL: il tuo URL JDBC.
  • CLICKHOUSE_USERNAME: il tuo nome utente Clickhouse.
  • CLICKHOUSE_TABLE: la tua tabella Clickhouse.

API

Per eseguire il modello utilizzando l'API REST, invia una richiesta POST HTTP. Per ulteriori informazioni sull'API e sui relativi ambiti di autorizzazione, 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",
   }
}

Sostituisci quanto segue:

  • PROJECT_ID: l'ID progetto Google Cloud in cui vuoi eseguire il job Dataflow
  • JOB_NAME: un nome univoco del job a tua scelta
  • LOCATION: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • JDBC_URL: il tuo URL JDBC.
  • CLICKHOUSE_USERNAME: il tuo nome utente Clickhouse.
  • CLICKHOUSE_TABLE: la tua tabella Clickhouse.

Passaggi successivi