BigQuery 到 Clickhouse 模板

BigQuery to Clickhouse 模板是一种批处理流水线,可将数据从 BigQuery 表复制到现有的 Clickhouse 表中。该模板可以读取整个表,也可以使用提供的查询读取特定记录。

流水线要求

  • 源 BigQuery 表必须存在。
  • Clickhouse 表必须存在。

模板参数

必需参数

  • jdbcUrl:目标 ClickHouse JDBC 网址,格式为 jdbc:clickhouse://host:port/schema。您可以在 JDBC 网址末尾添加任何 JDBC 选项。例如 jdbc:clickhouse://localhost:8123/default
  • clickHouseUsername:用于进行身份验证的 ClickHouse 用户名。
  • clickHouseTable:要将数据插入到的目标 ClickHouse 表的名称。

可选参数

  • inputTableSpec:要读取的 BigQuery 表。如果指定 inputTableSpec,模板将使用 BigQuery Storage Read API (https://cloud.google.com/bigquery/docs/reference/storage) 直接从 BigQuery 存储读取数据。如需了解 Storage Read API 中的限制,请参阅 https://cloud.google.com/bigquery/docs/reference/storage#limitations。您必须指定 inputTableSpecquery。如果同时设置了这两个参数,则模板会使用 query 参数。例如 <BIGQUERY_PROJECT>:<DATASET_NAME>.<INPUT_TABLE>
  • outputDeadletterTable:无法到达输出表的消息的 BigQuery 表。如果表不存在,系统会在流水线执行期间创建该表。如果未指定,则系统会使用 <outputTableSpec>_error_records。例如 <PROJECT_ID>:<DATASET_NAME>.<DEADLETTER_TABLE>
  • query:用于从 BigQuery 读取数据的 SQL 查询。如果 BigQuery 数据集与 Dataflow 作业位于不同的项目中,请在 SQL 查询中指定完整的数据集名称,例如:<PROJECT_ID>.<DATASET_NAME>.<TABLE_NAME>。默认情况下,除非 useLegacySqltrue,否则 query 参数会使用 GoogleSQL (https://cloud.google.com/bigquery/docs/introduction-sql)。您必须指定 inputTableSpecquery。如果同时设置了这两个参数,则模板会使用 query 参数。例如 select * from sampledb.sample_table
  • useLegacySql:设置为 true 即可使用旧版 SQL。此参数仅在使用 query 参数时适用。默认值为 false
  • queryLocation:在没有底层表权限的情况下从授权视图读取数据时需要使用。例如 US
  • queryTempDataset:使用此选项,您可以设置现有数据集以创建临时表来存储查询结果。例如 temp_dataset
  • KMSEncryptionKey:如果使用查询来源从 BigQuery 读取数据,请使用此 Cloud KMS 密钥对创建的任何临时表进行加密。例如 projects/your-project/locations/global/keyRings/your-keyring/cryptoKeys/your-key
  • clickHousePassword:用于进行身份验证的 ClickHouse 密码。
  • maxInsertBlockSize:如果我们控制插入块的创建(ClickHouseIO 选项),则插入的最大块大小。
  • insertDistributedSync:如果启用此设置,则在将数据发送到集群中的所有节点之前,会将查询插入分布式等待中。(ClickHouseIO 选项)。
  • insertQuorum:对于复制表中的 INSERT 查询,等待写入指定数量的副本,并将数据添加线性化。0 - 已停用。此设置在默认服务器设置(ClickHouseIO 选项)中处于停用状态。
  • insertDeduplicate:对于复制表中的 INSERT 查询,指定应执行插入块的重复数据删除。
  • maxRetries:每次插入的重试次数上限。

运行模板

控制台

  1. 转到 Dataflow 基于模板创建作业页面。
  2. 转到“基于模板创建作业”
  3. 作业名称字段中,输入唯一的作业名称。
  4. 可选:对于区域性端点,从下拉菜单中选择一个值。默认区域为 us-central1

    如需查看可以在其中运行 Dataflow 作业的区域列表,请参阅 Dataflow 位置

  5. Dataflow 模板下拉菜单中,选择 the BigQuery to Clickhouse template。
  6. 在提供的参数字段中,输入您的参数值。
  7. 点击运行作业

gcloud

在 shell 或终端中,运行模板:

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

替换以下内容:

  • PROJECT_ID:您要在其中运行 Dataflow 作业的 Google Cloud 项目 ID
  • JOB_NAME:您选择的唯一性作业名称
  • REGION_NAME:要在其中部署 Dataflow 作业的区域,例如 us-central1
  • VERSION:您要使用的模板的版本

    您可使用以下值:

  • JDBC_URL:您的 JDBC 网址。
  • CLICKHOUSE_USERNAME:您的 Clickhouse 用户名。
  • CLICKHOUSE_TABLE:您的 Clickhouse 表。

API

如需使用 REST API 来运行模板,请发送 HTTP POST 请求。如需详细了解 API 及其授权范围,请参阅 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",
   }
}

替换以下内容:

  • PROJECT_ID:您要在其中运行 Dataflow 作业的 Google Cloud 项目 ID
  • JOB_NAME:您选择的唯一性作业名称
  • LOCATION:要在其中部署 Dataflow 作业的区域,例如 us-central1
  • VERSION:您要使用的模板的版本

    您可使用以下值:

  • JDBC_URL:您的 JDBC 网址。
  • CLICKHOUSE_USERNAME:您的 Clickhouse 用户名。
  • CLICKHOUSE_TABLE:您的 Clickhouse 表。

后续步骤