BigQuery 到 Elasticsearch 範本

「BigQuery 到 Elasticsearch」範本是一個批次管道,可將 BigQuery 資料表中的資料擷取至 Elasticsearch 做為文件。範本可以讀取整個資料表,也可以使用提供的查詢讀取特定記錄。

管道相關規定

  • 來源 BigQuery 資料表必須存在。
  • 執行個體或 Elastic Cloud 上的 Elasticsearch 主機,且 Elasticsearch 版本為 7.0 以上。 Google Cloud 必須可從 Dataflow 工作站機器存取。

範本參數

必要參數

  • connectionUrl:Elasticsearch 網址,格式為 https://hostname:[port]。如果使用 Elastic Cloud,請指定 CloudID。例如:https://elasticsearch-host:9200
  • apiKey:用於驗證的 Base64 編碼 API 金鑰。
  • index:要求發送至的 Elasticsearch 索引。例如:my-index

選用參數

  • inputTableSpec:要讀取的 BigQuery 資料表。如果您指定 inputTableSpec,範本會使用 BigQuery Storage Read API (https://cloud.google.com/bigquery/docs/reference/storage),直接從 BigQuery 儲存空間讀取資料。如要瞭解 Storage Read API 的限制,請參閱 https://cloud.google.com/bigquery/docs/reference/storage#limitations。你必須指定 inputTableSpecquery。如果您同時設定這兩個參數,範本會使用 query 參數。例如:<BIGQUERY_PROJECT>:<DATASET_NAME>.<INPUT_TABLE>
  • outputDeadletterTable:無法到達輸出資料表的訊息所屬 BigQuery 資料表。如果資料表不存在,系統會在管道執行期間建立。如未指定,則會使用 <outputTableSpec>_error_records。例如:<PROJECT_ID>:<DATASET_NAME>.<DEADLETTER_TABLE>
  • query:用來從 BigQuery 讀取資料的 SQL 查詢。如果 BigQuery 資料集與 Dataflow 工作位於不同專案,請在 SQL 查詢中指定完整資料集名稱,例如:<PROJECT_ID>.<DATASET_NAME>.<TABLE_NAME>。根據預設,除非 useLegacySqltrue,否則 query 參數會使用 GoogleSQL (https://cloud.google.com/bigquery/docs/introduction-sql)。你必須指定 inputTableSpecquery。如果您同時設定這兩個參數,範本會使用 query 參數。例如:select * from sampledb.sample_table
  • useLegacySql:設為 true 即可使用舊版 SQL。這個參數僅適用於使用 query 參數的情況。預設值為 false
  • queryLocation:從授權檢視表讀取資料時,如果沒有基礎資料表的權限,就必須提供這個值。例如:US
  • queryTempDataset:使用這個選項,您可以設定現有資料集來建立臨時資料表,以儲存查詢結果。例如:temp_dataset
  • KMSEncryptionKey:如果使用查詢來源從 BigQuery 讀取資料,請使用這個 Cloud KMS 金鑰加密建立的任何暫時性資料表。例如:projects/your-project/locations/global/keyRings/your-keyring/cryptoKeys/your-key
  • elasticsearchUsername:用於驗證的 Elasticsearch 使用者名稱。如果指定,系統會忽略 apiKey 的值。
  • elasticsearchPassword:用於驗證的 Elasticsearch 密碼。如果指定,系統會忽略 apiKey 的值。
  • batchSize:批次大小,以文件數量為單位。預設值為 1000
  • batchSizeBytes:批次大小 (以位元組為單位)。預設值為 5242880 (5 MB)。
  • maxRetryAttempts:重試次數上限。必須大於零。預設值為 no retries
  • maxRetryDuration:重試時間上限 (以毫秒為單位)。必須大於零。預設值為 no retries
  • propertyAsIndex:要建立索引的文件中的屬性,其值會指定要與文件一起納入大量要求的 _index 中繼資料。優先順序高於 _index UDF。預設值為 none
  • javaScriptIndexFnGcsPath:JavaScript UDF 來源的 Cloud Storage 路徑,適用於指定 _index 中繼資料的函式,可與大量要求中的文件一併納入。預設值為 none
  • javaScriptIndexFnName:UDF JavaScript 函式的名稱,用於指定要隨文件一併納入大量要求的 _index 中繼資料。預設值為 none
  • propertyAsId:要建立索引的文件中的屬性,其值會指定要納入大量要求中的 _id 中繼資料。優先順序高於 _id UDF。預設值為 none
  • javaScriptIdFnGcsPath:JavaScript UDF 來源的 Cloud Storage 路徑,適用於指定 _id 中繼資料的函式,可與大量要求中的文件一併納入。預設值為 none
  • javaScriptIdFnName:UDF JavaScript 函式的名稱,用於指定要隨文件一併納入大量要求的 _id 中繼資料。預設值為 none
  • javaScriptTypeFnGcsPath:JavaScript UDF 來源的 Cloud Storage 路徑,適用於指定 _type 中繼資料的函式,可與大量要求中的文件一併納入。預設值為 none
  • javaScriptTypeFnName:UDF JavaScript 函式的名稱,用於指定要隨文件一併納入大量要求的 _type 中繼資料。預設值為 none
  • javaScriptIsDeleteFnGcsPath:JavaScript UDF 來源的 Cloud Storage 路徑,用於判斷是否要刪除文件,而不是插入或更新文件。函式會傳回 truefalse 的字串值。預設值為 none
  • javaScriptIsDeleteFnName:UDF JavaScript 函式的名稱,用於判斷是否要刪除文件,而不是插入或更新文件。函式會傳回 truefalse 的字串值。預設值為 none
  • usePartialUpdate:是否要對 Elasticsearch 要求使用部分更新 (更新而非建立或建立索引,允許部分文件)。預設值為 false
  • bulkInsertMethod:是否要搭配使用 INDEX (索引,允許 upsert) 或 CREATE (建立,重複的 _id 會發生錯誤) 與 Elasticsearch 大量要求。預設值為 CREATE
  • trustSelfSignedCerts:是否信任自行簽署的憑證。安裝的 Elasticsearch 執行個體可能具有自行簽署的憑證,請將此值設為 true,略過 SSL 憑證的驗證。(預設值為 false)。
  • disableCertificateValidation:如果為 true,請信任自行簽署的 SSL 憑證。Elasticsearch 執行個體可能具有自行簽署的憑證。如要略過憑證驗證,請將這個參數設為 true。預設值為 false
  • apiKeyKMSEncryptionKey:用於解密 API 金鑰的 Cloud KMS 金鑰。如果 apiKeySource 設為 KMS,則必須使用這項參數。如果提供這項參數,請傳遞加密的 apiKey 字串。使用 KMS API 加密端點加密參數。鍵的格式為 projects/<PROJECT_ID>/locations/<KEY_REGION>/keyRings/<KEY_RING>/cryptoKeys/<KMS_KEY_NAME>。請參閱:https://cloud.google.com/kms/docs/reference/rest/v1/projects.locations.keyRings.cryptoKeys/encrypt。例如 projects/your-project-id/locations/global/keyRings/your-keyring/cryptoKeys/your-key-name
  • apiKeySecretId:apiKey 的 Secret Manager 密鑰 ID。如果 apiKeySource 設為 SECRET_MANAGER,請提供這項參數。請使用 projects/<PROJECT_ID>/secrets/<SECRET_ID>/versions/<SECRET_VERSION>. For example, projects/your-project-id/secrets/your-secret/versions/your-secret-version 格式。
  • apiKeySource:API 金鑰的來源。允許的值為 PLAINTEXTKMSSECRET_MANAGER。使用 Secret Manager 或 KMS 時,必須提供這個參數。如果 apiKeySource 設為 KMS,則必須提供 apiKeyKMSEncryptionKey 和加密的 apiKey。如果 apiKeySource 設為 SECRET_MANAGER,則必須提供 apiKeySecretId。如果 apiKeySource 設為 PLAINTEXT,則必須提供 apiKey。預設值為 PLAINTEXT。
  • socketTimeout:如果設定此參數,系統會覆寫 Elastic RestClient 中的預設重試逾時時間上限和預設 Socket 逾時時間 (30000 毫秒)。
  • javascriptTextTransformGcsPath:定義要使用的 JavaScript 使用者定義函式 (UDF) 的 .js 檔案 Cloud Storage URI。例如:gs://my-bucket/my-udfs/my_file.js
  • javascriptTextTransformFunctionName:要使用的 JavaScript 使用者定義函式 (UDF) 名稱。舉例來說,如果您的 JavaScript 函式程式碼是 myTransform(inJson) { /*...do stuff...*/ },則函式名稱就是 myTransform。如需 JavaScript UDF 範例,請參閱 UDF 範例 (https://github.com/GoogleCloudPlatform/DataflowTemplates#udf-examples)。

使用者定義函式

此範本在管道的幾個點支援使用者定義函式 (UDF),詳情如下。詳情請參閱「為 Dataflow 範本建立使用者定義函式」。

索引函式

傳回文件所屬的索引。

範本參數:

  • javaScriptIndexFnGcsPath:JavaScript 檔案的 Cloud Storage URI。
  • javaScriptIndexFnName:JavaScript 函式的名稱。

函式規格:

  • 輸入:Elasticsearch 文件,以 JSON 字串形式序列化。
  • 輸出:文件 _index 中繼資料欄位的值。

文件 ID 函式

傳回文件 ID。

範本參數:

  • javaScriptIdFnGcsPath:JavaScript 檔案的 Cloud Storage URI。
  • javaScriptIdFnName:JavaScript 函式的名稱。

函式規格:

  • 輸入:以 JSON 字串序列化的 Elasticsearch 文件。
  • 輸出:文件 _id 中繼資料欄位的值。

文件刪除功能

指定是否要刪除文件。如要使用這項函式,請將大量插入模式設為 INDEX,並提供文件 ID 函式

範本參數:

  • javaScriptIsDeleteFnGcsPath:JavaScript 檔案的 Cloud Storage URI。
  • javaScriptIsDeleteFnName:JavaScript 函式的名稱。

函式規格:

  • 輸入:以 JSON 字串序列化的 Elasticsearch 文件。
  • 輸出:傳回字串 "true" 刪除文件,或 "false" 插入/更新文件。

對應類型函式

傳回文件的對應類型。

範本參數:

  • javaScriptTypeFnGcsPath:JavaScript 檔案的 Cloud Storage URI。
  • javaScriptTypeFnName:JavaScript 函式的名稱。

函式規格:

  • 輸入:以 JSON 字串序列化的 Elasticsearch 文件。
  • 輸出:文件 _type 中繼資料欄位的值。

執行範本

控制台

  1. 前往 Dataflow 的「Create job from template」(透過範本建立工作) 頁面。
  2. 前往「依據範本建立工作」
  3. 在「工作名稱」欄位中,輸入專屬工作名稱。
  4. 選用:如要使用區域端點,請從下拉式選單中選取值。預設區域為 us-central1

    如需可執行 Dataflow 工作的地區清單,請參閱「Dataflow 位置」。

  5. 從「Dataflow template」(Dataflow 範本) 下拉式選單中選取 the BigQuery to Elasticsearch template。
  6. 在提供的參數欄位中輸入參數值。
  7. 按一下「Run Job」(執行工作)

gcloud

在殼層或終端機中執行範本:

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_Elasticsearch \
    --parameters \
inputTableSpec=INPUT_TABLE_SPEC,\
connectionUrl=CONNECTION_URL,\
apiKey=APIKEY,\
index=INDEX

更改下列內容:

  • PROJECT_ID: 您要執行 Dataflow 工作的專案 ID Google Cloud
  • JOB_NAME: 您選擇的不重複工作名稱
  • REGION_NAME: 您要部署 Dataflow 工作的地區,例如 us-central1
  • VERSION: 您要使用的範本版本

    您可以使用下列值:

  • INPUT_TABLE_SPEC:您的 BigQuery 資料表名稱。
  • CONNECTION_URL:您的 Elasticsearch 網址。
  • APIKEY:用於驗證的 base64 編碼 API 金鑰。
  • INDEX:您的 Elasticsearch 索引。

API

如要使用 REST API 執行範本,請傳送 HTTP POST 要求。如要進一步瞭解 API 和授權範圍,請參閱 projects.templates.launch

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/flexTemplates:launch
{
   "launch_parameter": {
      "jobName": "JOB_NAME",
      "parameters": {
          "inputTableSpec": "INPUT_TABLE_SPEC",
          "connectionUrl": "CONNECTION_URL",
          "apiKey": "APIKEY",
          "index": "INDEX"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/BigQuery_to_Elasticsearch",
   }
}

更改下列內容:

  • PROJECT_ID: 您要執行 Dataflow 工作的專案 ID Google Cloud
  • JOB_NAME: 您選擇的不重複工作名稱
  • LOCATION: 您要部署 Dataflow 工作的地區,例如 us-central1
  • VERSION: 您要使用的範本版本

    您可以使用下列值:

  • INPUT_TABLE_SPEC:您的 BigQuery 資料表名稱。
  • CONNECTION_URL:您的 Elasticsearch 網址。
  • APIKEY:用於驗證的 base64 編碼 API 金鑰。
  • INDEX:您的 Elasticsearch 索引。

後續步驟