Streaming perubahan Bigtable ke template Vector Search

Template ini membuat pipeline streaming untuk menstreamingkan rekaman perubahan data Bigtable dan menuliskannya ke Vertex AI Vector Search menggunakan Dataflow Runner V2.

Persyaratan pipeline

  • Instance sumber Bigtable harus ada.
  • Tabel sumber Bigtable harus ada, dan tabel harus mengaktifkan aliran perubahan.
  • Profil aplikasi Bigtable harus ada.
  • Path indeks Vector Search harus ada.

Parameter template

Parameter Deskripsi
embeddingColumn Nama kolom yang sepenuhnya memenuhi syarat tempat penyematan disimpan. Dalam format cf:col.
embeddingByteSize Ukuran byte setiap entri dalam array sematan. Gunakan 4 untuk float dan 8 untuk double. Nilai defaultnya adalah 4.
vectorSearchIndex Indeks Vector Search tempat perubahan akan di-streaming, dalam format 'projects/{projectID}/locations/{region}/indexes/{indexID}' (tanpa spasi di awal atau di akhir). Contoh: projects/123/locations/us-east1/indexes/456.
bigtableChangeStreamAppProfile Profil aplikasi yang digunakan untuk membedakan beban kerja di Bigtable.
bigtableReadInstanceId ID instance Bigtable yang berisi tabel.
bigtableReadTableId Tabel Bigtable yang akan dibaca.
bigtableMetadataTableTableId Opsional: ID untuk tabel metadata yang dibuat. Jika tidak disetel, Bigtable akan membuat ID.
crowdingTagColumn Opsional: Nama kolom yang sepenuhnya memenuhi syarat tempat tag kepadatan disimpan, dalam format cf:col.
allowRestrictsMappings Opsional: Nama kolom yang sepenuhnya memenuhi syarat dan dipisahkan koma dari kolom yang akan digunakan sebagai pembatasan allow, ditambah aliasnya. Setiap nama kolom harus dalam format cf:col->alias.
denyRestrictsMappings Opsional: Nama kolom yang sepenuhnya memenuhi syarat dan dipisahkan koma dari kolom yang akan digunakan sebagai pembatasan deny, ditambah aliasnya. Setiap nama kolom harus dalam format cf:col->alias.
intNumericRestrictsMappings Opsional: Nama kolom yang sepenuhnya memenuhi syarat dan dipisahkan koma dari kolom yang akan digunakan sebagai bilangan bulat numeric_restricts, ditambah aliasnya. Setiap nama kolom harus dalam format cf:col->alias.
floatNumericRestrictsMappings Opsional: Nama kolom yang sepenuhnya memenuhi syarat dan dipisahkan koma dari kolom yang akan digunakan sebagai float (4 byte) numeric_restricts, ditambah aliasnya. Setiap nama kolom harus dalam format cf:col->alias
doubleNumericRestrictsMappings Opsional: Nama kolom yang sepenuhnya memenuhi syarat dan dipisahkan koma dari kolom yang akan digunakan sebagai ganda (8 byte) numeric_restricts, ditambah aliasnya. Setiap nama kolom harus dalam format cf:col->alias
upsertMaxBatchSize Opsional: Jumlah maksimum operasi upsert yang akan di-buffer sebelum melakukan upsert batch ke indeks Vector Search. Batch dikirim saat ada upsertBatchSize catatan yang siap. Contoh: 10.
upsertMaxBufferDuration Opsional: Penundaan maksimum sebelum batch operasi upsert dikirim ke Vector Search. Batch dikirim saat ada upsertBatchSize catatan yang siap. Format yang diizinkan adalah: Ns untuk detik (contoh: 5s), Nm untuk menit (contoh: 12m), dan Nh untuk jam (contoh: 2h). Default: 10s.
deleteMaxBatchSize Opsional: Jumlah maksimum penghapusan yang akan di-buffer sebelum menghapus batch dari indeks Vector Search. Batch dikirim saat ada deleteBatchSize catatan yang siap. Contoh: 10.
deleteMaxBufferDuration Opsional: Penundaan maksimum sebelum batch penghapusan dikirim ke Vector Search. Batch dikirim saat ada rekaman deleteBatchSize yang siap. Format yang diizinkan adalah: Ns untuk detik (contoh: 5s), Nm untuk menit (contoh: 12m), dan Nh untuk jam (contoh: 2h). Default: 10s.
dlqDirectory Opsional: Jalur untuk menyimpan semua data yang belum diproses beserta alasan kegagalan pemrosesannya. Defaultnya adalah direktori di bawah lokasi sementara tugas Dataflow. Nilai default sesuai untuk sebagian besar skenario.
bigtableChangeStreamMetadataInstanceId Opsional: Instance Bigtable yang akan digunakan untuk tabel metadata konektor aliran data perubahan. Nilai defaultnya adalah kosong.
bigtableChangeStreamMetadataTableTableId Opsional: ID tabel metadata konektor aliran perubahan Bigtable yang akan digunakan. Jika tidak diberikan, tabel metadata konektor aliran perubahan Bigtable akan dibuat secara otomatis selama alur pipeline. Nilai defaultnya adalah kosong.
bigtableChangeStreamCharset Opsional: Nama set karakter aliran perubahan Bigtable saat membaca nilai dan penentu kolom. Defaultnya adalah UTF-8.
bigtableChangeStreamStartTimestamp Opsional: DateTime awal, inklusif, yang akan digunakan untuk membaca aliran perubahan (https://tools.ietf.org/html/rfc3339). Misalnya, 2022-05-05T07:59:59Z. Secara default, nilainya adalah stempel waktu saat pipeline dimulai.
bigtableChangeStreamIgnoreColumnFamilies Opsional: Daftar nama family kolom yang dipisahkan koma yang perubahannya tidak akan direkam. Nilai defaultnya adalah kosong.
bigtableChangeStreamIgnoreColumns Opsional: Daftar nama kolom yang dipisahkan koma yang perubahannya tidak akan direkam. Nilai defaultnya adalah kosong.
bigtableChangeStreamName Opsional: Nama unik untuk pipeline klien. Parameter ini memungkinkan Anda melanjutkan pemrosesan dari titik saat pipeline yang sebelumnya berjalan berhenti. Secara default, nama dibuat secara otomatis. Lihat log tugas Dataflow untuk nilai yang digunakan.
bigtableChangeStreamResume

Opsional: Jika disetel ke benar (true), pipeline baru akan melanjutkan pemrosesan dari titik saat pipeline yang berjalan sebelumnya dengan nama yang sama berhenti. Jika pipeline dengan nama tersebut tidak pernah dijalankan sebelumnya, pipeline baru akan gagal dimulai. Gunakan parameter bigtableChangeStreamName untuk menentukan garis pipeline.

Jika disetel ke salah (false), pipeline baru akan dimulai. Jika pipeline dengan nama yang sama seperti bigtableChangeStreamName sudah pernah dijalankan pada masa lalu untuk sumber tertentu, pipeline baru akan gagal dimulai.

Nilai defaultnya adalah salah (false).

bigtableReadProjectId Opsional: Project untuk membaca data Bigtable. Parameter ini secara default adalah project tempat pipeline Dataflow berjalan.

Menjalankan template

Konsol

  1. Buka halaman Dataflow Create job from template.
  2. Buka Membuat tugas dari template
  3. Di kolom Nama tugas, masukkan nama tugas yang unik.
  4. Opsional: Untuk Endpoint regional, pilih nilai dari menu drop-down. Region default-nya adalah us-central1.

    Untuk mengetahui daftar region tempat Anda dapat menjalankan tugas Dataflow, lihat Lokasi Dataflow.

  5. Dari menu drop-down Template Dataflow, pilih the Bigtable Change Streams to Vector Search template.
  6. Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
  7. Klik Run job.

gcloud CLI

Di shell atau terminal Anda, jalankan template:

gcloud dataflow flex-template run JOB_NAME \
    --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/Bigtable_Change_Streams_to_Vector_Search \
    --project=PROJECT_ID \
    --region=REGION_NAME \
    --parameters \
       embeddingColumn=EMBEDDING_COLUMN,\
       embeddingByteSize=EMBEDDING_BYTE_SIZE,\
       vectorSearchIndex=VECTOR_SEARCH_INDEX,\
       bigtableChangeStreamAppProfile=BIGTABLE_CHANGE_STREAM_APP_PROFILE,\
       bigtableReadInstanceId=BIGTABLE_READ_INSTANCE_ID,\
       bigtableReadTableId=BIGTABLE_READ_TABLE_ID,\

Ganti kode berikut:

  • JOB_NAME: nama tugas unik pilihan Anda
  • VERSION: versi template yang ingin Anda gunakan

    Anda dapat menggunakan nilai berikut:

  • REGION_NAME: region tempat Anda ingin men-deploy tugas Dataflow—misalnya, us-central1
  • EMBEDDING_COLUMN: kolom Embedding
  • EMBEDDING_BYTE_SIZE: Ukuran byte array embedding. Dapat berupa 4 atau 8.
  • VECTOR_SEARCH_INDEX: Jalur indeks Vector Search
  • BIGTABLE_CHANGE_STREAM_APP_PROFILE: ID profil aplikasi Bigtable
  • BIGTABLE_READ_INSTANCE_ID: ID Instance Bigtable sumber
  • BIGTABLE_READ_TABLE_ID: ID tabel Bigtable sumber

API

Untuk menjalankan template menggunakan REST API, kirim permintaan HTTP POST. Untuk mengetahui informasi selengkapnya tentang API dan cakupan otorisasinya, lihat projects.templates.launch.

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/flexTemplates:launch
{
   "launchParameter": {
     "jobName": "JOB_NAME",
     "parameters": {
       "embeddingColumn": "EMBEDDING_COLUMN",
       "embeddingByteSize": "EMBEDDING_BYTE_SIZE",
       "vectorSearchIndex": "VECTOR_SEARCH_INDEX",
       "bigtableChangeStreamAppProfile": "BIGTABLE_CHANGE_STREAM_APP_PROFILE",
       "bigtableReadInstanceId": "BIGTABLE_READ_INSTANCE_ID",
       "bigtableReadTableId": "BIGTABLE_READ_TABLE_ID",
     },
     "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/Bigtable_Change_Streams_to_Vector_Search",
     "environment": { "maxWorkers": "10" }
  }
}

Ganti kode berikut:

  • PROJECT_ID: ID Google Cloud project tempat Anda ingin menjalankan tugas Dataflow
  • JOB_NAME: nama tugas unik pilihan Anda
  • VERSION: versi template yang ingin Anda gunakan

    Anda dapat menggunakan nilai berikut:

  • LOCATION: region tempat Anda ingin men-deploy tugas Dataflow—misalnya, us-central1
  • EMBEDDING_COLUMN: kolom Embedding
  • EMBEDDING_BYTE_SIZE: Ukuran byte array embedding. Dapat berupa 4 atau 8.
  • VECTOR_SEARCH_INDEX: Jalur indeks Vector Search
  • BIGTABLE_CHANGE_STREAM_APP_PROFILE: ID profil aplikasi Bigtable
  • BIGTABLE_READ_INSTANCE_ID: ID Instance Bigtable sumber
  • BIGTABLE_READ_TABLE_ID: ID tabel Bigtable sumber