Modello Avro Spanner to Cloud Storage

Il modello Spanner in file Avro su Cloud Storage è una pipeline batch che esporta un intero database Spanner in Cloud Storage in formato Avro. L'esportazione di un database Spanner crea una cartella nel bucket selezionato. La cartella contiene:

  • Un file spanner-export.json.
  • Un file TableName-manifest.json per ogni tabella del database che hai esportato.
  • Uno o più file TableName.avro-#####-of-#####.

Ad esempio, l'esportazione di un database con due tabelle, Singers e Albums, crea il seguente set di file:

  • Albums-manifest.json
  • Albums.avro-00000-of-00002
  • Albums.avro-00001-of-00002
  • Singers-manifest.json
  • Singers.avro-00000-of-00003
  • Singers.avro-00001-of-00003
  • Singers.avro-00002-of-00003
  • spanner-export.json

Requisiti della pipeline

  • Il database Spanner deve esistere.
  • Il bucket Cloud Storage di output deve esistere.
  • Oltre ai ruoli Identity and Access Management (IAM) necessari per eseguire i job Dataflow, devi disporre anche dei ruoli IAM appropriati per leggere i dati Spanner e scrivere nel bucket Cloud Storage.

Parametri del modello

Parametri obbligatori

  • instanceId: l'ID istanza del database Spanner che vuoi esportare.
  • databaseId: l'ID del database Spanner che vuoi esportare.
  • outputDir: il percorso Cloud Storage in cui esportare i file Avro. Il job di esportazione crea una nuova directory in questo percorso che contiene i file esportati. Ad esempio, gs://your-bucket/your-path.

Parametri facoltativi

  • avroTempDirectory: il percorso Cloud Storage in cui vengono scritti i file Avro temporanei.
  • spannerHost: l'endpoint Cloud Spanner da chiamare nel modello. Utilizzato solo per i test. Ad esempio, https://batch-spanner.googleapis.com. Il valore predefinito è https://batch-spanner.googleapis.com.
  • snapshotTime: il timestamp corrispondente alla versione del database Spanner che vuoi leggere. Il timestamp deve essere specificato utilizzando il formato RFC 3339 UTC Zulu. Il timestamp deve essere nel passato e si applica la massima obsolescenza del timestamp. Ad esempio: 1990-12-31T23:59:60Z. Il valore predefinito è vuoto.
  • spannerProjectId: l'ID del progetto Google Cloud che contiene il database Spanner da cui vuoi leggere i dati.
  • shouldExportTimestampAsLogicalType: se true, i timestamp vengono esportati come tipo long con tipo logico timestamp-micros. Per impostazione predefinita, questo parametro è impostato su false e i timestamp vengono esportati come stringhe ISO-8601 con precisione al nanosecondo.
  • tableNames: un elenco di tabelle separate da virgole che specificano il sottoinsieme del database Spanner da esportare. Se imposti questo parametro, devi includere tutte le tabelle correlate (tabelle principali e tabelle a cui fa riferimento la chiave esterna) o impostare il parametro shouldExportRelatedTables su true.Se la tabella si trova nello schema denominato, utilizza il nome completo. Ad esempio: sch1.foo, in cui sch1 è il nome dello schema e foo è il nome della tabella. Il valore predefinito è vuoto.
  • shouldExportRelatedTables: indica se includere le tabelle correlate. Questo parametro viene utilizzato insieme al parametro tableNames. Il valore predefinito è false.
  • spannerPriority: la priorità della richiesta per le chiamate Spanner. I valori possibili sono HIGH, MEDIUM e LOW. Il valore predefinito è MEDIUM.
  • dataBoostEnabled: impostalo su true per utilizzare le risorse di computing di Spanner Data Boost per eseguire il job con un impatto quasi nullo sui flussi di lavoro Spanner OLTP. Se impostato su true, è necessaria anche l'autorizzazione IAM spanner.databases.useDataBoost. Per saperne di più, consulta la panoramica di Data Boost (https://cloud.google.com/spanner/docs/databoost/databoost-overview). Il valore predefinito è false.

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 Cloud Spanner to Avro Files on Cloud Storage template.
  6. Nei campi dei parametri forniti, inserisci i valori dei parametri.
  7. Fai clic su Esegui job.

gcloud

Questo esempio utilizza il comando gcloud dataflow jobs run.

Nella shell o nel terminale, esegui il modello:

gcloud dataflow jobs run JOB_NAME \
    --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/Cloud_Spanner_to_GCS_Avro \
    --region REGION_NAME \
    --staging-location GCS_STAGING_LOCATION \
    --parameters 'instanceId=INSTANCE_ID,databaseId=DATABASE_ID,outputDir=GCS_DIRECTORY'

Sostituisci quanto segue:

  • JOB_NAME: un nome univoco del job a tua scelta

    Affinché il job venga visualizzato nella sezione Spanner della Google Cloud console, il nome del job deve corrispondere al formato cloud-spanner--INSTANCE_ID-DATABASE_ID.

  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • REGION_NAME: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • GCS_STAGING_LOCATION: il percorso per la scrittura dei file temporanei; ad esempio, gs://mybucket/temp
  • INSTANCE_ID: il tuo ID istanza Spanner
  • DATABASE_ID: l'ID del tuo database Spanner
  • GCS_DIRECTORY: il percorso Cloud Storage in cui i file Avro vengono importati

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/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/Cloud_Spanner_to_GCS_Avro
{
   "jobName": "JOB_NAME",
   "parameters": {
       "instanceId": "INSTANCE_ID",
       "databaseId": "DATABASE_ID",
       "outputDir": "gs://GCS_DIRECTORY"
   }
}

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

    Affinché il job venga visualizzato nella sezione Spanner della Google Cloud console, il nome del job deve corrispondere al formato cloud-spanner--INSTANCE_ID-DATABASE_ID.

  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • LOCATION: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • GCS_STAGING_LOCATION: il percorso per la scrittura dei file temporanei; ad esempio, gs://mybucket/temp
  • INSTANCE_ID: il tuo ID istanza Spanner
  • DATABASE_ID: l'ID del tuo database Spanner
  • GCS_DIRECTORY: il percorso Cloud Storage in cui i file Avro vengono importati

Passaggi successivi