O modelo do Spanner para arquivos Avro no Cloud Storage é um pipeline em lote que exporta todo o banco de dados do Spanner para o Cloud Storage no formato Avro. A exportação de um banco de dados do Spanner cria uma pasta no bucket selecionado. A pasta contém:
- Um arquivo
spanner-export.json
. - Um arquivo
TableName-manifest.json
para cada tabela do banco de dados exportado - Um ou mais arquivos
TableName.avro-#####-of-#####
.
Por exemplo, a exportação de um banco de dados com duas tabelas, Singers
e Albums
, gera o seguinte conjunto de arquivos:
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
Requisitos de pipeline
- O banco de dados do Spanner precisa existir.
- O bucket de saída do Cloud Storage precisa existir.
- Além dos papéis de gerenciamento de identidade e acesso (IAM, na sigla em inglês) necessários para executar jobs do Dataflow, é preciso ter os papéis do IAM apropriados para ler e gravar dados do Spanner no bucket do Cloud Storage.
Parâmetros do modelo
Parâmetros obrigatórios
- instanceId: o código da instância referente ao banco de dados do Cloud Spanner que você quer exportar.
- databaseId: o código do banco de dados referente ao banco de dados do Cloud Spanner que você quer exportar.
- outputDir: o caminho do Cloud Storage para onde os arquivos Avro serão exportados. Um novo diretório contendo a exportação será criado nesse caminho. (Exemplo: gs://your-bucket/your-path).
Parâmetros opcionais
- avroTempDirectory: o caminho do Cloud Storage em que os arquivos Avro temporários podem ser criados. Por exemplo: gs://your-bucket/your-path.
- spannerHost: opcional: o endpoint do Cloud Spanner para chamar no modelo. Usado apenas para testes. Por exemplo: https://batch-spanner.googleapis.com. O padrão é: https://batch-spanner.googleapis.com.
- snapshotTime: especifica o horário do snapshot no formato RFC 3339 no formato UTC sem o deslocamento do fuso horário(sempre termina em "Z"). O carimbo de data/hora precisa estar no passado, e a Inatividade máxima do carimbo de data/hora se aplica. Consulte https://cloud.google.com/spanner/docs/timestamp-bounds#maximum_timestamp_staleness (exemplo: 1990-12-31T23:59:59Z). O padrão é vazio.
- spannerProjectId: o ID do projeto da instância do Cloud Spanner.
- shouldExportTimestampAsLogicalType: se verdadeiro, os carimbos de data/hora são exportados como o tipo timestamp-micros. Por padrão, os carimbos de data/hora são exportados como strings ISO8601 com precisão de nanossegundos.
- tableNames: se fornecido, somente essa lista de tabelas separadas por vírgulas será exportada. As tabelas de ancestral e aquelas referenciadas por chaves externas são obrigatórias. Se ela não for listada explicitamente, a flag
shouldExportRelatedTables
precisará ser definida para uma exportação bem-sucedida. O padrão é vazio. - shouldExportRelatedTables: usado em conjunto com
tableNames
. Se verdadeiro, adicione as tabelas relacionadas necessárias para a exportação, como tabelas pai intercaladas e tabelas de chaves externas. SetableNames
for especificado, mas não incluir tabelas relacionadas, essa opção precisará ser definida como verdadeira para uma exportação bem-sucedida. O padrão é: false. - spannerPriority: opcional: a prioridade da solicitação para chamadas do Cloud Spanner. O valor precisa ser um destes: [HIGH,MEDIUM,LOW].
- dataBoostEnabled: use a computação sob demanda do Spanner para que o job de exportação seja executado em recursos de computação independentes e não afete as cargas de trabalho atuais do Spanner. Isso vai gerar cobranças adicionais no Spanner. O padrão é: false.
Executar o modelo
Console
- Acesse a página Criar job usando um modelo do Dataflow. Acesse Criar job usando um modelo
- No campo Nome do job, insira um nome exclusivo.
Para que o job apareça na página de Instâncias do Spanner do console do Google Cloud, o nome do job precisa corresponder ao seguinte formato:
cloud-spanner-export-SPANNER_INSTANCE_ID-SPANNER_DATABASE_NAME
Substitua:
SPANNER_INSTANCE_ID
: o ID da instância do SpannerSPANNER_DATABASE_NAME
: o nome do banco de dados do Spanner
- Opcional: em Endpoint regional, selecione um valor no menu suspenso. A região padrão é
us-central1
.Para ver uma lista de regiões em que é possível executar um job do Dataflow, consulte Locais do Dataflow.
- No menu suspenso Modelo do Dataflow, selecione the Cloud Spanner to Avro Files on Cloud Storage template.
- Nos campos de parâmetro fornecidos, insira os valores de parâmetro.
- Cliquem em Executar job.
gcloud
No shell ou no terminal, execute o modelo:
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
Substitua:
JOB_NAME
: um nome de job de sua escolhaPara que o job seja exibido na parte do Spanner no Console do Google Cloud, o nome dele precisa corresponder ao formato
cloud-spanner-export-INSTANCE_ID-DATABASE_ID
.VERSION
: a versão do modelo que você quer usarUse estes valores:
latest
para usar a versão mais recente do modelo, disponível na pasta mãe não datada no bucket: gs://dataflow-templates-REGION_NAME/latest/- o nome da versão, como
2023-09-12-00_RC00
, para usar uma versão específica do modelo, que pode ser aninhada na respectiva pasta mãe datada no bucket: gs://dataflow-templates-REGION_NAME/
REGION_NAME
: a região em que você quer implantar o job do Dataflow, por exemplo,us-central1
GCS_STAGING_LOCATION
: o caminho para gravar arquivos temporários (por exemplo,gs://mybucket/temp
)INSTANCE_ID
: o ID da instância do SpannerDATABASE_ID
: o ID do banco de dados do SpannerGCS_DIRECTORY
: o caminho do Cloud Storage em que os arquivos Avro são exportados para
API
Para executar o modelo usando a API REST, envie uma solicitação HTTP POST. Para mais informações sobre a
API e os respectivos escopos de autorização, consulte
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" } }
Substitua:
PROJECT_ID
: o ID do projeto do Google Cloud em que você quer executar o job do DataflowJOB_NAME
: um nome de job de sua escolhaPara que o job seja exibido na parte do Spanner no Console do Google Cloud, o nome dele precisa corresponder ao formato
cloud-spanner-export-INSTANCE_ID-DATABASE_ID
.VERSION
: a versão do modelo que você quer usarUse estes valores:
latest
para usar a versão mais recente do modelo, disponível na pasta mãe não datada no bucket: gs://dataflow-templates-REGION_NAME/latest/- o nome da versão, como
2023-09-12-00_RC00
, para usar uma versão específica do modelo, que pode ser aninhada na respectiva pasta mãe datada no bucket: gs://dataflow-templates-REGION_NAME/
LOCATION
: a região em que você quer implantar o job do Dataflow, por exemplo,us-central1
GCS_STAGING_LOCATION
: o caminho para gravar arquivos temporários (por exemplo,gs://mybucket/temp
)INSTANCE_ID
: o ID da instância do SpannerDATABASE_ID
: o ID do banco de dados do SpannerGCS_DIRECTORY
: o caminho do Cloud Storage em que os arquivos Avro são exportados para
A seguir
- Saiba mais sobre os modelos do Dataflow.
- Confira a lista de modelos fornecidos pelo Google.