Plantilla de Spanner a BigQuery

La plantilla de Spanner a BigQuery es un flujo de procesamiento por lotes que lee datos de una tabla de Spanner y los escribe en BigQuery.

Requisitos del flujo de procesamiento

  • La tabla de origen de Spanner debe existir antes de ejecutar el flujo de procesamiento.
  • El conjunto de datos de BigQuery debe existir antes de ejecutar el flujo de procesamiento.
  • Un archivo JSON que describa tu esquema de BigQuery.

    El archivo debe contener una matriz JSON de nivel superior denominada fields. El contenido de la matriz fields debe seguir el siguiente patrón:
    {"name": "COLUMN_NAME", "type": "DATA_TYPE"}.

    El siguiente JSON describe un ejemplo de esquema de BigQuery:

    {
      "fields": [
        {
          "name": "location",
          "type": "STRING"
        },
        {
          "name": "name",
          "type": "STRING"
        },
        {
          "name": "age",
          "type": "STRING"
        },
        {
          "name": "color",
          "type": "STRING"
        },
        {
          "name": "coffee",
          "type": "STRING"
        }
      ]
    }

    La plantilla de Spanner a BigQuery no admite la importación de datos en campos STRUCT (Record) de la tabla de BigQuery de destino.

Parámetros de plantilla

Parámetros obligatorios

  • spannerInstanceId: ID de la instancia de la base de datos de Spanner desde la que se va a leer.
  • spannerDatabaseId el ID de la base de datos de Spanner que se va a exportar.
  • outputTableSpec la ubicación de la tabla de salida de BigQuery en la que se escribirán los resultados. Por ejemplo, <PROJECT_ID>:<DATASET_NAME>.<TABLE_NAME>.En función del createDisposition especificado, la tabla de salida se puede crear automáticamente con el esquema Avro proporcionado por el usuario.

Parámetros opcionales

Ejecutar la plantilla

Consola

  1. Ve a la página Crear tarea a partir de plantilla de Dataflow.
  2. Ir a Crear tarea a partir de plantilla
  3. En el campo Nombre de la tarea, introduce un nombre único.
  4. Opcional: En Endpoint regional, seleccione un valor en el menú desplegable. La región predeterminada es us-central1.

    Para ver una lista de las regiones en las que puedes ejecutar una tarea de Dataflow, consulta Ubicaciones de Dataflow.

  5. En el menú desplegable Plantilla de flujo de datos, seleccione the Spanner to BigQuery template.
  6. En los campos de parámetros proporcionados, introduzca los valores de los parámetros.
  7. Haz clic en Ejecutar trabajo.

gcloud

En tu shell o terminal, ejecuta la plantilla:

gcloud dataflow flex-template run JOB_NAME \
    --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/Cloud_Spanner_to_BigQuery_Flex \
    --project=PROJECT_ID \
    --region=REGION_NAME \
    --parameters \
       spannerInstanceId=SPANNER_INSTANCE_ID,\
       spannerDatabaseId=SPANNER_DATABASE_ID,\
       spannerTableId=SPANNER_TABLE_ID,\
       sqlQuery=SQL_QUERY,\
       outputTableSpec=OUTPUT_TABLE_SPEC,\

Haz los cambios siguientes:

  • JOB_NAME: un nombre de trabajo único que elijas
  • VERSION: la versión de la plantilla que quieres usar

    Puedes usar los siguientes valores:

    • latest para usar la última versión de la plantilla, que está disponible en la carpeta principal sin fecha del contenedor: gs://dataflow-templates-REGION_NAME/latest/
    • el nombre de la versión, como 2023-09-12-00_RC00, para usar una versión específica de la plantilla, que se encuentra anidada en la carpeta principal correspondiente con la fecha en el bucket: gs://dataflow-templates-REGION_NAME/
  • REGION_NAME: la región en la que quieras desplegar tu trabajo de Dataflow. Por ejemplo, us-central1
  • SPANNER_INSTANCE_ID: el ID de la instancia de Spanner
  • SPANNER_DATABASE_ID: el ID de la base de datos de Spanner
  • SPANNER_TABLE_ID: el nombre de la tabla de Spanner
  • SQL_QUERY: la consulta de SQL
  • OUTPUT_TABLE_SPEC: la ubicación de la tabla de BigQuery

API

Para ejecutar la plantilla mediante la API REST, envía una solicitud HTTP POST. Para obtener más información sobre la API y sus ámbitos de autorización, consulta projects.templates.launch.

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/flexTemplates:launch
{
   "launchParameter": {
     "jobName": "JOB_NAME",
     "parameters": {
       "spannerInstanceId": "SPANNER_INSTANCE_ID",
       "spannerDatabaseId": "SPANNER_DATABASE_ID",
       "spannerTableId": "SPANNER_TABLE_ID",
       "sqlQuery": "SQL_QUERY",
       "outputTableSpec": "OUTPUT_TABLE_SPEC",
     },
     "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/Cloud_Spanner_to_BigQuery_Flex",
     "environment": { "maxWorkers": "10" }
  }
}

Haz los cambios siguientes:

  • PROJECT_ID: el ID del proyecto Google Cloud en el que quieres ejecutar la tarea de Dataflow
  • JOB_NAME: un nombre de trabajo único que elijas
  • VERSION: la versión de la plantilla que quieres usar

    Puedes usar los siguientes valores:

    • latest para usar la última versión de la plantilla, que está disponible en la carpeta principal sin fecha del contenedor: gs://dataflow-templates-REGION_NAME/latest/
    • el nombre de la versión, como 2023-09-12-00_RC00, para usar una versión específica de la plantilla, que se encuentra anidada en la carpeta principal correspondiente con la fecha en el bucket: gs://dataflow-templates-REGION_NAME/
  • LOCATION: la región en la que quieras desplegar tu trabajo de Dataflow. Por ejemplo, us-central1
  • SPANNER_INSTANCE_ID: el ID de la instancia de Spanner
  • SPANNER_DATABASE_ID: el ID de la base de datos de Spanner
  • SPANNER_TABLE_ID: el nombre de la tabla de Spanner
  • SQL_QUERY: la consulta de SQL
  • OUTPUT_TABLE_SPEC: la ubicación de la tabla de BigQuery

Siguientes pasos