Template Spanner ke Vertex AI Vector Search

Template untuk file Spanner ke Vertex AI Vector Search di Cloud Storage membuat pipeline batch yang mengekspor data embedding vektor dari tabel Spanner ke Cloud Storage dalam format JSON. Gunakan parameter template untuk menentukan folder Cloud Storage tempat vektor sematan akan diekspor. Folder Cloud Storage berisi daftar file .json yang diekspor, yang merepresentasikan embedding vektor dalam format yang didukung oleh indeks Vertex AI Vector Search.

Untuk mengetahui informasi selengkapnya, lihat Format dan struktur data input.

Persyaratan pipeline

  • Database Spanner harus ada.
  • Bucket Cloud Storage untuk menghasilkan data harus ada.
  • Selain peran Identity and Access Management (IAM) yang diperlukan untuk menjalankan tugas Dataflow, Anda memerlukan peran IAM yang diperlukanuntuk membaca data Spanner dan menulis ke bucket Cloud Storage.

Parameter template

Parameter yang diperlukan

  • spannerProjectId: Project ID instance Spanner.
  • spannerInstanceId: ID instance Spanner yang akan diekspor embedding vektornya.
  • spannerDatabaseId: ID database Spanner yang akan diekspor embedding vektornya.
  • spannerTable: Tabel Spanner yang akan dibaca.
  • spannerColumnsToExport: Daftar kolom yang diperlukan untuk indeks Vertex AI Vector Search yang dipisahkan koma. Kolom ID dan embedding diperlukan oleh Vector Search. Jika nama kolom Anda tidak cocok dengan struktur input indeks Vertex AI Vector Search, buat pemetaan kolom menggunakan alias. Jika nama kolom tidak cocok dengan format yang diharapkan oleh Vertex AI, gunakan notasi dari:ke. Misalnya, jika Anda memiliki kolom bernama id dan my_embedding, tentukan id, my_embedding:embedding.
  • gcsOutputFolder: Folder Cloud Storage tempat file output akan ditulis. Jalur harus diakhiri dengan garis miring. Contoh, gs://your-bucket/folder1/.
  • gcsOutputFilePrefix: Awalan nama file untuk menulis file output. Contoh, vector-embeddings.

Parameter opsional

  • spannerHost: Endpoint Spanner yang akan dipanggil dalam template. Nilai defaultnya adalah https://batch-spanner.googleapis.com. Misalnya, https://batch-spanner.googleapis.com.
  • spannerVersionTime: Jika disetel, menentukan waktu saat versi database harus diambil. Nilainya adalah string dalam format tanggal RFC-3339 dalam waktu epoch Unix. Contoh: 1990-12-31T23:59:60Z. Stempel waktu harus berada di masa lalu, dan keusangan stempel waktu maksimum (https://cloud.google.com/spanner/docs/timestamp-bounds#maximum_timestamp_staleness) berlaku. Jika tidak ditetapkan, batas kuat (https://cloud.google.com/spanner/docs/timestamp-bounds#strong) digunakan untuk membaca data terbaru. Setelan defaultnya adalah empty. Misalnya, 1990-12-31T23:59:60Z.
  • spannerDataBoostEnabled: Jika disetel ke true, template akan menggunakan komputasi on-demand Spanner. Tugas ekspor berjalan di resource komputasi independen yang tidak memengaruhi workload Spanner saat ini. Penggunaan opsi ini akan menimbulkan biaya tambahan di Spanner. Untuk mengetahui informasi selengkapnya, lihat ringkasan Spanner Data Boost (https://cloud.google.com/spanner/docs/databoost/databoost-overview). Default: false.
  • spannerPriority: Prioritas permintaan untuk panggilan Spanner. Nilai yang diizinkan adalah HIGH, MEDIUM, dan LOW. Nilai defaultnya adalah MEDIUM.

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 Spanner to Vertex AI Vector Search files on Cloud Storage template.
  6. Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
  7. Klik Run job.

gcloud

Di shell atau terminal Anda, jalankan template:

gcloud dataflow jobs run JOB_NAME \
    --gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/Cloud_Spanner_vectors_to_Cloud_Storage \
    --project=PROJECT_ID \
    --region=REGION_NAME \
    --parameters \
       spannerProjectId=SPANNER_PROJECT_ID,\
       spannerInstanceId=SPANNER_INSTANCE_ID,\
       spannerDatabaseId=SPANNER_DATABASE_ID,\
       spannerTable=SPANNER_TABLE,\
       spannerColumnsToExport=SPANNER_COLUMNS_TO_EXPORT,\
       gcsOutputFolder=GCS_OUTPUT_FOLDER,\
       gcsOutputFilePrefix=GCS_OUTPUT_FILE_PREFIX,\

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
  • SPANNER_PROJECT_ID: ID project Spanner
  • SPANNER_INSTANCE_ID: ID instance Spanner
  • SPANNER_DATABASE_ID: ID database Spanner
  • SPANNER_TABLE: tabel Spanner
  • SPANNER_COLUMNS_TO_EXPORT: kolom yang akan diekspor dari tabel Spanner
  • GCS_OUTPUT_FOLDER: folder Cloud Storage tempat file output akan disimpan
  • GCS_OUTPUT_FILE_PREFIX: awalan file output di Cloud Storage

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/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/Cloud_Spanner_vectors_to_Cloud_Storage
{
   "jobName": "JOB_NAME",
   "parameters": {
     "spannerProjectId": "SPANNER_PROJECT_ID",
     "spannerInstanceId": "SPANNER_INSTANCE_ID",
     "spannerDatabaseId": "SPANNER_DATABASE_ID",
     "spannerTable": "SPANNER_TABLE",
     "spannerColumnsToExport": "SPANNER_COLUMNS_TO_EXPORT",
     "gcsOutputFolder": "GCS_OUTPUT_FOLDER",
     "gcsOutputFilePrefix": "GCS_OUTPUT_FILE_PREFIX",
   },
   "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
  • SPANNER_PROJECT_ID: ID project Spanner
  • SPANNER_INSTANCE_ID: ID instance Spanner
  • SPANNER_DATABASE_ID: ID database Spanner
  • SPANNER_TABLE: tabel Spanner
  • SPANNER_COLUMNS_TO_EXPORT: kolom yang akan diekspor dari tabel Spanner
  • GCS_OUTPUT_FOLDER: folder Cloud Storage tempat file output akan disimpan
  • GCS_OUTPUT_FILE_PREFIX: awalan file output di Cloud Storage

Langkah berikutnya