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 adalahempty
. 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
, danLOW
. Nilai defaultnya adalahMEDIUM
.
Menjalankan template
Konsol
- Buka halaman Dataflow Create job from template. Buka Membuat tugas dari template
- Di kolom Nama tugas, masukkan nama tugas yang unik.
- 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.
- Dari menu drop-down Template Dataflow, pilih the Spanner to Vertex AI Vector Search files on Cloud Storage template.
- Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
- 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 AndaVERSION
: versi template yang ingin Anda gunakanAnda dapat menggunakan nilai berikut:
latest
untuk menggunakan versi template terbaru, yang tersedia di folder induk tanpa tanggal di bucket— gs://dataflow-templates-REGION_NAME/latest/- nama versi, seperti
2023-09-12-00_RC00
, untuk menggunakan versi template tertentu, yang dapat ditemukan bertingkat di folder induk yang diberi tanggal di bucket— gs://dataflow-templates-REGION_NAME/
REGION_NAME
: region tempat Anda ingin men-deploy tugas Dataflow—misalnya,us-central1
SPANNER_PROJECT_ID
: ID project SpannerSPANNER_INSTANCE_ID
: ID instance SpannerSPANNER_DATABASE_ID
: ID database SpannerSPANNER_TABLE
: tabel SpannerSPANNER_COLUMNS_TO_EXPORT
: kolom yang akan diekspor dari tabel SpannerGCS_OUTPUT_FOLDER
: folder Cloud Storage tempat file output akan disimpanGCS_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 DataflowJOB_NAME
: nama tugas unik pilihan AndaVERSION
: versi template yang ingin Anda gunakanAnda dapat menggunakan nilai berikut:
latest
untuk menggunakan versi template terbaru, yang tersedia di folder induk tanpa tanggal di bucket— gs://dataflow-templates-REGION_NAME/latest/- nama versi, seperti
2023-09-12-00_RC00
, untuk menggunakan versi template tertentu, yang dapat ditemukan bertingkat di folder induk yang diberi tanggal di bucket— gs://dataflow-templates-REGION_NAME/
LOCATION
: region tempat Anda ingin men-deploy tugas Dataflow—misalnya,us-central1
SPANNER_PROJECT_ID
: ID project SpannerSPANNER_INSTANCE_ID
: ID instance SpannerSPANNER_DATABASE_ID
: ID database SpannerSPANNER_TABLE
: tabel SpannerSPANNER_COLUMNS_TO_EXPORT
: kolom yang akan diekspor dari tabel SpannerGCS_OUTPUT_FOLDER
: folder Cloud Storage tempat file output akan disimpanGCS_OUTPUT_FILE_PREFIX
: awalan file output di Cloud Storage
Langkah berikutnya
- Pelajari template Dataflow.
- Lihat daftar template yang disediakan Google.