La pipeline da file CSV di Cloud Storage a BigQuery è una pipeline batch che consente di leggere i dati dai file CSV archiviati in Cloud Storage e aggiungere il risultato a una tabella BigQuery.
I file CSV possono essere decompressi o compressi nei formati elencati nella pagina dell'SDK Enum.Compression
Requisiti della pipeline
Per utilizzare questo modello, la pipeline deve soddisfare i seguenti requisiti.
File JSON dello schema BigQuery
Crea un file JSON che descriva lo schema BigQuery.
Assicurati che lo schema abbia un array JSON di primo livello denominato BigQuery Schema
e che i suoi
contenuti rispettino il pattern {"name": "COLUMN_NAME", "type": "DATA_TYPE"}
.
Il modello batch Cloud Storage CSV files to BigQuery non supporta
l'importazione di dati nei campi
STRUCT
(Record) nella tabella BigQuery di destinazione.
Il seguente JSON descrive un esempio di schema BigQuery:
{ "BigQuery Schema": [ { "name": "location", "type": "STRING" }, { "name": "name", "type": "STRING" }, { "name": "age", "type": "STRING" }, { "name": "color", "type": "STRING" }, { "name": "coffee", "type": "STRING" } ] }
Schema della tabella degli errori
La tabella BigQuery che archivia i record rifiutati dai file CSV deve corrispondere allo schema della tabella definito qui.
{ "BigQuery Schema": [ { "name": "RawContent", "type": "STRING" }, { "name": "ErrorMsg", "type": "STRING" } ] }
Parametri del modello
Parametri obbligatori
- inputFilePattern: il percorso Cloud Storage del file CSV contenente il testo da elaborare. Ad esempio,
gs://your-bucket/path/*.csv
. - schemaJSONPath: il percorso Cloud Storage del file JSON che definisce lo schema BigQuery.
- outputTable: il nome della tabella BigQuery che archivia i dati elaborati. Se riutilizzi una tabella BigQuery esistente, i dati vengono aggiunti alla tabella di destinazione.
- bigQueryLoadingTemporaryDirectory: la directory temporanea da utilizzare durante il processo di caricamento di BigQuery. Ad esempio,
gs://your-bucket/your-files/temp_dir
. - badRecordsOutputTable: il nome della tabella BigQuery da utilizzare per archiviare i dati rifiutati durante l'elaborazione dei file CSV. Se riutilizzi una tabella BigQuery esistente, i dati vengono aggiunti alla tabella di destinazione. Lo schema di questa tabella deve corrispondere allo schema della tabella degli errori (https://cloud.google.com/dataflow/docs/guides/templates/provided/cloud-storage-csv-to-bigquery#GcsCSVToBigQueryBadRecordsSchema).
- Delimitatore: il delimitatore di colonna utilizzato dal file CSV. Ad esempio,
,
. - csvFormat: il formato CSV in base al formato Apache Commons CSV. Valore predefinito:
Default
.
Parametri facoltativi
- containsHeaders: indica se le intestazioni sono incluse nel file CSV. Valore predefinito:
false
. - csvFileEncoding: il formato di codifica dei caratteri del file CSV. I valori consentiti sono
US-ASCII
,ISO-8859-1
,UTF-8
eUTF-16
. Il valore predefinito è UTF-8.
Esegui il modello
Console
- Vai alla pagina Crea job da modello di Dataflow. Vai a Crea job da modello
- Nel campo Nome job, inserisci un nome univoco per il job.
- (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.
- Dal menu a discesa Modello di dataflow, seleziona the CSV files on Cloud Storage to BigQuery (Batch) template.
- Nei campi dei parametri forniti, inserisci i valori dei parametri.
- Fai clic su Esegui job.
gcloud
Nella shell o nel terminale, esegui il modello:
gcloud dataflow jobs run JOB_NAME \ --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/GCS_CSV_to_BigQuery \ --region REGION_NAME \ --parameters \ inputFilePattern=PATH_TO_CSV_DATA,\ schemaJSONPath=PATH_TO_BIGQUERY_SCHEMA_JSON,\ outputTable=BIGQUERY_DESTINATION_TABLE,\ badRecordsOutputTable=BIGQUERY_BAD_RECORDS_TABLE,\ csvFormat=CSV_FORMAT,\ delimiter=DELIMITER,\ bigQueryLoadingTemporaryDirectory=PATH_TO_TEMP_DIR_ON_GCS,\ containsHeaders=CONTAINS_HEADERS,\ csvFileEncoding=CSV_FILE_ENCODING
Sostituisci quanto segue:
PROJECT_ID
: l'ID progetto Google Cloud in cui vuoi eseguire il job DataflowJOB_NAME
: un nome univoco del job a tua sceltaVERSION
: la versione del modello che vuoi utilizzarePuoi utilizzare i seguenti valori:
latest
per utilizzare l'ultima versione del modello, disponibile nella cartella principale senza data nel bucket: gs://dataflow-templates-REGION_NAME/latest/- il nome della versione, ad esempio
2023-09-12-00_RC00
, per utilizzare una versione specifica del modello, che si trova nidificata nella rispettiva cartella principale con data nel bucket: gs://dataflow-templates-REGION_NAME/
REGION_NAME
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
PATH_TO_CSV_DATA
: il percorso Cloud Storage dei tuoi file CSVPATH_TO_BIGQUERY_SCHEMA_JSON
: il percorso Cloud Storage del file JSON contenente la definizione dello schemaBIGQUERY_DESTINATION_TABLE
: il nome della tabella di destinazione BigQueryBIGQUERY_BAD_RECORDS_TABLE
: il nome della tabella BigQuery dei record non validiPATH_TO_TEMP_DIR_ON_GCS
: il percorso Cloud Storage della directory temporaneaDELIMITER
: Delimitatore del file CSVCSV_FORMAT
: specifica del formato CSV per l'analisi dei recordCONTAINS_HEADERS
: indica se i file CSV contengono intestazioniCSV_FILE_ENCODING
: codifica nei file CSV
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/GCS_CSV_to_BigQuery { "jobName": "JOB_NAME", "parameters": { "inputFilePattern":"PATH_TO_CSV_DATA", "schemaJSONPath": "PATH_TO_BIGQUERY_SCHEMA_JSON", "outputTable":"BIGQUERY_DESTINATION_TABLE", "badRecordsOutputTable":"BIGQUERY_BAD_RECORDS_TABLE", "csvFormat":"CSV_FORMAT", "delimiter":"DELIMITER", "bigQueryLoadingTemporaryDirectory": "PATH_TO_TEMP_DIR_ON_GCS", "containsHeaders": "CONTAINS_HEADERS", "csvFileEncoding": "CSV_FILE_ENCODING" }, "environment": { "zone": "us-central1-f" } }
Sostituisci quanto segue:
PROJECT_ID
: l'ID progetto Google Cloud in cui vuoi eseguire il job DataflowJOB_NAME
: un nome univoco del job a tua sceltaVERSION
: la versione del modello che vuoi utilizzarePuoi utilizzare i seguenti valori:
latest
per utilizzare l'ultima versione del modello, disponibile nella cartella principale senza data nel bucket: gs://dataflow-templates-REGION_NAME/latest/- il nome della versione, ad esempio
2023-09-12-00_RC00
, per utilizzare una versione specifica del modello, che si trova nidificata nella rispettiva cartella principale con data nel bucket: gs://dataflow-templates-REGION_NAME/
LOCATION
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
PATH_TO_CSV_DATA
: il percorso Cloud Storage dei tuoi file CSVPATH_TO_BIGQUERY_SCHEMA_JSON
: il percorso Cloud Storage del file JSON contenente la definizione dello schemaBIGQUERY_DESTINATION_TABLE
: il nome della tabella di destinazione BigQueryBIGQUERY_BAD_RECORDS_TABLE
: il nome della tabella BigQuery dei record non validiPATH_TO_TEMP_DIR_ON_GCS
: il percorso Cloud Storage della directory temporaneaDELIMITER
: Delimitatore del file CSVCSV_FORMAT
: specifica del formato CSV per l'analisi dei recordCONTAINS_HEADERS
: indica se i file CSV contengono intestazioniCSV_FILE_ENCODING
: codifica nei file CSV
Passaggi successivi
- Scopri di più sui modelli Dataflow.
- Consulta l'elenco dei modelli forniti da Google.