La pipeline Cloud Storage Text to BigQuery with Python UDF è una pipeline batch che legge i file di testo archiviati in Cloud Storage, li trasforma utilizzando una funzione UDF (definita dall'utente) di Python e aggiunge il risultato a una tabella BigQuery.
Requisiti della pipeline
- Crea un file JSON che descriva lo schema BigQuery.
Assicurati che esista 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 di testo Cloud Storage a BigQuery non supporta l'importazione dei dati nei campi
STRUCT
(Record) della tabella BigQuery di destinazione.Il seguente JSON descrive uno schema BigQuery di esempio:
{ "BigQuery Schema": [ { "name": "name", "type": "STRING" }, { "name": "age", "type": "INTEGER" }, ] }
- Crea un file Python (
.py
) con la tua funzione UDF che fornisca la logica per trasformare le righe di testo. La funzione deve restituire una stringa JSON.Ad esempio, questa funzione suddivide ogni riga di un file CSV e restituisce una stringa JSON dopo aver trasformato i valori.
import json def process(value): data = value.split(',') obj = { 'name': data[0], 'age': int(data[1]) } return json.dumps(obj)
Parametri del modello
Parametro | Descrizione |
---|---|
JSONPath |
Il percorso gs:// del file JSON che definisce lo schema BigQuery, archiviato in
Cloud Storage. Ad esempio, gs://path/to/my/schema.json . |
pythonExternalTextTransformGcsPath |
L'URI di Cloud Storage del file di codice Python che definisce la funzione definita dall'utente (UDF)
che vuoi utilizzare. Ad esempio, gs://my-bucket/my-udfs/my_file.py .
|
pythonExternalTextTransformFunctionName |
Il nome della funzione definita dall'utente (UDF) di Python che vuoi utilizzare. |
inputFilePattern |
Il percorso gs:// del testo in Cloud Storage che vuoi elaborare. Ad esempio, gs://path/to/my/text/data.txt . |
outputTable |
Il nome della tabella BigQuery che vuoi creare per archiviare i dati elaborati.
Se riutilizzi una tabella BigQuery esistente, i dati vengono aggiunti alla tabella di destinazione.
Ad esempio, my-project-name:my-dataset.my-table . |
bigQueryLoadingTemporaryDirectory |
La directory temporanea per il processo di caricamento di BigQuery.
Ad esempio, gs://my-bucket/my-files/temp_dir . |
useStorageWriteApi |
Facoltativo:
se true , la pipeline utilizza l'
API BigQuery Storage Write. Il valore predefinito è false . Per ulteriori informazioni, consulta
Utilizzare l'API Storage Write.
|
useStorageWriteApiAtLeastOnce |
(Facoltativo)
Quando utilizzi l'API Storage Write, specifica la semantica di scrittura. Per utilizzare la
semantica almeno una volta, imposta questo parametro su true . Per utilizzare la semantica esattamente una volta, imposta il parametro su false . Questo parametro si applica solo quando
useStorageWriteApi è true . Il valore predefinito è false .
|
Funzione definita dall'utente
Se vuoi, puoi estendere questo modello scrivendo una funzione definita dall'utente (UDF). Il modello chiama la UDF per ogni elemento di input. I payload degli elementi vengono serializzati come stringhe JSON. Per ulteriori informazioni, consulta Creare funzioni predefinite dall'utente per i modelli Dataflow.
Specifiche della funzione
La UDF ha la seguente specifica:
- Input: una riga di testo di un file di input Cloud Storage.
- Output: una stringa JSON che corrisponde allo schema della tabella di destinazione BigQuery.
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.
- Nel menu a discesa Modello di flusso di dati, seleziona the Text Files on Cloud Storage to BigQuery with Python UDF (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 flex-template run JOB_NAME \ --template-file-gcs-location gs://dataflow-templates-REGION_NAME/VERSION/flex/GCS_Text_to_BigQuery_Xlang \ --region REGION_NAME \ --parameters \ pythonExternalTextTransformFunctionName=PYTHON_FUNCTION,\ JSONPath=PATH_TO_BIGQUERY_SCHEMA_JSON,\ pythonExternalTextTransformGcsPath=PATH_TO_PYTHON_UDF_FILE,\ inputFilePattern=PATH_TO_TEXT_DATA,\ outputTable=BIGQUERY_TABLE,\ bigQueryLoadingTemporaryDirectory=PATH_TO_TEMP_DIR_ON_GCS
Sostituisci quanto segue:
PROJECT_ID
: l'ID del progetto Google Cloud in cui vuoi eseguire il job DataflowJOB_NAME
: un nome di job univoco a tua sceltaVERSION
: la versione del modello che vuoi utilizzarePuoi utilizzare i seguenti valori:
latest
per utilizzare la versione più recente del modello, disponibile nella cartella principale senza data del 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 datata nel bucket: gs://dataflow-templates-REGION_NAME/
REGION_NAME
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
PYTHON_FUNCTION
: il nome della funzione definita dall'utente (UDF) di Python che vuoi utilizzare.PATH_TO_BIGQUERY_SCHEMA_JSON
: il percorso di Cloud Storage al file JSON contenente la definizione dello schemaPATH_TO_PYTHON_UDF_FILE
: l'URI Cloud Storage del file di codice Python che definisce la funzione definita dall'utente;utente (UDF) che vuoi utilizzare. Ad esempio,gs://my-bucket/my-udfs/my_file.py
.PATH_TO_TEXT_DATA
: il percorso Cloud Storage al tuo set di dati di testoBIGQUERY_TABLE
: il nome della tabella BigQueryPATH_TO_TEMP_DIR_ON_GCS
: il percorso di Cloud Storage alla directory temporanea
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/flexTemplates:launch { "launch_parameter": { "jobName": "JOB_NAME", "parameters": { "pythonExternalTextTransformFunctionName": "PYTHON_FUNCTION", "JSONPath": "PATH_TO_BIGQUERY_SCHEMA_JSON", "pythonExternalTextTransformGcsPath": "PATH_TO_PYTHON_UDF_FILE", "inputFilePattern":"PATH_TO_TEXT_DATA", "outputTable":"BIGQUERY_TABLE", "bigQueryLoadingTemporaryDirectory": "PATH_TO_TEMP_DIR_ON_GCS" }, "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/GCS_Text_to_BigQuery_Xlang", } }
Sostituisci quanto segue:
PROJECT_ID
: l'ID del progetto Google Cloud in cui vuoi eseguire il job DataflowJOB_NAME
: un nome di job univoco a tua sceltaVERSION
: la versione del modello che vuoi utilizzarePuoi utilizzare i seguenti valori:
latest
per utilizzare la versione più recente del modello, disponibile nella cartella principale senza data del 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 datata nel bucket: gs://dataflow-templates-REGION_NAME/
LOCATION
: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempious-central1
PYTHON_FUNCTION
: il nome della funzione definita dall'utente (UDF) di Python che vuoi utilizzare.PATH_TO_BIGQUERY_SCHEMA_JSON
: il percorso di Cloud Storage al file JSON contenente la definizione dello schemaPATH_TO_PYTHON_UDF_FILE
: l'URI Cloud Storage del file di codice Python che definisce la funzione definita dall'utente;utente (UDF) che vuoi utilizzare. Ad esempio,gs://my-bucket/my-udfs/my_file.py
.PATH_TO_TEXT_DATA
: il percorso Cloud Storage al tuo set di dati di testoBIGQUERY_TABLE
: il nome della tabella BigQueryPATH_TO_TEMP_DIR_ON_GCS
: il percorso di Cloud Storage alla directory temporanea
Passaggi successivi
- Scopri di più sui modelli Dataflow.
- Consulta l'elenco dei modelli forniti da Google.