Template Cloud Storage ke Elasticsearch

Template Cloud Storage ke Elasticsearch adalah pipeline batch yang membaca data dari file CSV yang disimpan dalam bucket Cloud Storage dan menulis data ke Elasticsearch sebagai dokumen JSON.

Persyaratan pipeline

  • Bucket Cloud Storage harus ada.
  • Host Elasticsearch di Google Cloud instance atau di Elasticsearch Cloud yang dapat diakses dari Dataflow harus ada.
  • Tabel BigQuery untuk output error harus ada.

Skema CSV

Jika file CSV berisi header, tetapkan parameter template containsHeaders ke true.

Atau, buat file skema JSON yang mendeskripsikan data. Tentukan URI Cloud Storage dari file skema di parameter template jsonSchemaPath. Contoh berikut menunjukkan skema JSON:

[{"name":"id", "type":"text"}, {"name":"age", "type":"integer"}]

Atau, Anda dapat memberikan fungsi yang ditentukan pengguna (UDF) yang mengurai teks CSV dan menghasilkan dokumen Elasticsearch.

Parameter template

Parameter yang diperlukan

  • deadletterTable: Tabel dead-letter BigQuery untuk mengirimkan penyisipan yang gagal. Contoh, your-project:your-dataset.your-table-name.
  • inputFileSpec: Pola file Cloud Storage untuk menelusuri file CSV. Contoh, gs://mybucket/test-*.csv.
  • connectionUrl: URL Elasticsearch dalam format https://hostname:[port]. Jika menggunakan Elastic Cloud, tentukan CloudID. Misalnya, https://elasticsearch-host:9200.
  • apiKey: Kunci API berenkode Base64 yang akan digunakan untuk autentikasi.
  • index: Indeks Elasticsearch tempat permintaan dikeluarkan. Contoh, my-index.

Parameter opsional

  • inputFormat: Format file input. Nilai defaultnya adalah CSV.
  • containsHeaders: File CSV input berisi rekaman header (benar/salah). Hanya diperlukan jika membaca file CSV. Nilai defaultnya adalah: false.
  • delimiter: Pemisah kolom file teks input. Default: , Misalnya, ,.
  • csvFormat: Spesifikasi format CSV yang akan digunakan untuk mengurai rekaman. Defaultnya adalah: Default. Lihat https://commons.apache.org/proper/commons-csv/apidocs/org/apache/commons/csv/CSVFormat.html untuk mengetahui detail selengkapnya. Harus cocok dengan nama format yang persis sama yang ada di: https://commons.apache.org/proper/commons-csv/apidocs/org/apache/commons/csv/CSVFormat.Predefined.html.
  • jsonSchemaPath: Jalur ke skema JSON. Nilai defaultnya adalah null. Misalnya, gs://path/to/schema.
  • largeNumFiles: Setel ke benar jika jumlah file mencapai puluhan ribu. Nilai defaultnya adalah false.
  • csvFileEncoding: Format encoding karakter file CSV. Nilai yang diizinkan adalah US-ASCII, ISO-8859-1, UTF-8, dan UTF-16. Nilai defaultnya adalah: UTF-8.
  • logDetailedCsvConversionErrors: Setel ke true untuk mengaktifkan logging error mendetail saat penguraian CSV gagal. Perhatikan bahwa hal ini dapat mengekspos data sensitif dalam log (misalnya, jika file CSV berisi sandi). Default: false.
  • elasticsearchUsername: Nama pengguna Elasticsearch untuk mengautentikasi. Jika ditentukan, nilai apiKey akan diabaikan.
  • elasticsearchPassword: Sandi Elasticsearch untuk melakukan autentikasi. Jika ditentukan, nilai apiKey akan diabaikan.
  • batchSize: Ukuran batch dalam jumlah dokumen. Nilai defaultnya adalah 1000.
  • batchSizeBytes: Ukuran batch dalam jumlah byte. Nilai defaultnya adalah 5242880 (5 MB).
  • maxRetryAttempts: Jumlah maksimum upaya percobaan ulang. Harus lebih besar dari nol. Nilai defaultnya adalah no retries.
  • maxRetryDuration: Durasi percobaan ulang maksimum dalam milidetik. Harus lebih besar dari nol. Nilai defaultnya adalah no retries.
  • propertyAsIndex: Properti dalam dokumen yang diindeks yang nilainya menentukan metadata _index untuk disertakan dengan dokumen dalam permintaan massal. Lebih diprioritaskan daripada UDF _index. Setelan defaultnya adalah none.
  • javaScriptIndexFnGcsPath: Jalur Cloud Storage ke sumber UDF JavaScript untuk fungsi yang menentukan metadata _index yang akan disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalah none.
  • javaScriptIndexFnName: Nama fungsi JavaScript UDF yang menentukan metadata _index untuk disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalah none.
  • propertyAsId: Properti dalam dokumen yang diindeks yang nilainya menentukan metadata _id untuk disertakan dengan dokumen dalam permintaan massal. Lebih diprioritaskan daripada UDF _id. Setelan defaultnya adalah none.
  • javaScriptIdFnGcsPath: Jalur Cloud Storage ke sumber UDF JavaScript untuk fungsi yang menentukan metadata _id yang akan disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalah none.
  • javaScriptIdFnName: Nama fungsi JavaScript UDF yang menentukan metadata _id yang akan disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalah none.
  • javaScriptTypeFnGcsPath: Jalur Cloud Storage ke sumber UDF JavaScript untuk fungsi yang menentukan metadata _type yang akan disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalah none.
  • javaScriptTypeFnName: Nama fungsi JavaScript UDF yang menentukan metadata _type untuk disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalah none.
  • javaScriptIsDeleteFnGcsPath: Jalur Cloud Storage ke sumber UDF JavaScript untuk fungsi yang menentukan apakah akan menghapus dokumen, bukan menyisipkan atau memperbaruinya. Fungsi ini menampilkan nilai string true atau false. Setelan defaultnya adalah none.
  • javaScriptIsDeleteFnName: Nama fungsi JavaScript UDF yang menentukan apakah dokumen akan dihapus, bukan disisipkan atau diperbarui. Fungsi ini menampilkan nilai string true atau false. Setelan defaultnya adalah none.
  • usePartialUpdate: Apakah akan menggunakan update parsial (update, bukan membuat atau mengindeks, yang memungkinkan dokumen parsial) dengan permintaan Elasticsearch. Nilai defaultnya adalah false.
  • bulkInsertMethod: Apakah akan menggunakan INDEX (mengindeks, memungkinkan operasi upsert) atau CREATE (membuat, error pada _id duplikat) dengan permintaan massal Elasticsearch. Setelan defaultnya adalah CREATE.
  • trustSelfSignedCerts: Apakah akan memercayai sertifikat yang ditandatangani sendiri atau tidak. Instance Elasticsearch yang diinstal mungkin memiliki sertifikat yang ditandatangani sendiri. Setel opsi ini ke benar (true) untuk melewati validasi pada sertifikat SSL. (Default: false).
  • disableCertificateValidation: Jika true, percayai sertifikat SSL yang ditandatangani sendiri. Instance Elasticsearch mungkin memiliki sertifikat yang ditandatangani sendiri. Untuk melewati validasi sertifikat, tetapkan parameter ini ke true. Setelan defaultnya adalah false.
  • apiKeyKMSEncryptionKey: Kunci Cloud KMS untuk mendekripsi kunci API. Parameter ini wajib diisi jika apiKeySource ditetapkan ke KMS. Jika parameter ini diberikan, teruskan string apiKey terenkripsi. Enkripsi parameter menggunakan endpoint enkripsi KMS API. Untuk kunci, gunakan format projects/<PROJECT_ID>/locations/<KEY_REGION>/keyRings/<KEY_RING>/cryptoKeys/<KMS_KEY_NAME>. Lihat: https://cloud.google.com/kms/docs/reference/rest/v1/projects.locations.keyRings.cryptoKeys/encrypt Misalnya, projects/your-project-id/locations/global/keyRings/your-keyring/cryptoKeys/your-key-name.
  • apiKeySecretId: ID secret Secret Manager untuk apiKey. Jika apiKeySource ditetapkan ke SECRET_MANAGER, berikan parameter ini. Gunakan format projects/<PROJECT_ID>/secrets/<SECRET_ID>/versions/<SECRET_VERSION>. For example, projects/your-project-id/secrets/your-secret/versions/your-secret-version`.
  • apiKeySource: Sumber kunci API. Nilai yang diizinkan adalah PLAINTEXT, KMS, atau SECRET_MANAGER. Parameter ini diperlukan saat Anda menggunakan Secret Manager atau KMS. Jika apiKeySource ditetapkan ke KMS, apiKeyKMSEncryptionKey dan apiKey terenkripsi harus diberikan. Jika apiKeySource ditetapkan ke SECRET_MANAGER, apiKeySecretId harus diberikan. Jika apiKeySource ditetapkan ke PLAINTEXT, apiKey harus diberikan. Defaultnya adalah: PLAINTEXT.
  • socketTimeout: Jika disetel, akan menggantikan waktu tunggu percobaan ulang maksimum default dan waktu tunggu soket default (30000 md) di Elastic RestClient.
  • javascriptTextTransformGcsPath: URI Cloud Storage dari file .js yang menentukan fungsi yang ditentukan pengguna (UDF) JavaScript yang akan digunakan. Contoh, gs://my-bucket/my-udfs/my_file.js.
  • javascriptTextTransformFunctionName: Nama fungsi yang ditentukan pengguna (UDF) JavaScript yang akan digunakan. Misalnya, jika kode fungsi JavaScript Anda adalah myTransform(inJson) { /*...do stuff...*/ }, maka nama fungsinya adalah myTransform. Untuk contoh UDF JavaScript, lihat Contoh UDF (https://github.com/GoogleCloudPlatform/DataflowTemplates#udf-examples).

Fungsi yang ditentukan pengguna (UDF)

Template ini mendukung fungsi yang ditentukan pengguna (UDF) di beberapa titik dalam pipeline, yang dijelaskan di bawah. Untuk mengetahui informasi selengkapnya, lihat Membuat fungsi yang ditentukan pengguna untuk template Dataflow.

Fungsi transformasi teks

Mengubah data CSV menjadi dokumen Elasticsearch.

Parameter template:

  • javascriptTextTransformGcsPath: URI Cloud Storage file JavaScript.
  • javascriptTextTransformFunctionName: nama fungsi JavaScript.

Spesifikasi fungsi:

  • Input: satu baris dari file CSV input.
  • Output: dokumen JSON yang diubah menjadi string untuk disisipkan ke dalam Elasticsearch.

Fungsi indeks

Menampilkan indeks tempat dokumen berada.

Parameter template:

  • javaScriptIndexFnGcsPath: Cloud Storage URI file JavaScript.
  • javaScriptIndexFnName: nama fungsi JavaScript.

Spesifikasi fungsi:

  • Input: dokumen Elasticsearch, diserialisasi sebagai string JSON.
  • Output: nilai kolom metadata _index dokumen.

Fungsi ID dokumen

Menampilkan ID dokumen.

Parameter template:

  • javaScriptIdFnGcsPath: Cloud Storage URI file JavaScript.
  • javaScriptIdFnName: nama fungsi JavaScript.

Spesifikasi fungsi:

  • Input: dokumen Elasticsearch, diserialisasi sebagai string JSON.
  • Output: nilai kolom metadata _id dokumen.

Fungsi penghapusan dokumen

Menentukan apakah akan menghapus dokumen. Untuk menggunakan fungsi ini, tetapkan mode penyisipan massal ke INDEX dan berikan fungsi ID dokumen.

Parameter template:

  • javaScriptIsDeleteFnGcsPath: Cloud Storage URI file JavaScript.
  • javaScriptIsDeleteFnName: nama fungsi JavaScript.

Spesifikasi fungsi:

  • Input: dokumen Elasticsearch, diserialisasi sebagai string JSON.
  • Output: menampilkan string "true" untuk menghapus dokumen, atau "false" untuk meng-upsert dokumen.

Fungsi jenis pemetaan

Menampilkan jenis pemetaan dokumen.

Parameter template:

  • javaScriptTypeFnGcsPath: Cloud Storage URI file JavaScript.
  • javaScriptTypeFnName: nama fungsi JavaScript.

Spesifikasi fungsi:

  • Input: dokumen Elasticsearch, diserialisasi sebagai string JSON.
  • Output: nilai kolom metadata _type dokumen.

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 Cloud Storage to Elasticsearch 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 flex-template run JOB_NAME \
    --project=PROJECT_ID\
    --region=REGION_NAME \
    --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/GCS_to_Elasticsearch \
    --parameters \
inputFileSpec=INPUT_FILE_SPEC,\
connectionUrl=CONNECTION_URL,\
apiKey=APIKEY,\
index=INDEX,\
deadletterTable=DEADLETTER_TABLE,\

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:

  • REGION_NAME: region tempat Anda ingin men-deploy tugas Dataflow—misalnya, us-central1
  • INPUT_FILE_SPEC: pola file Cloud Storage Anda.
  • CONNECTION_URL: URL Elasticsearch Anda.
  • APIKEY: kunci API berenkode base64 Anda untuk autentikasi.
  • INDEX: indeks Elasticsearch Anda.
  • DEADLETTER_TABLE: tabel BigQuery Anda.

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/flexTemplates:launch
{
   "launch_parameter": {
      "jobName": "JOB_NAME",
      "parameters": {
          "inputFileSpec": "INPUT_FILE_SPEC",
          "connectionUrl": "CONNECTION_URL",
          "apiKey": "APIKEY",
          "index": "INDEX",
          "deadletterTable": "DEADLETTER_TABLE"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/GCS_to_Elasticsearch",
   }
}

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
  • INPUT_FILE_SPEC: pola file Cloud Storage Anda.
  • CONNECTION_URL: URL Elasticsearch Anda.
  • APIKEY: kunci API berenkode base64 Anda untuk autentikasi.
  • INDEX: indeks Elasticsearch Anda.
  • DEADLETTER_TABLE: tabel BigQuery Anda.

Langkah berikutnya