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
, danUTF-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 adalahnone
. - javaScriptIndexFnGcsPath: Jalur Cloud Storage ke sumber UDF JavaScript untuk fungsi yang menentukan metadata
_index
yang akan disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalahnone
. - javaScriptIndexFnName: Nama fungsi JavaScript UDF yang menentukan metadata
_index
untuk disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalahnone
. - 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 adalahnone
. - javaScriptIdFnGcsPath: Jalur Cloud Storage ke sumber UDF JavaScript untuk fungsi yang menentukan metadata
_id
yang akan disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalahnone
. - javaScriptIdFnName: Nama fungsi JavaScript UDF yang menentukan metadata
_id
yang akan disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalahnone
. - javaScriptTypeFnGcsPath: Jalur Cloud Storage ke sumber UDF JavaScript untuk fungsi yang menentukan metadata
_type
yang akan disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalahnone
. - javaScriptTypeFnName: Nama fungsi JavaScript UDF yang menentukan metadata
_type
untuk disertakan dengan dokumen dalam permintaan massal. Setelan defaultnya adalahnone
. - 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
ataufalse
. Setelan defaultnya adalahnone
. - javaScriptIsDeleteFnName: Nama fungsi JavaScript UDF yang menentukan apakah dokumen akan dihapus, bukan disisipkan atau diperbarui. Fungsi ini menampilkan nilai string
true
ataufalse
. Setelan defaultnya adalahnone
. - 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) atauCREATE
(membuat, error pada _id duplikat) dengan permintaan massal Elasticsearch. Setelan defaultnya adalahCREATE
. - 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 ketrue
. Setelan defaultnya adalahfalse
. - apiKeyKMSEncryptionKey: Kunci Cloud KMS untuk mendekripsi kunci API. Parameter ini wajib diisi jika
apiKeySource
ditetapkan keKMS
. Jika parameter ini diberikan, teruskan stringapiKey
terenkripsi. Enkripsi parameter menggunakan endpoint enkripsi KMS API. Untuk kunci, gunakan formatprojects/<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 keSECRET_MANAGER
, berikan parameter ini. Gunakan formatprojects/<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
, atauSECRET_MANAGER
. Parameter ini diperlukan saat Anda menggunakan Secret Manager atau KMS. JikaapiKeySource
ditetapkan keKMS
,apiKeyKMSEncryptionKey
dan apiKey terenkripsi harus diberikan. JikaapiKeySource
ditetapkan keSECRET_MANAGER
,apiKeySecretId
harus diberikan. JikaapiKeySource
ditetapkan kePLAINTEXT
,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 adalahmyTransform
. 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
- 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 Cloud Storage to Elasticsearch template.
- Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
- 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 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/
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 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
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
- Pelajari template Dataflow.
- Lihat daftar template yang disediakan Google.