Template Java Database Connectivity (JDBC) ke BigQuery

Template JDBC ke BigQuery adalah pipeline batch yang menyalin data dari tabel database relasional ke dalam tabel BigQuery yang sudah ada. Pipeline ini menggunakan JDBC untuk terhubung ke database relasional. Gunakan template ini untuk menyalin data dari database relasional apa pun dengan driver JDBC yang tersedia ke BigQuery.

Untuk lapisan perlindungan tambahan, Anda dapat meneruskan kunci Cloud KMS, bersama dengan nama pengguna, sandi, dan parameter string koneksi berenkode Base64 yang dienkripsi dengan kunci Cloud KMS. Untuk mengetahui detail tambahan tentang mengenkripsi nama pengguna, sandi, dan parameter string koneksi, lihat endpoint enkripsi Cloud KMS API.

Persyaratan pipeline

  • Driver JDBC untuk database relasional harus tersedia.
  • Tabel BigQuery harus sudah ada sebelum eksekusi pipeline.
  • Tabel BigQuery harus memiliki skema yang kompatibel.
  • Database relasional harus dapat diakses dari subnet tempat Dataflow berjalan.

Parameter template

Parameter yang diperlukan

  • driverJars: Daftar file JAR driver yang dipisahkan koma. Contoh, gs://your-bucket/driver_jar1.jar,gs://your-bucket/driver_jar2.jar.
  • driverClassName: Nama class driver JDBC. Contoh, com.mysql.jdbc.Driver.
  • connectionURL: String URL koneksi JDBC. Contoh, jdbc:mysql://some-host:3306/sampledb. Anda dapat meneruskan nilai ini sebagai string yang dienkripsi dengan kunci Cloud KMS, lalu berenkode Base64. Menghapus karakter spasi kosong dari string berenkode Base64. Perhatikan perbedaan antara string koneksi database non-RAC Oracle (jdbc:oracle:thin:@some-host:<port>:<sid>) dan string koneksi database RAC Oracle (jdbc:oracle:thin:@//some-host[:<port>]/<service_name>). Misalnya, jdbc:mysql://some-host:3306/sampledb.
  • outputTable: Lokasi tabel output BigQuery. Contoh, <PROJECT_ID>:<DATASET_NAME>.<TABLE_NAME>.
  • bigQueryLoadingSementaraDirectory: Direktori sementara untuk proses pemuatan BigQuery. Contoh, gs://your-bucket/your-files/temp_dir.

Parameter opsional

  • connectionProperties: String properti yang akan digunakan untuk koneksi JDBC. Format string harus [propertyName=property;]*.Untuk mengetahui informasi selengkapnya, lihat Properti Konfigurasi (https://dev.mysql.com/doc/connector-j/en/connector-j-reference-configuration-properties.html) di dokumentasi MySQL. Contohnya, unicode=true;characterEncoding=UTF-8
  • nama pengguna: Nama pengguna yang akan digunakan untuk koneksi JDBC. Dapat diteruskan sebagai string yang dienkripsi dengan kunci Cloud KMS, atau dapat berupa rahasia Secret Manager dalam bentuk projects/{project}/secrets/{secret}/version/{secret_version}.
  • password: Sandi yang akan digunakan untuk koneksi JDBC. Dapat diteruskan sebagai string yang dienkripsi dengan kunci Cloud KMS, atau dapat berupa rahasia Secret Manager dalam bentuk projects/{project}/secrets/{secret}/version/{secret_version}.
  • query: Kueri yang akan dijalankan di sumber untuk mengekstrak data. Perhatikan bahwa beberapa jenis JDBC SQL dan BigQuery, meskipun memiliki nama yang sama, memiliki beberapa perbedaan. Beberapa pemetaan jenis SQL -> BigQuery penting yang perlu diingat adalah DATETIME --> TIMESTAMP. Transmisi jenis mungkin diperlukan jika skema Anda tidak cocok. Misalnya, select * from sampledb.sample_table.
  • KMSEncryptionKey: Kunci enkripsi Cloud KMS yang akan digunakan untuk mendekripsi nama pengguna, sandi, dan string koneksi. Jika meneruskan kunci Cloud KMS, Anda juga harus mengenkripsi nama pengguna, sandi, dan string koneksi. Contoh, projects/your-project/locations/global/keyRings/your-keyring/cryptoKeys/your-key.
  • useColumnAlias: Jika ditetapkan ke true, pipeline akan menggunakan alias kolom (AS), bukan nama kolom, untuk memetakan baris ke BigQuery. Setelan defaultnya adalah false.
  • isTruncate: Jika ditetapkan ke true, pipeline akan dipotong sebelum memuat data ke BigQuery. Defaultnya adalah false, yang menyebabkan pipeline menambahkan data.
  • partitionColumn: Jika partitionColumn ditentukan bersama dengan table, JdbcIO akan membaca tabel secara paralel dengan menjalankan beberapa instance kueri di tabel (subkueri) yang sama menggunakan rentang. Saat ini, mendukung kolom partisi Long dan DateTime. Teruskan jenis kolom melalui partitionColumnType.
  • partitionColumnType: Jenis partitionColumn, menerima long atau datetime. Default-nya adalah: long.
  • table: Tabel yang akan dibaca saat menggunakan partisi. Parameter ini juga menerima sub kueri di dalam tanda kurung. Contoh, (select id, name from Person) as subq.
  • numPartitions: Jumlah partisi. Dengan batas bawah dan atas, nilai ini membentuk langkah partisi untuk ekspresi klausa WHERE yang dihasilkan yang digunakan untuk membagi kolom partisi secara merata. Jika input kurang dari 1, angka akan ditetapkan ke 1.
  • lowerBound: Batas bawah yang digunakan dalam skema partisi. Jika tidak diberikan, nilai ini akan otomatis disimpulkan oleh Apache Beam untuk jenis yang didukung. datetimepartColumnType menerima batas bawah dalam format yyyy-MM-dd HH:mm:ss.SSSZ. Contohnya, 2024-02-20 07:55:45.000+03:30
  • upperBound: Batas atas yang digunakan dalam skema partisi. Jika tidak diberikan, nilai ini akan otomatis disimpulkan oleh Apache Beam untuk jenis yang didukung. datetimepartColumnType menerima batas atas dalam format yyyy-MM-dd HH:mm:ss.SSSZ. Contohnya, 2024-02-20 07:55:45.000+03:30
  • fetchSize: Jumlah baris yang akan diambil dari database pada satu waktu. Tidak digunakan untuk operasi baca yang dipartisi. Default-nya adalah: 50000.
  • createDisposition: BigQuery CreateDisposition yang akan digunakan. Misalnya CREATE_IF_NEEDED atau CREATE_NEVER. Default-nya adalah: CREATE_NEVER.
  • bigQuerySchemaPath: Jalur Cloud Storage untuk skema JSON BigQuery. Jika createDisposition disetel ke CREATE_IF_NEEDED, parameter ini harus ditentukan. Contohnya, gs://your-bucket/your-schema.json
  • outputDeadletterTable: Tabel BigQuery yang akan digunakan untuk pesan yang gagal mencapai tabel output, diformat sebagai "PROJECT_ID:DATASET_NAME.TABLE_NAME". Jika tidak ada, tabel akan dibuat saat pipeline berjalan. Jika parameter ini tidak ditentukan, pipeline akan gagal saat terjadi error penulisan.Parameter ini hanya dapat ditentukan jika useStorageWriteApi atau useStorageWriteApiAtLeastOnce disetel ke benar (true).
  • disabledAlgorithms: Algoritma yang dipisahkan koma untuk dinonaktifkan. Jika nilai ini disetel ke none, tidak ada algoritma yang dinonaktifkan. Gunakan parameter ini dengan hati-hati, karena algoritma yang dinonaktifkan secara default mungkin memiliki kerentanan atau masalah performa. Misalnya, SSLv3, RC4.
  • extraFilesToStage: Jalur Cloud Storage yang dipisahkan koma atau secret Secret Manager untuk file yang akan di-stage di pekerja. File ini disimpan di direktori /extra_files di setiap pekerja. Contoh, gs://<BUCKET_NAME>/file.txt,projects/<PROJECT_ID>/secrets/<SECRET_ID>/versions/<VERSION_ID>.
  • useStorageWriteApi: Jika true, pipeline akan menggunakan BigQuery Storage Write API (https://cloud.google.com/bigquery/docs/write-api). Nilai defaultnya adalah false. Untuk informasi selengkapnya, lihat Menggunakan Storage Write API (https://beam.apache.org/documentation/io/built-in/google-bigquery/#storage-write-api).
  • useStorageWriteApiAtLeastOnce: Saat menggunakan Storage Write API, menentukan semantik tulis. Untuk menggunakan semantik minimal satu kali (https://beam.apache.org/documentation/io/built-in/google-bigquery/#at-least-once-semantics), tetapkan parameter ini ke true. Untuk menggunakan semantik tepat satu kali, tetapkan parameter ke false. Parameter ini hanya berlaku jika useStorageWriteApi adalah true. Nilai defaultnya adalah false.

Menjalankan template

Konsol

  1. Buka halaman Create job from template Dataflow.
  2. Buka Buat 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 defaultnya adalah us-central1.

    Untuk mengetahui daftar region tempat Anda dapat menjalankan tugas Dataflow, lihat Lokasi Dataflow.

  5. Dari menu drop-down Dataflow template, pilih the JDBC to BigQuery with BigQuery Storage API support template.
  6. Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
  7. Klik Run job.

gcloud

Di shell atau terminal, jalankan template:

gcloud dataflow flex-template run JOB_NAME \
    --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/Jdbc_to_BigQuery_Flex \
    --project=PROJECT_ID \
    --region=REGION_NAME \
    --parameters \
       driverJars=DRIVER_JARS,\
       driverClassName=DRIVER_CLASS_NAME,\
       connectionURL=CONNECTION_URL,\
       outputTable=OUTPUT_TABLE,\
       bigQueryLoadingTemporaryDirectory=BIG_QUERY_LOADING_TEMPORARY_DIRECTORY,\

Ganti kode berikut:

  • 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
  • DRIVER_JARS: jalur Cloud Storage yang dipisahkan koma dari driver JDBC
  • DRIVER_CLASS_NAME: nama class driver JDBC
  • CONNECTION_URL: string URL koneksi JDBC.
  • OUTPUT_TABLE: tabel output BigQuery
  • BIG_QUERY_LOADING_TEMPORARY_DIRECTORY: Direktori sementara untuk proses pemuatan BigQuery

API

Untuk menjalankan template menggunakan REST API, kirim permintaan POST HTTP. 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
{
   "launchParameter": {
     "jobName": "JOB_NAME",
     "parameters": {
       "driverJars": "DRIVER_JARS",
       "driverClassName": "DRIVER_CLASS_NAME",
       "connectionURL": "CONNECTION_URL",
       "outputTable": "OUTPUT_TABLE",
       "bigQueryLoadingTemporaryDirectory": "BIG_QUERY_LOADING_TEMPORARY_DIRECTORY",
     },
     "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/Jdbc_to_BigQuery_Flex",
     "environment": { "maxWorkers": "10" }
  }
}

Ganti kode berikut:

  • PROJECT_ID: ID project Google Cloud 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
  • DRIVER_JARS: jalur Cloud Storage yang dipisahkan koma dari driver JDBC
  • DRIVER_CLASS_NAME: nama class driver JDBC
  • CONNECTION_URL: string URL koneksi JDBC.
  • OUTPUT_TABLE: tabel output BigQuery
  • BIG_QUERY_LOADING_TEMPORARY_DIRECTORY: Direktori sementara untuk proses pemuatan BigQuery

Langkah berikutnya