Modello MongoDB a BigQuery (flusso)

Questo modello crea una pipeline di streaming che funziona con MongoDB flussi di modifiche. Per utilizzare questo modello, pubblica i dati dello stream di modifiche in Pub/Sub. La pipeline legge i record JSON da Pub/Sub e li scrive in BigQuery. I record scritti in BigQuery hanno lo stesso formato del modello batch da MongoDB a BigQuery.

Requisiti della pipeline

  • Deve esistere il set di dati BigQuery di destinazione.
  • L'istanza MongoDB di origine deve essere accessibile dalle macchine worker di Dataflow.
  • Devi creare un argomento Pub/Sub per leggere lo stream delle modifiche. Durante l'esecuzione della pipeline, ascolta gli eventi Change Data Capture (CDC) nel flusso di modifiche MongoDB e pubblicali in Pub/Sub come record JSON. Per ulteriori informazioni sulla pubblicazione di messaggi in Pub/Sub, consulta Pubblicare messaggi negli argomenti.
  • Questo modello utilizza i flussi di modifiche di MongoDB . Non supporta Change Data Capture di BigQuery.

Parametri del modello

Parametri obbligatori

  • mongoDbUri: l'URI di connessione MongoDB nel formato mongodb+srv://:@..
  • database: il database in MongoDB da cui leggere la raccolta. Ad esempio, my-db.
  • collection: nome della raccolta all'interno del database MongoDB. Ad esempio, my-collection.
  • userOption: FLATTEN, JSON o NONE. FLATTEN comprime i documenti in un unico livello. JSON memorizza il documento in formato JSON BigQuery. NONE memorizza l'intero documento come STRINGA in formato JSON. Il valore predefinito è NONE.
  • inputTopic: l'argomento di input Pub/Sub da cui leggere, nel formato projects/<PROJECT_ID>/topics/<TOPIC_NAME>.
  • outputTableSpec: la tabella BigQuery in cui scrivere. Ad esempio, bigquery-project:dataset.output_table.

Parametri facoltativi

  • useStorageWriteApiAtLeastOnce: quando utilizzi l'API Storage Write, specifica la semantica di scrittura. Per utilizzare la semantica almeno una volta (https://beam.apache.org/documentation/io/built-in/google-bigquery/#at-least-once-semantics), imposta questo parametro su true. Per utilizzare la semantica exactly-once, imposta il parametro su false. Questo parametro si applica solo quando useStorageWriteApi è true. Il valore predefinito è false.
  • KMSEncryptionKey: chiave di crittografia Cloud KMS per decriptare la stringa di connessione URI MongoDB. Se viene passata la chiave Cloud KMS, l'intera stringa di connessione URI di MongoDB deve essere passata in forma criptata. Ad esempio, projects/your-project/locations/global/keyRings/your-keyring/cryptoKeys/your-key.
  • filter: filtro Bson in formato JSON. Ad esempio, { "val": { $gt: 0, $lt: 9 }}.
  • useStorageWriteApi: se è true, la pipeline utilizza l'API BigQuery Storage Write (https://cloud.google.com/bigquery/docs/write-api). Il valore predefinito è false. Per ulteriori informazioni, consulta Utilizzo dell'API Storage Write (https://beam.apache.org/documentation/io/built-in/google-bigquery/#storage-write-api).
  • numStorageWriteApiStreams: quando utilizzi l'API Storage Write, specifica il numero di flussi di scrittura. Se useStorageWriteApi è true e useStorageWriteApiAtLeastOnce è false, devi impostare questo parametro. Il valore predefinito è 0.
  • storageWriteApiTriggeringFrequencySec: quando si utilizza l'API Storage Write, specifica la frequenza di attivazione, in secondi. Se useStorageWriteApi è true e useStorageWriteApiAtLeastOnce è false, devi impostare questo parametro.
  • bigQuerySchemaPath: il percorso Cloud Storage dello schema JSON BigQuery. Ad esempio, gs://your-bucket/your-schema.json.
  • javascriptDocumentTransformGcsPath: l'URI Cloud Storage del file .js che definisce la funzione definita dall'utente (UDF) JavaScript da utilizzare. Ad esempio: gs://your-bucket/your-transforms/*.js.
  • javascriptDocumentTransformFunctionName: il nome della funzione definita dall'utente (UDF) JavaScript da utilizzare. Ad esempio, se il codice della funzione JavaScript è myTransform(inJson) { /*...do stuff...*/ }, il nome della funzione è myTransform. Per esempi di funzioni JavaScript definite dall'utente, vedi Esempi di UDF (https://github.com/GoogleCloudPlatform/DataflowTemplates#udf-examples). Ad esempio: transform.

Funzione definita dall'utente

Se vuoi, puoi estendere questo modello scrivendo una funzione definita dall'utente (UDF) in JavaScript. Il modello chiama la UDF per ogni elemento di input. I payload degli elementi vengono serializzati come stringhe JSON.

Per utilizzare una funzione definita dall'utente, carica il file JavaScript in Cloud Storage e imposta i seguenti parametri del modello:

ParametroDescrizione
javascriptDocumentTransformGcsPath La posizione Cloud Storage del file JavaScript.
javascriptDocumentTransformFunctionName Il nome della funzione JavaScript.

Per ulteriori informazioni, consulta Creare funzioni definite dall'utente per i modelli Dataflow.

Specifiche della funzione

La funzione definita dall'utente ha le seguenti specifiche:

  • Input: un documento MongoDB.
  • Output: un oggetto serializzato come stringa JSON.
  • Esegui il modello

    Console

    1. Vai alla pagina Crea job da modello di Dataflow.
    2. Vai a Crea job da modello
    3. Nel campo Nome job, inserisci un nome univoco per il job.
    4. (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.

    5. Dal menu a discesa Modello di dataflow, seleziona the MongoDB (CDC) to BigQuery template.
    6. Nei campi dei parametri forniti, inserisci i valori dei parametri.
    7. Fai clic su Esegui job.

    gcloud

    Nella shell o nel terminale, esegui il modello:

    gcloud dataflow flex-template run JOB_NAME \
        --project=PROJECT_ID \
        --region=REGION_NAME \
        --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/MongoDB_to_BigQuery_CDC \
        --parameters \
    outputTableSpec=OUTPUT_TABLE_SPEC,\
    mongoDbUri=MONGO_DB_URI,\
    database=DATABASE,\
    collection=COLLECTION,\
    userOption=USER_OPTION,\
    inputTopic=INPUT_TOPIC

    Sostituisci quanto segue:

    • PROJECT_ID: l'ID progetto Google Cloud in cui vuoi eseguire il job Dataflow
    • JOB_NAME: un nome univoco del job a tua scelta
    • REGION_NAME: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
    • VERSION: la versione del modello che vuoi utilizzare

      Puoi utilizzare i seguenti valori:

    • OUTPUT_TABLE_SPEC: il nome della tabella BigQuery di destinazione.
    • MONGO_DB_URI: il tuo URI MongoDB.
    • DATABASE: il tuo database MongoDB.
    • COLLECTION: la tua raccolta MongoDB.
    • USER_OPTION: FLATTEN, JSON o NONE.
    • INPUT_TOPIC: l'argomento di input Pub/Sub.

    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": {
              "inputTableSpec": "INPUT_TABLE_SPEC",
              "mongoDbUri": "MONGO_DB_URI",
              "database": "DATABASE",
              "collection": "COLLECTION",
              "userOption": "USER_OPTION",
              "inputTopic": "INPUT_TOPIC"
          },
          "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/MongoDB_to_BigQuery_CDC",
       }
    }

    Sostituisci quanto segue:

    • PROJECT_ID: l'ID progetto Google Cloud in cui vuoi eseguire il job Dataflow
    • JOB_NAME: un nome univoco del job a tua scelta
    • LOCATION: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
    • VERSION: la versione del modello che vuoi utilizzare

      Puoi utilizzare i seguenti valori:

    • OUTPUT_TABLE_SPEC: il nome della tabella BigQuery di destinazione.
    • MONGO_DB_URI: il tuo URI MongoDB.
    • DATABASE: il tuo database MongoDB.
    • COLLECTION: la tua raccolta MongoDB.
    • USER_OPTION: FLATTEN, JSON o NONE.
    • INPUT_TOPIC: l'argomento di input Pub/Sub.

    Passaggi successivi