La plantilla de Parquet de Cloud Storage a Bigtable es una canalización que lee datos de archivos Parquet en un bucket de Cloud Storage y escribe los datos en una tabla de Bigtable. Puede usar la plantilla para copiar datos de Cloud Storage en Bigtable.
Requisitos del flujo de procesamiento
- La tabla de Bigtable debe existir y tener las mismas familias de columnas que las exportadas en los archivos Parquet.
- Los archivos Parquet de entrada deben estar en un segmento de Cloud Storage antes de ejecutar el flujo de procesamiento.
- Bigtable espera un esquema específico de los archivos Parquet de entrada.
Parámetros de plantilla
Parámetros obligatorios
- bigtableProjectId ID del proyecto de Google Cloud asociado a la instancia de Bigtable.
- bigtableInstanceId el ID de la instancia de Cloud Bigtable que contiene la tabla.
- bigtableTableId el ID de la tabla de Bigtable que se va a importar.
- inputFilePattern ruta de Cloud Storage con los archivos que contienen los datos. Por ejemplo,
gs://your-bucket/your-files/*.parquet
.
Parámetros opcionales
- splitLargeRows marca para habilitar la división de filas grandes en varias solicitudes MutateRows. Ten en cuenta que, cuando una fila grande se divide entre varias llamadas a la API, las actualizaciones de la fila no son atómicas.
Ejecutar la plantilla
Consola
- Ve a la página Crear tarea a partir de plantilla de Dataflow. Ir a Crear tarea a partir de plantilla
- En el campo Nombre de la tarea, introduce un nombre único.
- Opcional: En Endpoint regional, seleccione un valor en el menú desplegable. La región predeterminada es
us-central1
.Para ver una lista de las regiones en las que puedes ejecutar una tarea de Dataflow, consulta Ubicaciones de Dataflow.
- En el menú desplegable Plantilla de flujo de datos, seleccione the Parquet Files on Cloud Storage to Cloud Bigtable template.
- En los campos de parámetros proporcionados, introduzca los valores de los parámetros.
- Haz clic en Ejecutar trabajo.
gcloud
En tu shell o terminal, ejecuta la plantilla:
gcloud dataflow jobs run JOB_NAME \ --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/GCS_Parquet_to_Cloud_Bigtable \ --region REGION_NAME \ --parameters \ bigtableProjectId=BIGTABLE_PROJECT_ID,\ bigtableInstanceId=INSTANCE_ID,\ bigtableTableId=TABLE_ID,\ inputFilePattern=INPUT_FILE_PATTERN
Haz los cambios siguientes:
JOB_NAME
: un nombre de trabajo único que elijasVERSION
: la versión de la plantilla que quieres usarPuedes usar los siguientes valores:
latest
para usar la última versión de la plantilla, que está disponible en la carpeta principal sin fecha del contenedor: gs://dataflow-templates-REGION_NAME/latest/- el nombre de la versión, como
2023-09-12-00_RC00
, para usar una versión específica de la plantilla, que se encuentra anidada en la carpeta principal correspondiente con la fecha en el bucket: gs://dataflow-templates-REGION_NAME/
REGION_NAME
: la región en la que quieras desplegar tu trabajo de Dataflow. Por ejemplo,us-central1
BIGTABLE_PROJECT_ID
: el ID del Google Cloud proyecto de la instancia de Bigtable de la que quieres leer datos.INSTANCE_ID
: el ID de la instancia de Bigtable que contiene la tabla.TABLE_ID
: el ID de la tabla de Bigtable que se va a exportar.INPUT_FILE_PATTERN
: patrón de ruta de Cloud Storage en el que se encuentran los datos. Por ejemplo,gs://mybucket/somefolder/prefix*
.
API
Para ejecutar la plantilla mediante la API REST, envía una solicitud HTTP POST. Para obtener más información sobre la API y sus ámbitos de autorización, consulta projects.templates.launch
.
POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/GCS_Parquet_to_Cloud_Bigtable { "jobName": "JOB_NAME", "parameters": { "bigtableProjectId": "BIGTABLE_PROJECT_ID", "bigtableInstanceId": "INSTANCE_ID", "bigtableTableId": "TABLE_ID", "inputFilePattern": "INPUT_FILE_PATTERN", }, "environment": { "zone": "us-central1-f" } }
Haz los cambios siguientes:
PROJECT_ID
: el ID del proyecto Google Cloud en el que quieres ejecutar la tarea de DataflowJOB_NAME
: un nombre de trabajo único que elijasVERSION
: la versión de la plantilla que quieres usarPuedes usar los siguientes valores:
latest
para usar la última versión de la plantilla, que está disponible en la carpeta principal sin fecha del contenedor: gs://dataflow-templates-REGION_NAME/latest/- el nombre de la versión, como
2023-09-12-00_RC00
, para usar una versión específica de la plantilla, que se encuentra anidada en la carpeta principal correspondiente con la fecha en el bucket: gs://dataflow-templates-REGION_NAME/
LOCATION
: la región en la que quieras desplegar tu trabajo de Dataflow. Por ejemplo,us-central1
BIGTABLE_PROJECT_ID
: el ID del Google Cloud proyecto de la instancia de Bigtable de la que quieres leer datos.INSTANCE_ID
: el ID de la instancia de Bigtable que contiene la tabla.TABLE_ID
: el ID de la tabla de Bigtable que se va a exportar.INPUT_FILE_PATTERN
: patrón de ruta de Cloud Storage en el que se encuentran los datos. Por ejemplo,gs://mybucket/somefolder/prefix*
.
Siguientes pasos
- Consulta información sobre las plantillas de Dataflow.
- Consulta la lista de plantillas proporcionadas por Google.