Pub/Sub to Avro files on Cloud Storage 模板是一个流处理流水线,可从 Pub/Sub 主题中读取数据,并将 Avro 文件写入指定的 Cloud Storage 存储桶。
流水线要求
- Pub/Sub 输入主题必须已存在才能执行此流水线。
模板参数
必需参数
- inputTopic:要订阅用来处理消息的 Pub/Sub 主题。主题名称必须采用
projects/<PROJECT_ID>/topics/<TOPIC_NAME>
格式。 - outputDirectory:要用于归档输出 Avro 文件的输出目录。末尾必须包含
/
。例如:gs://example-bucket/example-directory/
。 - avroTempDirectory:临时 Avro 文件的目录。末尾必须包含
/
。例如:gs://example-bucket/example-directory/
。
可选参数
- outputFilenamePrefix:Avro 文件的输出文件名前缀。默认值:output。
- outputFilenameSuffix:Avro 文件的输出文件名后缀。默认值为空。
- outputShardTemplate:分片模板定义每个窗口文件的动态部分。默认情况下,该流水线使用单一分片输出到各窗口内的文件系统。因此,每个窗口的所有数据都会输出到单个文件中。
outputShardTemplate
默认为to W-P-SS-of-NN
,其中W
是窗口日期范围,P
是窗格信息,S
是分片编号,而N
是分片数。对于单个文件,outputShardTemplate
的SS-of-NN
部分为00-of-01
。 - yearPattern:用于设置年份格式的模式。必须是
y
或Y
中的一个或多个。大小写在年份中没有区别。您可以选择用非字母数字字符或目录字符 (/
) 将格式括起来。默认值为YYYY
。 - monthPattern:用于设置月份格式的模式。必须是一个或多个
M
字符。您可以选择用非字母数字字符或目录字符 (/
) 将格式括起来。默认值为MM
。 - dayPattern:用于设置某天的模式。必须是一个或多个
d
(表示月份中的某一天)或D
(表示年中的某一天)。您可以选择用非字母数字字符或目录字符 (/
) 将格式括起来。默认值为dd
。 - hourPattern:用于设置小时格式的模式。必须是一个或多个
H
字符。您可以选择用非字母数字字符或目录字符 (/
) 将格式括起来。默认值为HH
。 - minutePattern:用于设置分钟格式的模式。必须是一个或多个
m
字符。您可以选择用非字母数字字符或目录字符 (/
) 将格式括起来。默认值为mm
。
运行模板
控制台
- 转到 Dataflow 基于模板创建作业页面。 转到“基于模板创建作业”
- 在作业名称字段中,输入唯一的作业名称。
- 可选:对于区域性端点,从下拉菜单中选择一个值。默认区域为
us-central1
。如需查看可以在其中运行 Dataflow 作业的区域列表,请参阅 Dataflow 位置。
- 从 Dataflow 模板下拉菜单中,选择 the Pub/Sub to Avro Files on Cloud Storage template。
- 在提供的参数字段中,输入您的参数值。
- 点击运行作业。
gcloud
在 shell 或终端中,运行模板:
gcloud dataflow jobs run JOB_NAME \ --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/Cloud_PubSub_to_Avro \ --region REGION_NAME \ --staging-location STAGING_LOCATION \ --parameters \ inputTopic=projects/PROJECT_ID/topics/TOPIC_NAME,\ outputDirectory=gs://BUCKET_NAME/output/,\ outputFilenamePrefix=FILENAME_PREFIX,\ outputFilenameSuffix=FILENAME_SUFFIX,\ outputShardTemplate=SHARD_TEMPLATE,\ avroTempDirectory=gs://BUCKET_NAME/temp/
替换以下内容:
JOB_NAME
:您选择的唯一性作业名称REGION_NAME
:要在其中部署 Dataflow 作业的区域,例如us-central1
VERSION
:您要使用的模板的版本您可使用以下值:
latest
,以使用模板的最新版本,该模板在存储桶的未标示日期的父文件夹 (gs://dataflow-templates-REGION_NAME/latest/) 中可用- 版本名称(如
2023-09-12-00_RC00
),以使用模板的特定版本,该版本嵌套在存储桶的相应日期父文件夹 (gs://dataflow-templates-REGION_NAME/) 中
STAGING_LOCATION
:暂存本地文件的位置(例如gs://your-bucket/staging
)TOPIC_NAME
:Pub/Sub 主题名称BUCKET_NAME
- Cloud Storage 存储桶的名称。FILENAME_PREFIX
:首选输出文件名前缀FILENAME_SUFFIX
:首选输出文件名后缀SHARD_TEMPLATE
:首选输出分片模板
API
如需使用 REST API 来运行模板,请发送 HTTP POST 请求。如需详细了解 API 及其授权范围,请参阅 projects.templates.launch
。
POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/Cloud_PubSub_to_Avro { "jobName": "JOB_NAME", "environment": { "ipConfiguration": "WORKER_IP_UNSPECIFIED", "additionalExperiments": [] }, "parameters": { "inputTopic": "projects/PROJECT_ID/topics/TOPIC_NAME", "outputDirectory": "gs://BUCKET_NAME/output/", "avroTempDirectory": "gs://BUCKET_NAME/temp/", "outputFilenamePrefix": "FILENAME_PREFIX", "outputFilenameSuffix": "FILENAME_SUFFIX", "outputShardTemplate": "SHARD_TEMPLATE" } }
替换以下内容:
PROJECT_ID
:您要在其中运行 Dataflow 作业的 Google Cloud 项目的 IDJOB_NAME
:您选择的唯一性作业名称LOCATION
:要在其中部署 Dataflow 作业的区域,例如us-central1
VERSION
:您要使用的模板的版本您可使用以下值:
latest
,以使用模板的最新版本,该模板在存储桶的未标示日期的父文件夹 (gs://dataflow-templates-REGION_NAME/latest/) 中可用- 版本名称(如
2023-09-12-00_RC00
),以使用模板的特定版本,该版本嵌套在存储桶的相应日期父文件夹 (gs://dataflow-templates-REGION_NAME/) 中
STAGING_LOCATION
:暂存本地文件的位置(例如gs://your-bucket/staging
)TOPIC_NAME
:Pub/Sub 主题名称BUCKET_NAME
- Cloud Storage 存储桶的名称。FILENAME_PREFIX
:首选输出文件名前缀FILENAME_SUFFIX
:首选输出文件名后缀SHARD_TEMPLATE
:首选输出分片模板
后续步骤
- 了解 Dataflow 模板。
- 参阅 Google 提供的模板列表。