Configurer une destination BigQuery

Cette page explique comment configurer Datastream pour pouvoir écrire des données dans des ensembles de données BigQuery.

Autorisations requises

Datastream utilise la compatibilité intégrée de BigQuery avec les mises à jour de capture de données modifiées (CDC). Datastream met à jour les tables BigQuery en traitant et en appliquant les modifications en streaming à l'aide de l'API BigQuery Storage Write.

Les autorisations requises pour utiliser l'API et ingérer des données dans BigQuery sont accordées au rôle Agent de service Datastream.

Configurer BigQuery en tant que destination

Pour configurer Datastream pour le streaming vers BigQuery, procédez comme suit :

  1. Assurez-vous que l'API BigQuery est activée dans votre projet Google Cloud.
  2. Si vous souhaitez utiliser l'option Ensemble de données unique pour tous les schémas, créez un ensemble de données dans BigQuery.
  3. Configurez l'ensemble de données de destination pour votre flux.
  4. Configurez le mode écriture.
  5. Spécifiez la limite maximale d'obsolescence des données pour votre flux.

Configurer les ensembles de données de destination

Les ensembles de données sont des conteneurs de niveau supérieur utilisés pour organiser et contrôler l'accès à vos tables BigQuery.

Lorsque vous configurez des ensembles de données pour la destination BigQuery à l'aide de Datastream, vous pouvez sélectionner l'une des options suivantes :

  • Ensemble de données pour chaque schéma : l'ensemble de données est sélectionné ou créé automatiquement par Datastream dans l'emplacement BigQuery spécifié, en fonction du nom du schéma de la source. Par conséquent, chaque schéma de la source possède un ensemble de données correspondant dans BigQuery. Par exemple, si vous disposez d'une source MySQL avec une base de données mydb et une table employees dans cette base de données, Datastream crée l'ensemble de données mydb et la table employees dans BigQuery.

    Si vous sélectionnez cette option, Datastream crée des ensembles de données dans le projet contenant le flux. Bien que vous n'ayez pas besoin de créer les ensembles de données dans la même région que votre flux, nous vous recommandons de conserver toutes les ressources du flux, ainsi que les ensembles de données, dans la même région pour optimiser les coûts et les performances.

  • Ensemble de données unique pour tous les schémas : vous sélectionnez un ensemble de données BigQuery pour le flux. Datastream diffuse toutes les données dans cet ensemble de données. Pour l'ensemble de données que vous sélectionnez, Datastream crée toutes les tables au format <schema>_<table>.

    Par exemple, si vous disposez d'une source MySQL avec une base de données mydb et une table employees dans cette base de données, Datastream crée la table mydb_employees dans l'ensemble de données que vous sélectionnez.

Configurer le mode écriture

Vous pouvez utiliser deux modes pour définir la façon dont vous souhaitez que vos données soient écrites dans BigQuery :

  • Fusionner : il s'agit du mode d'écriture par défaut. Lorsque cette option est sélectionnée, BigQuery reflète la façon dont vos données sont stockées dans la base de données source. Cela signifie que Datastream écrit toutes les modifications apportées à vos données dans BigQuery, qui les consolide ensuite avec les données existantes. Il crée ainsi des tables finales qui sont des répliques des tables sources. En mode de fusion, aucun enregistrement historique des événements de modification n'est conservé. Par exemple, si vous insérez une ligne, puis la mettez à jour, BigQuery ne conserve que les données mises à jour. Si vous supprimez ensuite la ligne de la table source, BigQuery ne conserve plus aucun enregistrement de cette ligne.

  • Ajout uniquement : le mode d'écriture "Ajout uniquement" vous permet d'ajouter des données à BigQuery sous forme de flux de modifications (événements INSERT, UPDATE-INSERT, UPDATE-DELETE et DELETE). Utilisez ce mode lorsque vous devez conserver l'état historique de vos données. Pour mieux comprendre le mode d'écriture "ajout uniquement", examinons les scénarios suivants :

    • Remplissage initial : après le remplissage initial, tous les événements sont écrits dans BigQuery en tant qu'événements de type INSERT, avec le même code temporel, le même identifiant unique universel (UUID) et le même numéro de séquence de modification.
    • Mise à jour de la clé primaire : lorsqu'une clé primaire change, deux lignes sont écrites dans BigQuery :
      • Une ligne UPDATE-DELETE avec la clé primaire d'origine
      • Une ligne UPDATE-INSERT avec la nouvelle clé primaire
    • Mise à jour d'une ligne : lorsqu'une ligne est mise à jour, une seule ligne UPDATE-INSERT est écrite dans BigQuery.
    • Suppression de lignes : lorsqu'une ligne est supprimée, une seule ligne DELETE est écrite dans BigQuery.

Spécifier la limite d'obsolescence des données

BigQuery applique les modifications de la source en arrière-plan de manière continue ou au moment de l'exécution de la requête, en fonction de la limite d'obsolescence des données configurée. Lorsque Datastream crée une table dans BigQuery, l'option max_staleness de la table est définie en fonction de la valeur actuelle de la limite d'obsolescence des données pour le flux.

Pour en savoir plus sur l'utilisation des tables BigQuery avec l'option max_staleness, consultez Latence des tables.