Componenti Dataflow

I componenti Dataflow consentono di inviare job Apache Beam a Dataflow per l'esecuzione. In Dataflow, una risorsa Job rappresenta un job Dataflow.

L'SDK Google Cloud include i seguenti operatori per creare risorse Job e monitorarne l'esecuzione:

Inoltre, l' Google Cloud SDK include il componente WaitGcpResourcesOp, che puoi utilizzare per ridurre i costi durante l'esecuzione dei job Dataflow.

DataflowFlexTemplateJobOp

L'operatore DataflowFlexTemplateJobOp ti consente di creare un componente di Vertex AI Pipelines per avviare un modello flessibile Dataflow.

In Dataflow, una risorsa LaunchFlexTemplateParameter rappresenta un modello flessibile da avviare. Questo componente crea una risorsa LaunchFlexTemplateParameter e poi richiede a Dataflow di creare un job avviando il modello. Se il modello viene avviato correttamente, Dataflow restituisce una risorsa Job.

Il componente modello flessibile Dataflow termina alla ricezione di una risorsa Job da Dataflow. Il componente restituisce un job_id come proto gcp_resources serializzato. Puoi trasferire questo parametro a un componente WaitGcpResourcesOp per attendere il completamento del job Dataflow.

DataflowPythonJobOp

L'operatore DataflowPythonJobOp ti consente di creare un componente Vertex AI Pipelines che prepara i dati inviando un job Apache Beam basato su Python a Dataflow per l'esecuzione.

Il codice Python del job Apache Beam viene eseguito con Dataflow Runner. Quando esegui la pipeline con il servizio Dataflow, il runner carica il codice eseguibile nella posizione specificata dal parametro python_module_path e le dipendenze in un bucket Cloud Storage (specificato da temp_location), quindi crea un job Dataflow che esegue la pipeline Apache Beam su risorse gestite in Google Cloud.

Per scoprire di più su Dataflow Runner, consulta Utilizzo di Dataflow Runner.

Il componente Dataflow Python accetta un elenco di argomenti che vengono passati utilizzando Beam Runner al codice Apache Beam. Questi argomenti sono specificati da args. Ad esempio, puoi utilizzare questi argomenti per impostare apache_beam.options.pipeline_options per specificare una rete, una subnet, una chiave di crittografia gestita dal cliente (CMEK) e altre opzioni quando esegui job Dataflow.

WaitGcpResourcesOp

Spesso il completamento dei job Dataflow richiede molto tempo. I costi di un container busy-wait (il container che avvia il job Dataflow e attende il risultato) possono diventare elevati.

Dopo aver inviato il job Dataflow utilizzando il runner Beam, il componente DataflowPythonJobOp termina immediatamente e restituisce un parametro di output job_id come proto gcp_resources serializzato. Puoi trasferire questo parametro a un componente WaitGcpResourcesOp per attendere il completamento del job Dataflow.

    dataflow_python_op = DataflowPythonJobOp(
        project=project_id,
        location=location,
        python_module_path=python_file_path,
        temp_location = staging_dir,
        requirements_file_path = requirements_file_path,
        args = ['--output', OUTPUT_FILE],
    )
  
    dataflow_wait_op =  WaitGcpResourcesOp(
        gcp_resources = dataflow_python_op.outputs["gcp_resources"]
    )

Vertex AI Pipelines ottimizza WaitGcpResourcesOp per eseguirlo in modo serverless e non ha costi.

Se DataflowPythonJobOp e DataflowFlexTemplateJobOp non soddisfano i tuoi requisiti, puoi anche creare un componente personalizzato che restituisca il parametro gcp_resources e passarlo al componente WaitGcpResourcesOp.

Per saperne di più su come creare un parametro di output gcp_resources, vedi Scrivere un componente per mostrare un link alla console. Google Cloud

Riferimento API

Tutorial

Cronologia delle versioni e note di rilascio

Per scoprire di più sulla cronologia delle versioni e sulle modifiche all'SDK Google Cloud Pipeline Components, consulta le Google Cloud note di rilascio dell'SDK Pipeline Components.

Contatti dell'assistenza tecnica

In caso di domande, scrivi all'indirizzo kubeflow-pipelines-components@google.com.