Modello Compressione in blocco dei file di Cloud Storage

Il template Compressione in blocco dei file Cloud Storage è una pipeline batch che comprime i file su Cloud Storage in una posizione specificata. Questo template può essere utile quando devi comprimere grandi batch di file nell'ambito di un processo di archiviazione periodico. Le modalità di compressione supportate sono: BZIP2, DEFLATE, GZIP. I file di output nella posizione di destinazione seguiranno uno schema di denominazione del nome file originale aggiunto con l'estensione della modalità di compressione. Le estensioni aggiunte saranno una delle seguenti: .bzip2, .deflate, .gz.

Eventuali errori che si verificano durante il processo di compressione verranno visualizzati nel file degli errori in formato CSV con nome file e messaggio di errore. Se non si verificano errori durante l'esecuzione della pipeline, il file degli errori verrà comunque creato, ma non conterrà record di errori.

Requisiti della pipeline

  • La compressione deve essere in uno dei seguenti formati: BZIP2, DEFLATE, GZIP.
  • La directory di output deve esistere prima dell'esecuzione della pipeline.

Parametri del modello

Parametri obbligatori

  • inputFilePattern: la posizione in Cloud Storage dei file che vuoi elaborare. Ad esempio, gs://your-bucket/your-files/*.txt.
  • outputDirectory: il percorso e il prefisso del nome file per la scrittura dei file di output. Deve terminare con una barra. La formattazione DateTime viene utilizzata per analizzare il percorso della directory per i formattatori di data e ora. Ad esempio, gs://your-bucket/your-path/.
  • outputFailureFile: il file di output del log degli errori da utilizzare per gli errori di scrittura che si verificano durante la compressione. I contenuti saranno costituiti da una riga per ogni file per cui la compressione non è riuscita. Tieni presente che questo parametro consentirà alla pipeline di continuare l'elaborazione in caso di errore. Ad esempio, gs://your-bucket/compressed/failed.csv.
  • compression: l'algoritmo di compressione utilizzato per comprimere i file corrispondenti. Algoritmi validi: BZIP2, DEFLATE, GZIP.

Parametri facoltativi

  • outputFilenameSuffix: suffisso del nome file di output dei file da scrivere. Il valore predefinito è .bzip2, .deflate o .gz a seconda dell'algoritmo di compressione.

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 job univoco.
  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 Dataflow, seleziona il modello Comprimi file in blocco su Cloud Storage.
  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 template:

gcloud dataflow jobs run JOB_NAME \
    --gcs-location gs://dataflow-templates/VERSION/Bulk_Compress_GCS_Files \
    --region REGION_NAME \
    --parameters \
inputFilePattern=gs://BUCKET_NAME/uncompressed/*.txt,\
outputDirectory=gs://BUCKET_NAME/compressed,\
outputFailureFile=gs://BUCKET_NAME/failed/failure.csv,\
compression=COMPRESSION

Sostituisci quanto segue:

  • JOB_NAME: un nome job univoco di tua scelta
  • REGION_NAME: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • VERSION: la versione del template che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

    • latest per utilizzare l'ultima versione del template, disponibile nella cartella padre senza data nel bucket: gs://dataflow-templates/latest/
    • il nome della versione, ad esempio 2023-09-12-00_RC00, per utilizzare una versione specifica del template, che si trova nidificata nella rispettiva cartella padre con data nel bucket: gs://dataflow-templates/
  • BUCKET_NAME: il nome del tuo bucket Cloud Storage
  • COMPRESSION: l'algoritmo di compressione che hai scelto

API

Per eseguire il template utilizzando l'API REST, invia una richiesta POST HTTP. Per saperne di più sull'API e sui relativi ambiti di autorizzazione, consulta projects.templates.launch.

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/templates:launch?gcsPath=gs://dataflow-templates/VERSION/Bulk_Compress_GCS_Files
{
   "jobName": "JOB_NAME",
   "parameters": {
       "inputFilePattern": "gs://BUCKET_NAME/uncompressed/*.txt",
       "outputDirectory": "gs://BUCKET_NAME/compressed",
       "outputFailureFile": "gs://BUCKET_NAME/failed/failure.csv",
       "compression": "COMPRESSION"
   },
   "environment": { "zone": "us-central1-f" }
}

Sostituisci quanto segue:

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

    Puoi utilizzare i seguenti valori:

    • latest per utilizzare l'ultima versione del template, disponibile nella cartella padre senza data nel bucket: gs://dataflow-templates/latest/
    • il nome della versione, ad esempio 2023-09-12-00_RC00, per utilizzare una versione specifica del template, che si trova nidificata nella rispettiva cartella padre con data nel bucket: gs://dataflow-templates/
  • BUCKET_NAME: il nome del tuo bucket Cloud Storage
  • COMPRESSION: l'algoritmo di compressione che hai scelto

Passaggi successivi