Modello di protocollo Pub/Sub a BigQuery con UDF Python

Il template Pub/Sub Proto to BigQuery è una pipeline di streaming che importa i dati proto da una sottoscrizione Pub/Sub a una tabella BigQuery. Tutti gli errori che si verificano durante la scrittura nella tabella BigQuery vengono trasmessi in un argomento Pub/Sub non elaborato.

È possibile fornire una funzione definita dall'utente'utente (UDF) Python per trasformare i dati. Gli errori durante l'esecuzione della funzione definita dall'utente possono essere inviati a un argomento Pub/Sub separato o allo stesso argomento non elaborato degli errori BigQuery.

Prima di eseguire una pipeline Dataflow per questo scenario, valuta se una sottoscrizione BigQuery Pub/Sub con una UDF soddisfa i tuoi requisiti.

Requisiti della pipeline

  • Deve esistere la sottoscrizione Pub/Sub di input.
  • Il file di schema per i record Proto deve esistere su Cloud Storage.
  • L'argomento Pub/Sub di output deve esistere.
  • Deve esistere il set di dati BigQuery di output.
  • Se la tabella BigQuery esiste, deve avere uno schema corrispondente ai dati proto, indipendentemente dal valore createDisposition.

Parametri del modello

Parametro Descrizione
protoSchemaPath La posizione in Cloud Storage del file di schema proto autonomo. Ad esempio, gs://path/to/my/file.pb. Questo file può essere generato con il flag --descriptor_set_out del comando protoc. Il flag --include_imports garantisce che il file sia autonomo.
fullMessageName Il nome completo del messaggio proto. Ad esempio, package.name.MessageName, dove package.name è il valore fornito per l'istruzione package e non per l'istruzione java_package.
inputSubscription La sottoscrizione Pub/Sub di input da cui leggere. Ad esempio, projects/<project>/subscriptions/<subscription>.
outputTopic L'argomento Pub/Sub da utilizzare per i record non elaborati. Ad esempio, projects/<project-id>/topics/<topic-name>.
outputTableSpec La posizione della tabella di output BigQuery. Ad esempio, my-project:my_dataset.my_table. A seconda del valore createDisposition specificato, la tabella di output potrebbe essere creata automaticamente utilizzando il file dello schema di input.
preserveProtoFieldNames (Facoltativo) true per conservare il nome del campo Proto originale in JSON. false per utilizzare nomi JSON più standard. Ad esempio, false cambierebbe field_name in fieldName. (Valore predefinito: false)
bigQueryTableSchemaPath (Facoltativo) Percorso Cloud Storage del percorso dello schema BigQuery. Ad esempio, gs://path/to/my/schema.json. Se non viene fornito, lo schema viene dedotto dallo schema Proto.
pythonExternalTextTransformGcsPath (Facoltativo) L'URI Cloud Storage del file di codice Python che definisce la funzione definita dall'utente;utente (UDF) che vuoi utilizzare. Ad esempio, gs://my-bucket/my-udfs/my_file.py.
pythonExternalTextTransformFunctionName (Facoltativo) Il nome della funzione definita dall'utente (UDF) Python che vuoi utilizzare.
udfOutputTopic (Facoltativo) L'argomento Pub/Sub che archivia gli errori della funzione definita dall'utente. Ad esempio, projects/<project-id>/topics/<topic-name>. Se non viene fornito, gli errori della funzione definita dall'utente vengono inviati allo stesso argomento di outputTopic.
writeDisposition (Facoltativo) WriteDisposition di BigQuery. Ad esempio, WRITE_APPEND, WRITE_EMPTY o WRITE_TRUNCATE. Valore predefinito: WRITE_APPEND.
createDisposition (Facoltativo) CreateDisposition di BigQuery. Ad esempio, CREATE_IF_NEEDED, CREATE_NEVER. Valore predefinito: CREATE_IF_NEEDED.
useStorageWriteApi (Facoltativo) Se true, la pipeline utilizza l'API BigQuery Storage Write (gRPC). Il valore predefinito è false. Per saperne di più, consulta Utilizzo dell'API Storage Write (gRPC).
useStorageWriteApiAtLeastOnce (Facoltativo) Specifica la semantica di scrittura quando utilizzi l'API Storage Write (gRPC). Per utilizzare la semantica di distribuzione almeno una volta, imposta questo parametro su true. Per utilizzare la semantica exactly-once, imposta il parametro su false. Questo parametro si applica solo quando useStorageWriteApi è true. Il valore predefinito è false.
numStorageWriteApiStreams (Facoltativo) Quando utilizzi l'API Storage Write (gRPC), specifica il numero di stream di scrittura. Se useStorageWriteApi è true e useStorageWriteApiAtLeastOnce è false, devi impostare questo parametro.
storageWriteApiTriggeringFrequencySec (Facoltativo) Quando utilizzi l'API Storage Write (gRPC), specifica la frequenza di attivazione in secondi. Se useStorageWriteApi è true e useStorageWriteApiAtLeastOnce è false, devi impostare questo parametro.

Funzione definita dall'utente

Se vuoi, puoi estendere questo modello scrivendo una funzione definita dall'utente (UDF). Il template chiama la funzione definita dall'utente per ogni elemento di input. I payload degli elementi vengono serializzati come stringhe JSON. Per saperne di più, consulta Crea funzioni definite dall'utente per i template Dataflow.

Specifica della funzione

La funzione definita dall'utente ha la seguente specifica:

  • Input: il campo di dati del messaggio Pub/Sub, serializzato come stringa JSON.
  • Output: una stringa JSON che corrisponde allo schema della tabella di destinazione BigQuery.
  • 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 Pub/Sub Proto to BigQuery with Python UDF.
    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 flex-template run JOB_NAME \
        --region=REGION_NAME \
        --template-file-gcs-location=gs://dataflow-templates/VERSION/flex/PubSub_Proto_to_BigQuery_Xlang \
        --parameters \
    schemaPath=SCHEMA_PATH,\
    fullMessageName=PROTO_MESSAGE_NAME,\
    inputSubscription=SUBSCRIPTION_NAME,\
    outputTableSpec=BIGQUERY_TABLE,\
    outputTopic=UNPROCESSED_TOPIC
      

    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/
    • SCHEMA_PATH: il percorso Cloud Storage del file di schema Proto (ad esempio gs://MyBucket/file.pb)
    • PROTO_MESSAGE_NAME: il nome del messaggio Proto (ad esempio, package.name.MessageName)
    • SUBSCRIPTION_NAME: il nome della sottoscrizione Pub/Sub di input
    • BIGQUERY_TABLE: il nome della tabella di output BigQuery
    • UNPROCESSED_TOPIC: l'argomento Pub/Sub da utilizzare per la coda non elaborata

    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/flexTemplates:launch
    {
       "launch_parameter": {
          "jobName": "JOB_NAME",
          "containerSpecGcsPath": "gs://dataflow-templates/VERSION/flex/PubSub_Proto_to_BigQuery_Xlang",
          "parameters": {
              "schemaPath": "SCHEMA_PATH",
              "fullMessageName": "PROTO_MESSAGE_NAME",
              "inputSubscription": "SUBSCRIPTION_NAME",
              "outputTableSpec": "BIGQUERY_TABLE",
              "outputTopic": "UNPROCESSED_TOPIC"
          }
       }
    }
      

    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/
    • SCHEMA_PATH: il percorso Cloud Storage del file di schema Proto (ad esempio gs://MyBucket/file.pb)
    • PROTO_MESSAGE_NAME: il nome del messaggio Proto (ad esempio, package.name.MessageName)
    • SUBSCRIPTION_NAME: il nome della sottoscrizione Pub/Sub di input
    • BIGQUERY_TABLE: il nome della tabella di output BigQuery
    • UNPROCESSED_TOPIC: l'argomento Pub/Sub da utilizzare per la coda non elaborata

    Passaggi successivi