Modello Pub/Sub a MongoDB con funzioni UDF Python

Il modello Da Pub/Sub a MongoDB con UDF Python è una pipeline in modalità flusso che legge i messaggi con codifica JSON da una sottoscrizione Pub/Sub e li scrive in MongoDB sotto forma di documenti. Se necessario, questa pipeline supporta ulteriori trasformazioni che possono essere incluse utilizzando una funzione definita dall'utente (UDF) Python.

Se si verificano errori durante l'elaborazione dei record, il modello li scrive in una tabella BigQuery insieme al messaggio di input. Ad esempio, potrebbero verificarsi errori a causa della mancata corrispondenza dello schema, di un file JSON in formato errato o durante l'esecuzione delle trasformazioni. Specifica il nome della tabella nel parametro deadletterTable. Se la tabella non esiste, la pipeline la crea automaticamente.

Requisiti della pipeline

  • Deve esistere la sottoscrizione Pub/Sub e i messaggi devono essere codificati in un formato JSON valido.
  • Il cluster MongoDB deve esistere ed essere accessibile dalle macchine worker Dataflow.

Parametri del modello

Parametro Descrizione
inputSubscription Nome della sottoscrizione Pub/Sub. Ad esempio: projects/my-project-id/subscriptions/my-subscription-id
mongoDBUri Elenco di server MongoDB separati da virgole. Ad esempio: 192.285.234.12:27017,192.287.123.11:27017
database Database in MongoDB in cui archiviare la raccolta. Ad esempio: my-db.
collection Nome della raccolta all'interno del database MongoDB. Ad esempio: my-collection.
deadletterTable Tabella BigQuery che memorizza i messaggi a causa di errori (schema non corrispondente, JSON in formato errato e così via). Ad esempio: project-id:dataset-name.table-name.
pythonExternalTextTransformGcsPath (Facoltativo) L'URI Cloud Storage del file di codice Python che definisce la funzione definita dall'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.
batchSize (Facoltativo) La dimensione del batch utilizzata per l'inserimento batch dei documenti in MongoDB. Valore predefinito: 1000.
batchSizeBytes (Facoltativo) La dimensione del batch in byte. Valore predefinito: 5242880.
maxConnectionIdleTime (Facoltativo) Il tempo di inattività massimo consentito in secondi prima che si verifichi il timeout della connessione. Valore predefinito: 60000.
sslEnabled (Facoltativo) Un valore booleano che indica se la connessione a MongoDB è abilitata per SSL. Valore predefinito: true.
ignoreSSLCertificate (Facoltativo) Un valore booleano che indica se il certificato SSL deve essere ignorato. Valore predefinito: true.
withOrdered (Facoltativo) Un valore booleano che abilita gli inserimenti collettivi ordinati in MongoDB. Valore predefinito: true.
withSSLInvalidHostNameAllowed (Facoltativo) Un valore booleano che indica se il nome host non valido è consentito per la connessione SSL. Valore predefinito: true.

Funzione definita dall'utente

Facoltativamente, puoi estendere questo modello scrivendo una funzione definita dall'utente (UDF). Il modello chiama la UDF per ogni elemento di input. I payload degli elementi vengono serializzati come stringhe JSON. Per ulteriori informazioni, consulta Creare funzioni definite dall'utente per i modelli Dataflow.

Specifica della funzione

La UDF ha la seguente specifica:

  • Input: una singola riga da un file CSV di input.
  • Output: un documento JSON convertito in stringa da inserire in MongoDB.

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) In Endpoint regionale, 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 Da Pub/Sub a MongoDB con UDF Python.
  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 modello:

gcloud dataflow flex-template run JOB_NAME \
    --project=PROJECT_ID \
    --region=REGION_NAME \
    --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/Cloud_PubSub_to_MongoDB_Xlang \
    --parameters \
inputSubscription=INPUT_SUBSCRIPTION,\
mongoDBUri=MONGODB_URI,\
database=DATABASE,
collection=COLLECTION,
deadletterTable=UNPROCESSED_TABLE
  

Sostituisci quanto segue:

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

    Puoi utilizzare i seguenti valori:

  • INPUT_SUBSCRIPTION: la sottoscrizione Pub/Sub (ad esempio, projects/my-project-id/subscriptions/my-subscription-id)
  • MONGODB_URI: gli indirizzi del server MongoDB (ad esempio, 192.285.234.12:27017,192.287.123.11:27017)
  • DATABASE: il nome del database MongoDB (ad esempio, users)
  • COLLECTION: il nome della raccolta MongoDB (ad esempio, profiles)
  • UNPROCESSED_TABLE: il nome della tabella BigQuery (ad esempio, your-project:your-dataset.your-table-name)

API

Per eseguire il modello utilizzando l'API REST, invia una richiesta HTTP POST. Per ulteriori informazioni 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",
      "parameters": {
          "inputSubscription": "INPUT_SUBSCRIPTION",
          "mongoDBUri": "MONGODB_URI",
          "database": "DATABASE",
          "collection": "COLLECTION",
          "deadletterTable": "UNPROCESSED_TABLE"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/Cloud_PubSub_to_MongoDB_Xlang",
   }
}
  

Sostituisci quanto segue:

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

    Puoi utilizzare i seguenti valori:

  • INPUT_SUBSCRIPTION: la sottoscrizione Pub/Sub (ad esempio, projects/my-project-id/subscriptions/my-subscription-id)
  • MONGODB_URI: gli indirizzi del server MongoDB (ad esempio, 192.285.234.12:27017,192.287.123.11:27017)
  • DATABASE: il nome del database MongoDB (ad esempio, users)
  • COLLECTION: il nome della raccolta MongoDB (ad esempio, profiles)
  • UNPROCESSED_TABLE: il nome della tabella BigQuery (ad esempio, your-project:your-dataset.your-table-name)

Passaggi successivi