Implementa Datastream y Dataflow para el análisis

La integración de Datastream con las plantillas de trabajos de Dataflow te permite personalizar la lógica de procesamiento de transmisión cuando replicas datos en BigQuery para obtener estadísticas casi en tiempo real. Por ejemplo, puedes transformar los datos en tránsito o establecer manualmente claves primarias lógicas antes de escribir en las tablas de destino.

En este instructivo, usarás Datastream para transmitir inserciones, actualizaciones y eliminaciones de una base de datos de MySQL de origen a un bucket de Cloud Storage. Luego, configuras las notificaciones de Pub/Sub en el bucket para los archivos de cambios nuevos y ejecutas un trabajo de Dataflow para procesar y combinar esos cambios en BigQuery.

En el siguiente diagrama, se ilustra la arquitectura para integrar Datastream y Dataflow:

Objetivos

En este instructivo, harás lo siguiente:

• Crea un bucket en Cloud Storage. Este es el bucket de destino en el que Datastream transmite esquemas, tablas y datos desde una base de datos de MySQL de origen.
• Habilita las notificaciones de Pub/Sub para el bucket de Cloud Storage. De esta manera, configuras el bucket para que envíe notificaciones que Dataflow usa para conocer los archivos nuevos que están listos para procesarse. Estos archivos contienen cambios en los datos que Datastream transmite desde la base de datos de origen al bucket.
• Crear conjuntos de datos en BigQuery BigQuery usa conjuntos de datos para contener los datos que recibe de Dataflow. Estos datos representan los cambios en la base de datos de origen que Datastream transmite al bucket de Cloud Storage.
• Crear y administrar perfiles de conexión para una base de datos de origen y un bucket de destino en Cloud Storage Una transmisión en Datastream usa la información de los perfiles de conexión para transferir datos de la base de datos de origen al bucket.
• Crea e inicia una transmisión. Esta transmisión transfiere datos, esquemas y tablas de la base de datos de origen al bucket.
• Verifica que Datastream transfiera al bucket los datos y las tablas asociados con un esquema de la base de datos de origen.
• Crear un trabajo en Dataflow Después de que Datastream transmite los cambios de datos de la base de datos de origen al bucket de Cloud Storage, se envían notificaciones a Dataflow sobre los archivos nuevos que contienen los cambios. El trabajo de Dataflow procesa los archivos y transfiere los cambios a BigQuery.
• Verificar que Dataflow procese los archivos que contienen cambios asociados con estos datos y los transfiera a BigQuery Como resultado, tienes una integración de extremo a extremo entre Datastream y BigQuery.
• Limpia los recursos que creaste en Datastream, Cloud Storage, Pub/Sub, Dataflow y BigQuery para que no consuman cuota y no se te facture por ellos en el futuro.

Costos

En este documento, usarás los siguientes componentes facturables de Google Cloud:

• Datastream
• Cloud Storage
• Pub/Sub
• Dataflow
• BigQuery

Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios.

Es posible que los usuarios nuevos de Google Cloud cumplan con los requisitos para acceder a una prueba gratuita.

Antes de comenzar

1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Roles required to select or create a project

   • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
   • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.
   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

2. Verify that billing is enabled for your Google Cloud project.

3. Habilita la API de Datastream.

   Habilitación de la API

4. Asegúrate de tener asignado el rol de administrador de Datastream a tu cuenta de usuario.

   Ir a la página IAM

5. Asegúrate de tener una base de datos de MySQL de origen a la que Datastream pueda acceder. Además, verifica que tengas datos, tablas y esquemas en la base de datos.
6. Configura tu base de datos de MySQL para permitir conexiones entrantes desde las direcciones IP públicas de Datastream. Para obtener una lista de todas las regiones de Datastream y sus direcciones IP públicas asociadas, consulta Listas de IPs permitidas y regiones.
7. Configura la captura de datos modificados (CDC) para la base de datos de origen. Para obtener más información, consulta Configura una base de datos de MySQL de origen.

8. Asegúrate de cumplir con todos los requisitos previos para habilitar las notificaciones de Pub/Sub para Cloud Storage.

   En este instructivo, crearás un bucket de destino en Cloud Storage y habilitarás las notificaciones de Pub/Sub para el bucket. De esta manera, Dataflow puede recibir notificaciones sobre los archivos nuevos que Datastream escribe en el bucket. Estos archivos contienen cambios en los datos que Datastream transmite desde la base de datos de origen al bucket.

Requisitos

Datastream ofrece una variedad de opciones de origen, opciones de destino y métodos de conectividad de red.

En este instructivo, se supone que usas una base de datos de MySQL independiente y un servicio de Cloud Storage de destino. En el caso de la base de datos de origen, deberías poder configurar tu red para agregar una regla de firewall de entrada. La base de datos de origen puede estar alojada de forma local o en un proveedor de servicios en la nube. Para el destino de Cloud Storage, no se requiere ninguna configuración de conectividad.

Debido a que no podemos saber los detalles de tu entorno, no podemos proporcionar pasos detallados cuando se trata de tu configuración de red.

En este instructivo, selecciona Lista de IPs permitidas como el método de conectividad de red. El uso de listas de IP permitidas es una función de seguridad que se usa a menudo para controlar y limitar el acceso a los datos en tu base de datos de origen a usuarios de confianza. Puedes usar las listas de IP permitidas para crear listas de direcciones IP o rangos de IP de confianza desde los que tus usuarios y otros servicios de Google Cloud , como Datastream, pueden acceder a estos datos. Para usar listas de IP permitidas, debes abrir la base de datos o firewall de origen para las conexiones entrantes desde Datastream.

Crea un bucket en Cloud Storage

Crea un bucket de destino en Cloud Storage en el que Datastream transmita esquemas, tablas y datos desde una base de datos de MySQL de origen.

1. En la consola de Google Cloud , ve a la página Navegador de Cloud Storage.

   Ir a la página del Navegador

2. Haz clic en Crear bucket. Aparecerá la página Crear un bucket.

3. En el campo de texto de la región Asigna un nombre a tu bucket, ingresa un nombre único para el bucket y, luego, haz clic en Continuar.

4. Acepta la configuración predeterminada para cada región restante de la página. Al final de cada región, haz clic en Continuar.

5. Haz clic en Crear.

Habilita las notificaciones de Pub/Sub para el bucket de Cloud Storage

En esta sección, habilitarás las notificaciones de Pub/Sub para el bucket de Cloud Storage que creaste. De esta manera, configuras el bucket para que notifique a Dataflow sobre cualquier archivo nuevo que Datastream escriba en el bucket. Estos archivos contienen cambios en los datos que Datastream transmite desde una base de datos de MySQL de origen al bucket.

Antes de habilitar las notificaciones para tu bucket, asegúrate de cumplir con todos los requisitos previos.

1. Accede al bucket de Cloud Storage que creaste. Aparecerá la página Detalles del bucket.

2. Haz clic en Activar Cloud Shell.

3. En el símbolo del sistema, ingresa el siguiente comando:

   gcloud storage buckets notifications create gs://bucket-name --topic=my_integration_notifs --payload-format=json --object-prefix=integration/tutorial/

   bucket-name es un marcador de posición para el nombre de tu bucket de Cloud Storage.

   Con este comando, creas el tema my_integration_notifs en Pub/Sub. También configurarás las notificaciones de Pub/Sub para que solo escuchen la ruta de acceso de salida de Datastream que definas en el paso Crea un perfil de conexión de destino para Cloud Storage. Más adelante en este procedimiento, configurarás este tema en Pub/Sub para que se envíen notificaciones a Dataflow sobre los cambios en los datos que Datastream transmite a tu bucket de Cloud Storage.

   El tema de Pub/Sub captura cualquier cambio en estos datos. Cualquier suscriptor de este tema (como Dataflow) recibe esta información.

4. Opcional: Si aparece una ventana Autoriza Cloud Shell, haz clic en Autorizar.

5. Verifica que veas las siguientes líneas de código:

   Created Cloud Pub/Sub topic projects/project-name/topics/my_integration_notifs
   Created notification config projects/_/buckets/bucket-name/notificationConfigs/1
   

   project-name es un marcador de posición para el nombre de tu proyecto de Google Cloud .

6. En la consola de Google Cloud , ve a la página Temas de Pub/Sub.

   Ir a la página Temas

7. Haz clic en el tema my_integration_notifs que creaste.

8. En la página my_integration_notifs, ve a la parte inferior. Verifica que la pestaña Suscripciones esté activa y que aparezca el mensaje No hay suscripciones para mostrar.

   Crearás una suscripción para el tema my_integration_notifs. Las apps que se suscriben a esta suscripción, como Dataflow, pueden obtener la información del tema. Esta información se asocia con los cambios en los datos de la base de datos de origen que Datastream transmite a tu bucket de Cloud Storage.

9. Haz clic en Crear suscripción.

10. En el menú que aparece, selecciona Crear suscripción.

11. En la página Agregar suscripción al tema, haz lo siguiente:

    1. En el campo ID de la suscripción, ingresa my_integration_notifs_sub.
    2. Establece el valor de Plazo de confirmación en 120 segundos. Esto le da a Dataflow el tiempo suficiente para confirmar los archivos que procesó y ayuda a mejorar el rendimiento general del trabajo de Dataflow. Para obtener más información sobre las propiedades de suscripción de Pub/Sub, consulta Propiedades de suscripción.
    3. Deja todos los demás valores predeterminados en la página.
    4. Haz clic en Crear.

Más adelante en este instructivo, crearás un trabajo de Dataflow. Como parte de la creación de este trabajo, asignarás Dataflow como suscriptor de la suscripción my_integration_notifs_sub. De esta manera, Dataflow puede recibir notificaciones sobre los archivos nuevos que Datastream escribe en Cloud Storage, procesar los archivos y transferir los cambios de datos a BigQuery.

Crea conjuntos de datos en BigQuery

En esta sección, crearás conjuntos de datos en BigQuery. BigQuery usa conjuntos de datos para contener los datos que recibe de Dataflow. Estos datos representan los cambios en la base de datos de MySQL de origen que Datastream transmite a tu bucket de Cloud Storage.

1. Ve a la página Espacio de trabajo de SQL para BigQuery en la consola de Google Cloud .

   Ir a la página Espacio de trabajo de SQL

2. En el panel Explorador, junto al nombre de tu proyecto de Google Cloud , haz clic en Ver acciones.

3. En el menú que aparece, selecciona Crear conjunto de datos.

4. En la ventana Crear conjunto de datos, haz lo siguiente:

   1. En el campo ID del conjunto de datos, ingresa un ID para el conjunto de datos. Para este instructivo, ingresa My_integration_dataset_log en el campo.
   2. Deja todos los demás valores predeterminados en la ventana.
   3. Haz clic en Crear conjunto de datos.
   Dataflow usa el conjunto de datos My_integration_dataset_log para almacenar en etapa intermedia los cambios de datos que recibe de Datastream.

5. En el panel Explorador, junto al nombre de tu proyecto de Google Cloud , haz clic en Expandir nodo y, luego, verifica que veas el conjunto de datos que creaste.

6. Usa los pasos en este procedimiento para crear un segundo conjunto de datos: My_integration_dataset_final.

   Los cambios que se almacenan en etapa intermedia en el conjunto de datos My_integration_dataset_log se combinan en el conjunto de datos My_integration_dataset_final para crear una réplica uno a uno de las tablas en la base de datos de origen.

7. Junto a cada conjunto de datos, expande Expandir nodo.

8. Verifica que cada conjunto de datos esté vacío.

Después de que Datastream transmita los cambios de datos de la base de datos de origen a tu bucket de Cloud Storage, un trabajo de Dataflow procesará los archivos que contienen los cambios y los transferirá a los conjuntos de datos de BigQuery.

Crea perfiles de conexión en Datastream

En esta sección, crearás perfiles de conexión en Datastream para una base de datos de origen y un destino. Como parte de la creación de los perfiles de conexión, selecciona MySQL como el tipo de perfil para tu perfil de conexión de origen y Cloud Storage como el tipo de perfil para tu perfil de conexión de destino.

Datastream usa la información definida en los perfiles de conexión para conectarse tanto al origen como al destino, de modo que pueda transmitir datos de la base de datos de origen al bucket de destino en Cloud Storage.

Crea un perfil de conexión de origen para tu base de datos de MySQL

1. En la consola de Google Cloud , ve a la página Perfiles de conexión de Datastream.

   Ir a la página Perfiles de conexión

2. Haga clic en Crear perfil.

3. Para crear un perfil de conexión de origen para tu base de datos de MySQL, en la página Crear un perfil de conexión, haz clic en el tipo de perfil MySQL.

4. En la sección Define la configuración de la conexión de la página Crear perfil de MySQL, proporciona la siguiente información:

   • En el campo Nombre del perfil de conexión, ingresa My Source Connection Profile.
   • Conserva el ID del perfil de conexión generado de forma automática.

   • Selecciona la Región en la que deseas almacenar el perfil de conexión.

     Los perfiles de conexión, como todos los recursos, se guardan en una región, y una transmisión solo puede usar perfiles de conexión almacenados en su misma región. La selección de la región no influye en si Datastream puede conectarse al origen o al destino, pero puede afectar la disponibilidad si la región experimenta tiempo de inactividad.

   • Ingresa los Detalles de la conexión:

     • En el campo Nombre de host o IP, ingresa un nombre de host o una dirección IP pública que Datastream pueda usar para conectarse a la base de datos de origen. Proporcionarás una dirección IP pública porque usarás la lista de IPs permitidas como el método de conectividad de red para este instructivo.
     • En el campo Puerto, ingresa el número de puerto que está reservado para la base de datos de origen. Para una base de datos de MySQL, el puerto predeterminado suele ser 3306.
     • Ingresa un Nombre de usuario y una Contraseña para autenticarte en tu base de datos de origen.

5. En la sección Define los parámetros de configuración de conexión, haz clic en Continuar. La sección Protege la conexión a la fuente de la página Crea un perfil de MySQL está activa.

6. En el menú Tipo de encriptación, selecciona Ninguno. Para obtener más información sobre este menú, consulta Crea un perfil de conexión para la base de datos de MySQL.

7. En la sección Protege la conexión a la fuente, haz clic en Continuar. Se activará la sección Define el método de conectividad de la página Crea un perfil de MySQL.

8. En el menú desplegable Método de conectividad, elige el método de red que quieras usar para establecer la conectividad entre Datastream y la base de datos de origen. En este instructivo, selecciona Lista de IP permitidas como el método de conectividad.

9. Configura tu base de datos de origen para permitir conexiones entrantes desde las direcciones IP públicas de Datastream que aparecen.

10. En la sección Define el método de conectividad, haz clic en Continuar. La sección Probar perfil de conexión de la página Crear perfil de MySQL está activa.

11. Haz clic en Ejecutar prueba para verificar que la base de datos de origen y Datastream puedan comunicarse entre sí.

12. Verifica que veas el estado Test passed.

    Si la prueba falla, puedes abordar el problema en la parte adecuada del flujo y, luego, volver a realizar la prueba. Consulta la página Diagnostica problemas para conocer los pasos para solucionar problemas.

13. Haz clic en Crear.

Crea un perfil de conexión de destino para Cloud Storage

1. En la consola de Google Cloud , ve a la página Perfiles de conexión de Datastream.

   Ir a la página Perfiles de conexión

2. Haga clic en Crear perfil.

3. Para crear un perfil de conexión de destino para Cloud Storage, en la página Crear un perfil de conexión, haz clic en el tipo de perfil Cloud Storage.

4. En la página Crear perfil de Cloud Storage, proporciona la siguiente información:

   • En el campo Nombre del perfil de conexión, ingresa My Destination Connection Profile.
   • Conserva el ID del perfil de conexión generado de forma automática.
   • Selecciona la Región en la que deseas almacenar el perfil de conexión.

   • En el panel Detalles de la conexión, haz clic en Explorar para seleccionar el bucket de Cloud Storage que creaste antes en este instructivo. Este es el bucket al que Datastream transfiere los datos desde la base de datos de origen. Después de realizar la selección, haz clic en Seleccionar.

     Tu bucket aparece en el campo Nombre del bucket del panel Detalles de la conexión.

   • En el campo Prefijo de ruta del perfil de conexión, proporciona un prefijo para la ruta que deseas agregar al nombre del bucket cuando Datastream transmita datos al destino. Asegúrate de que Datastream escriba datos en una ruta de acceso dentro del bucket, no en la carpeta raíz del bucket. En este instructivo, usa la ruta de acceso que definiste cuando configuraste la notificación de Pub/Sub. Ingresa /integration/tutorial en el campo.

5. Haz clic en Crear.

Después de crear un perfil de conexión de origen para tu base de datos de MySQL y un perfil de conexión de destino para Cloud Storage, puedes usarlos para crear una transmisión.

Crea una transmisión en Datastream

En esta sección, crearás una transmisión. Esta transmisión usa la información de los perfiles de conexión para transferir datos de una base de datos de MySQL de origen a un bucket de destino en Cloud Storage.

Datastream incluye un asistente de configuración para ayudarte a crear una transmisión. Este asistente consta de seis paneles: Comenzar, Definir y probar la fuente, Configurar la fuente, Definir el destino, Configurar el destino y Revisar y crear. Para completar cada panel, sigue las instrucciones que se indican en las siguientes secciones.

Define la configuración de la transmisión

1. En la consola de Google Cloud , ve a la página Flujos de Datastream.

   Ir a la página Transmisiones

2. Haz clic en Crear flujo.

3. Proporciona la siguiente información en el panel Define los detalles de la transmisión de la página Crear transmisión:

   • En el campo Nombre del flujo, ingresa My Stream.
   • Conserva el ID de flujo generado automáticamente.
   • En el menú Región, selecciona la región en la que creaste los perfiles de conexión de origen y destino.
   • En el menú Tipo de fuente, selecciona el tipo de perfil MySQL.
   • En el menú Tipo de destino, selecciona el tipo de perfil Cloud Storage.

4. Revisa los requisitos previos necesarios que se generan de forma automática para reflejar cómo se debe preparar tu entorno para una transmisión. Estos requisitos previos pueden incluir cómo configurar la base de datos de origen y cómo conectar Datastream al bucket de destino en Cloud Storage.

   Para obtener más información sobre estos requisitos previos, consulta Configura una base de datos de MySQL de origen.

5. Haz clic en Continuar. Aparecerá el panel Define el perfil de conexión de MySQL de la página Crear transmisión.

Especifica la información sobre el perfil de conexión de origen

En esta sección, seleccionarás el perfil de conexión que creaste para tu base de datos de origen (el perfil de conexión de origen). Para este instructivo, es My Source Connection Profile.

1. En el menú Perfil de conexión de origen, selecciona tu perfil de conexión de origen para la base de datos de MySQL.

2. Haz clic en Ejecutar prueba para verificar que la base de datos de origen y Datastream puedan comunicarse entre sí.

   Si la prueba falla, aparecerá el problema asociado con el perfil de conexión. Consulta la página Diagnostica problemas para conocer los pasos para solucionar problemas. Realiza los cambios necesarios para corregir el problema y, luego, vuelve a probar.

3. Haz clic en Continuar. Aparecerá el panel Configurar origen de transmisión de la página Crear transmisión.

Configura la información sobre la base de datos de origen de la transmisión

En esta sección, configurarás la información sobre la base de datos de origen de la transmisión especificando las tablas y los esquemas de la base de datos de origen que Datastream:

• Puede transferir al destino.
• No puede transferir al destino.

También determinas si Datastream reabastece los datos históricos, transmite los cambios en curso al destino o transmite solo los cambios en los datos.

1. Usa el menú Objetos que se incluyen para especificar las tablas y esquemas en tu base de datos de origen que Datastream puede transferir a una carpeta en el bucket de destino en Cloud Storage. El menú solo se carga si tu base de datos tiene hasta 5,000 objetos.

   En este instructivo, quieres que Datastream transfiera todas las tablas y los esquemas. Por lo tanto, selecciona Todas las tablas de todos los esquemas en el menú.

2. Verifica que el panel Selecciona los objetos que deseas excluir esté configurado en Ninguno. No quieres restringir que Datastream transfiera tablas y esquemas de la base de datos de origen a Cloud Storage.

3. Verifica que el panel Elige el modo de reabastecimiento para los datos históricos esté configurado en Automático. Datastream transmite todos los datos existentes, además de los cambios en los datos, desde la fuente hasta el destino.

4. Haz clic en Continuar. Aparecerá el panel Definir perfil de conexión de Cloud Storage de la página Crear transmisión.

Selecciona un perfil de conexión de destino

En esta sección, selecciona el perfil de conexión que creaste para Cloud Storage (el perfil de conexión de destino). Para este instructivo, es My Destination Connection Profile.

1. En el menú Perfil de conexión de destino, selecciona tu perfil de conexión de destino para Cloud Storage.

2. Haz clic en Continuar. Aparecerá el panel Configura el destino del flujo de la página Crear flujo.

Configura la información sobre el destino de la transmisión

En esta sección, configurarás la información sobre el bucket de destino de la transmisión. Esta información incluye lo siguiente:

• Es el formato de salida de los archivos escritos en Cloud Storage.
• Es la carpeta del bucket de destino en la que Datastream transfiere esquemas, tablas y datos de la base de datos de origen.

1. En el campo Formato de salida, selecciona el formato de los archivos que se escribirán en Cloud Storage. Datastream admite dos formatos de salida: Avro y JSON. Para este instructivo, el formato de archivo es Avro.

   No es necesario que completes el campo Prefijo de la ruta de acceso de la transmisión. En este campo, puedes proporcionar un prefijo para la ruta de acceso que se agrega al nombre del bucket cuando Datastream transfiere datos al destino. Esta es la ruta de acceso de tu bucket de Cloud Storage al que Datastream transfiere esquemas, tablas y datos desde una base de datos de MySQL de origen.

   Ya proporcionaste la ruta de /integration/tutorial cuando creaste el perfil de conexión de destino para Cloud Storage.

2. Haz clic en Continuar. Aparecerá el panel Revisa los detalles de la transmisión y créala de la página Crear transmisión.

Crea la transmisión

1. Verifica los detalles sobre la transmisión, así como los perfiles de conexión de origen y destino que usa la transmisión para transferir datos de una base de datos de MySQL de origen a un bucket de destino en Cloud Storage.

2. Para validar la transmisión, haz clic en Ejecutar validación. Cuando se valida una transmisión, Datastream comprueba que la fuente esté configurada de forma correcta, valida que la transmisión pueda conectarse tanto a la fuente como al destino, y verifica la configuración de extremo a extremo de la transmisión.

   Si se aprueba una verificación de validación, aparecerá un ícono de marca de verificación.

   Si no se aprueba una verificación de validación, aparecerán un ícono de signo de exclamación y un botón Ver detalles del error. Haz clic en el botón y aparecerá un diálogo en el que se explica por qué no se aprobó la verificación y se incluye información sobre qué hacer para rectificar el problema. Después de realizar las correcciones correspondientes, haz clic en Volver a validar.

   Para obtener más información sobre cómo solucionar problemas de las verificaciones de validación que no se aprueban, consulta Diagnostica problemas.

3. Después de pasar todas las verificaciones de validación, haz clic en Crear.

4. En el cuadro de diálogo ¿Crear transmisión?, haz clic en Crear.

Inicia la transmisión

En este instructivo, crearás y, luego, iniciarás una transmisión por separado en caso de que el proceso de creación de la transmisión genere una mayor carga en la base de datos de origen. Para posponer esa carga, crea la transmisión sin iniciarla y, luego, iníciala cuando la base de datos pueda controlar la carga.

Cuando se inicia la transmisión, Datastream puede transferir datos, esquemas y tablas de la base de datos de origen al destino.

1. En la consola de Google Cloud , ve a la página Flujos de Datastream.

   Ir a la página Transmisiones

2. Selecciona la casilla de verificación junto a la transmisión que deseas iniciar. Para este instructivo, es My Stream.

3. Haz clic en Iniciar.

4. En el cuadro de diálogo, haz clic en Iniciar. El estado de la transmisión cambia de Not started a Starting y, luego, a Running.

   La transmisión tarda alrededor de 30 segundos en comenzar a ejecutarse. Los recursos en segundo plano deben iniciarse para que pueda comenzar la transmisión.

Después de iniciar una transmisión, puedes verificar que Datastream haya transferido los datos de la base de datos de origen al destino.

Verifica la transmisión

En esta sección, confirmarás que Datastream transfiera los datos de todas las tablas de una base de datos de MySQL de origen a la carpeta /integration/tutorial de tu bucket de destino de Cloud Storage.

1. En la consola de Google Cloud , ve a la página Flujos de Datastream.

   Ir a la página Transmisiones

2. Haz clic en el flujo que creaste. Para este instructivo, es My Stream.

3. En la página Detalles de la transmisión, haz clic en el vínculo bucket-name/integration/tutorial, en el que bucket-name es el nombre que le diste a tu bucket de Cloud Storage. Este vínculo aparece después del campo Ruta de acceso de escritura de destino. Se abrirá la página Detalles del bucket de Cloud Storage en una pestaña separada.

   El vínculo se compone del nombre de tu bucket y de la carpeta de tu bucket en la que Datastream transfiere esquemas, tablas y datos de la base de datos de origen. Especificaste que esta carpeta sea /integration/tutorial cuando creaste el perfil de conexión de destino para Cloud Storage.

4. Verifica que veas carpetas que representen tablas de la base de datos de origen.

5. Haz clic en una de las carpetas de la tabla y, luego, en cada subcarpeta hasta que veas los datos asociados con la tabla.

   La primera carpeta es [schema]_[table], seguida de carpetas que representan el año, el mes, el día, la hora y el minuto en que Datastream transfirió datos de la base de datos de origen a un bucket de destino en Cloud Storage.

   Se crea una carpeta cada minuto (cuando hay datos nuevos para escribir).

   Se crea un archivo nuevo cuando el tamaño del archivo alcanza los 250 MB o cuando cambia un esquema. Si las tablas están particionadas, se crean archivos para cada partición.

Crear un trabajo de Dataflow

En esta sección, crearás un trabajo en Dataflow. Después de que Datastream transmite los cambios de datos de una base de datos de MySQL de origen a tu bucket de Cloud Storage, Pub/Sub envía notificaciones a Dataflow sobre los archivos nuevos que contienen los cambios. El trabajo de Dataflow procesa los archivos y transfiere los cambios a BigQuery.

1. En la consola de Google Cloud , ve a la página Trabajos de Dataflow.

   Ir a la página Trabajos

2. Haz clic en Crear trabajo a partir de una plantilla.

3. En el campo Nombre del trabajo de la página Crear un trabajo a partir de una plantilla, ingresa un nombre para el trabajo de Dataflow que estás creando. Para este instructivo, ingresa my-dataflow-integration-job en el campo.

4. En el menú Extremo regional, selecciona la región en la que deseas almacenar el trabajo. Esta es la misma región que seleccionaste para el perfil de conexión de origen, el perfil de conexión de destino y la transmisión que creaste.

5. En el menú Plantilla de Dataflow, selecciona la plantilla que usarás para crear el trabajo. Para este instructivo, selecciona Datastream a BigQuery.

   Después de realizar esta selección, aparecerán campos adicionales relacionados con esta plantilla.

   La plantilla de Datastream a BigQuery es una canalización de transmisión que lee datos de Datastream y los replica en BigQuery. La plantilla lee los datos de Cloud Storage con notificaciones de Pub/Sub y los replica en una tabla de etapa de pruebas de BigQuery particionada por tiempo. Después de la replicación, la plantilla ejecuta una Merge en BigQuery para actualizar todos los cambios de captura de datos modificados (CDC) en una réplica de la tabla de origen.

   Para minimizar el costo asociado con las operaciones frecuentes de Merge, sugerimos comenzar con una frecuencia inicial de una vez cada 6 a 12 horas. Una vez que se hayan completado todos los reabastecimientos y los datos se repliquen sin problemas, reduce este valor a la frecuencia que seleccionaste.

   Para obtener más información sobre la plantilla de Datastream a BigQuery, consulta De Datastream a BigQuery (Transmisión).

6. En el campo Ubicación del archivo para el resultado del archivo de Datastream en Cloud Storage, ingresa el nombre de tu bucket de Cloud Storage con el siguiente formato: gs://bucket-name.

7. En el campo Suscripción a Pub/Sub que se usa en una política de notificaciones de Cloud Storage, ingresa la ruta que contiene el nombre de tu suscripción a Pub/Sub. Para este instructivo, ingresa projects/project-name/subscriptions/my_integration_notifs_sub.

   project-name es un marcador de posición para el nombre de tu proyecto de Google Cloud . Además, creaste la suscripción my_integration_notifs_sub en la sección Habilita las notificaciones de Pub/Sub para el bucket de Cloud Storage de este instructivo.

8. En el campo Formato de archivo de salida de Datastream (avro/json)., ingresa avro porque, para este instructivo, Avro es el formato de los archivo que Datastream escribe en Cloud Storage.

9. En el campo Nombre o plantilla del conjunto de datos que contendrá las tablas de etapa de pruebas, ingresa My_integration_dataset_log, ya que Dataflow usa este conjunto de datos para almacenar en etapa de pruebas los cambios de datos que recibe de Datastream.

10. En el campo Plantilla para el conjunto de datos que contendrá las tablas de réplica, ingresa My_integration_dataset_final, ya que este es el conjunto de datos en el que se combinan los cambios que se almacenan en etapa intermedia en el conjunto de datos My_integration_dataset_log para crear una réplica uno a uno de las tablas en la base de datos de origen.

    Creaste los conjuntos de datos My_integration_dataset_log y My_integration_dataset_final en la sección Crea conjuntos de datos en BigQuery de este instructivo.

11. En el campo Directorio de la cola de mensajes no entregados, ingresa la ruta de acceso que contiene el nombre de un bucket de Cloud Storage independiente y una carpeta para una cola de mensajes no entregados. Asegúrate de no usar una ruta de acceso en la carpeta raíz y de que la ruta de acceso sea diferente de la que Datastream escribe los datos. Cualquier cambio de datos que Dataflow no pueda transferir a BigQuery se almacena en la cola. Puedes corregir el contenido de la cola para que Dataflow pueda volver a procesarlo.

    En este instructivo, ingresa gs://dlq-bucket-name/dlq en el campo Directorio de la cola de mensajes no entregados (donde dlq-bucket-name es el nombre de tu bucket de Cloud Storage dedicado a la cola de mensajes no entregados y dlq es la carpeta de la cola de mensajes no entregados).

12. Haga clic en Ejecutar trabajo.

Es posible que tu trabajo de Dataflow tarde varios minutos en ejecutarse. Los recursos en segundo plano deben ejecutarse. Además, el trabajo debe procesar los archivos que contienen los cambios de datos que recibe de Cloud Storage antes de poder transferir estos cambios a BigQuery.

Verifica la integración

En la sección Verifica la transmisión de este instructivo, confirmaste que Datastream transfirió los datos de todas las tablas de una base de datos de MySQL de origen a la carpeta /integration/tutorial de tu bucket de destino de Cloud Storage.

En esta sección, verificarás que Dataflow procese los archivos que contienen cambios asociados con estos datos y los transfiera a BigQuery. Como resultado, tienes una integración de extremo a extremo entre Datastream y BigQuery.

1. En la consola de Google Cloud , ve a la página Espacio de trabajo de SQL de BigQuery.

   Ir a la página Espacio de trabajo de SQL

2. En el panel Explorador, expande el nodo junto al nombre de tu proyecto de Google Cloud .

3. Expande los nodos junto a los conjuntos de datos My_integration_dataset_log y My_integration_dataset_final.

4. Verifica que cada conjunto de datos ahora contenga datos. Esto confirma que Dataflow procesó los archivos que contienen cambios asociados con los datos que Datastream transmitió a Cloud Storage y transfirió estos cambios a BigQuery.

Realiza una limpieza

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos que usaste en este instructivo, usa la consola de Google Cloud para hacer lo siguiente:

• Borra tu proyecto, la transmisión de Datastream y los perfiles de conexión de Datastream.
• Detén el trabajo de Dataflow.
• Borra los conjuntos de datos de BigQuery, el tema y la suscripción de Pub/Sub, y el bucket de Cloud Storage.

Si limpias los recursos que creaste en Datastream, Dataflow, BigQuery, Pub/Sub y Cloud Storage, evitas que ocupen cuota y no se te facturarán en el futuro.

Borra tu proyecto

La manera más fácil de eliminar la facturación es borrar el proyecto que creaste para este instructivo.

Borrar un proyecto tiene las siguientes consecuencias:

• Se borra todo en el proyecto. Si usaste un proyecto existente para este instructivo, cuando lo borres, también borrarás cualquier otro trabajo que hayas realizado en el proyecto.
• Se pierden los ID de proyecto personalizados. Cuando creaste este proyecto, es posible que hayas creado un ID del proyecto personalizado que desees utilizar en el futuro. Para conservar las URLs que usan el ID del proyecto, como la URL appspot.com, borra los recursos seleccionados dentro del proyecto en lugar de borrar todo el proyecto.

Si planeas explorar varios instructivos y guías de inicio rápido, la reutilización de proyectos puede ayudarte a evitar exceder los límites de cuota del proyecto.

1. En la Google Cloud consola, ve a la página Administrar recursos.

   Ir a la página Administrar recursos

2. En la lista de proyectos, elige el proyecto que deseas borrar y haz clic en Borrar.

3. Para borrar el proyecto, en el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar.

Borra la transmisión

1. En la consola de Google Cloud , ve a la página Flujos de Datastream.

   Ir a la página Transmisiones

2. Haz clic en la transmisión que quieres borrar. Para este instructivo, es My Stream.

3. Haz clic en Pausar.

4. En el cuadro de diálogo, haz clic en Detener.

5. En el panel Estado de la transmisión de la página Detalles de la transmisión, verifica que el estado de la transmisión sea Paused.

   Pausas la transmisión antes de borrarla para asegurarte de que todos los datos en tránsito se transfieran de la base de datos de origen al destino.

6. Haz clic en Borrar.

7. En el cuadro de diálogo, en el campo de texto, ingresa Delete y, luego, haz clic en Borrar.

Borra los perfiles de conexión

1. En la consola de Google Cloud , ve a la página Perfiles de conexión de Datastream.

   Ir a la página Perfiles de conexión

2. Selecciona la casilla de verificación de cada perfil de conexión que quieras borrar: My Source Connection Profile y My Destination Connection Profile.

3. Haz clic en Borrar.

4. En el cuadro de diálogo, haz clic en Borrar.

Detenga el trabajo de Dataflow

No puedes borrar un trabajo en Dataflow. Sin embargo, puedes detener un trabajo para que ya no procese archivos que contengan cambios en los datos que se transmiten al bucket de Cloud Storage ni transfiera los cambios en los datos a BigQuery.

1. En la consola de Google Cloud , ve a la página Trabajos de Dataflow.

   Ir a la página Trabajos

2. Haz clic en el trabajo que deseas detener. Para este instructivo, es my-dataflow-integration-job.

3. Haz clic en Detener.

4. En el cuadro de diálogo Detener trabajo, selecciona la opción Vaciar y, luego, haz clic en Detener trabajo.

   Dataflow termina de procesar los datos restantes almacenados en el búfer para que todos los datos "en tránsito" se transfieran a BigQuery antes de que se detenga el trabajo.

Borra los conjuntos de datos de BigQuery

1. En la consola de Google Cloud , ve a la página Espacio de trabajo de SQL de BigQuery.

   Ir a la página Espacio de trabajo de SQL

2. En el panel Explorador, expande el nodo junto al nombre de tu proyecto de Google Cloud .

3. Haz clic en el botón Ver acciones a la derecha de uno de los conjuntos de datos que creaste en Crea conjuntos de datos en BigQuery. Este botón tiene forma de tres puntos verticales.

   En este instructivo, haz clic en el botón Ver acciones a la derecha de My_integration_dataset_log.

4. Selecciona Borrar en el menú desplegable que aparece.

5. En el cuadro de diálogo ¿Deseas borrar el conjunto de datos?, ingresa delete en el campo de texto y, luego, haz clic en Borrar.

6. Repite los pasos de este procedimiento para borrar el segundo conjunto de datos que creaste: My_integration_dataset_final.

Borra la suscripción y el tema de Pub/Sub

1. En la consola de Google Cloud , ve a la página Suscripciones de Pub/Sub.

   Ir a la página Suscripciones

2. Haz clic en la casilla de verificación junto a la suscripción que quieres borrar. En este instructivo, haz clic en la casilla de verificación junto a la suscripción my_integration_notifs_sub.

3. Haz clic en Borrar.

4. En el cuadro de diálogo Borrar suscripción, haz clic en Borrar.

5. En la consola de Google Cloud , ve a la página Temas de Pub/Sub.

   Ir a la página Temas

6. Haz clic en la casilla de verificación junto al tema my_integration_notifs.

7. Haz clic en Borrar.

8. En el cuadro de diálogo Borrar tema, ingresa delete en el campo de texto y, luego, haz clic en Borrar.

Borra el bucket de Cloud Storage

1. En la consola de Google Cloud , ve a la página Navegador de Cloud Storage.

   Ir a la página del Navegador

2. Selecciona la casilla de verificación junto a tu bucket.

3. Haz clic en Borrar.

4. En el cuadro de diálogo, ingresa Delete en el campo de texto y, luego, haz clic en Borrar.

¿Qué sigue?

• Obtén más información sobre Datastream.
• Usa la API de transmisión heredada para realizar funciones avanzadas con datos de transmisión en BigQuery.
• Prueba otras funciones de Google Cloud por tu cuenta. Revisa nuestros instructivos.