Criar um Google analítico Raw ingestão de dados pipeline

Este artigo descreve como criar um Google analítico Raw ingestão de dados pipeline usando Databricks LakeFlow Connect e Google BigQuery. O senhor pode criar o pipeline usando a interface do usuário do Databricks ou as APIs do Databricks.

Antes de começar

Para criar um pipeline de ingestão, o senhor deve atender aos seguintes requisitos:

• Seu workspace deve estar habilitado para o Unity Catalog.

• O compute sem servidor deve estar habilitado para o seu workspace. Consulte Ativar serverless compute .

• Se você planeja criar uma nova conexão: você deve ter privilégios CREATE CONNECTION na metastore.

  Se o seu conector for compatível com a criação de pipeline com base na interface do usuário, o senhor poderá criar a conexão e o pipeline ao mesmo tempo, concluindo as etapas desta página. No entanto, se o senhor usar a criação de pipeline baseada em API, deverá criar a conexão no Catalog Explorer antes de concluir as etapas desta página. Consulte Conectar-se a fontes de ingestão de gerenciar.

• Se você planeja usar uma conexão existente: você deve ter privilégios USE CONNECTION ou ALL PRIVILEGES no objeto de conexão.

• Você deve ter privilégios USE CATALOG no catálogo de destino.

• Você deve ter privilégios USE SCHEMA e CREATE TABLE em um esquema existente ou privilégios CREATE SCHEMA no catálogo de destino.

Para ingerir a partir do GA4 usando BigQuery, consulte Configurar o Google analítica 4 e o Google BigQuery para ingerir Databricks.

Configurar a rede

Se o senhor tiver o controle de saída serverless ativado, coloque na lista de permissões os seguintes URLs. Caso contrário, pule essa etapa. Consulte gerenciar políticas de rede para serverless controle de saída.

• bigquery.googleapis.com
• oauth2.googleapis.com
• bigquerystorage.googleapis.com
• googleapis.com

Criar o pipeline de ingestão

Permissões necessárias: USE CONNECTION ou ALL PRIVILEGES em uma conexão.

Esta etapa descreve como criar o pipeline de ingestão. Cada tabela ingerida é gravada em uma tabela de transmissão com o mesmo nome.

Databricks UI

1. Na barra lateral do site Databricks workspace, clique em ingestão de dados .

2. Na página Add data (Adicionar dados) , em Databricks connectors (conectores ), clique em Google analítica 4 .

   O assistente de ingestão é aberto.

3. Na página Ingestion pipeline (Pipeline de ingestão ) do assistente, digite um nome exclusivo para o pipeline.

4. No menu suspenso Catálogo de destino , selecione um catálogo. Os dados ingeridos e o evento logs serão gravados nesse catálogo. Você selecionará um esquema de destino posteriormente.

5. Selecione a conexão do Unity Catalog que armazena as credenciais necessárias para acessar os dados de origem.

   Se não houver conexões existentes com a fonte, clique em Create connection (Criar conexão ) e insira os detalhes de autenticação que o senhor obteve em Set up Google analítica 4 and Google BigQuery for Databricks ingestion (Configurar o Google analítica 4 e o Google para ingestão). Você deve ter privilégios CREATE CONNECTION na metastore.

6. Clique em Create pipeline (Criar pipeline) e continue .

7. Na página Source (Origem) , selecione as tabelas a serem ingeridas no Databricks e clique em Next (Avançar ).

8. Na página Destination (Destino ), selecione o catálogo e o esquema do Unity Catalog para gravar.

   Se você não quiser usar um esquema existente, clique em Criar esquema . Você deve ter privilégios USE CATALOG e CREATE SCHEMA no catálogo principal.

9. Clique em Save pipeline (Salvar pipeline) e continue .

10. (Opcional) Na página Settings (Configurações ), clique em Create programar (Criar programa ). Defina a frequência para refresh as tabelas de destino.

11. (Opcional) Defina as notificações do site email para o sucesso ou fracasso das operações do pipeline.

12. Clique em Save e execute pipeline .

Databricks notebook

1. Gere tokens de acesso pessoal e copie os tokens para que o senhor possa colá-los em um Notebook posteriormente. Consulte Databricks acesso pessoal tokens para usuários de workspace.

2. Importe o seguinte Notebook para o site workspace:

Criar uma ingestão bruta de dados do Google analítica pipeline

Open notebook in new tab

3. Modifique os seguintes valores no Notebook:

   Célula 1:

   • api_token: Os tokens de acesso pessoal que o senhor gerou

   Célula 3:

   • name: Um nome para o pipeline
   • connection_name: O nome da conexão do Unity Catalog que o senhor criou no Catalog Explorer (Catalog > External data > Connections ). Se você não tiver uma conexão existente com a fonte, poderá criar uma. Você deve ter o privilégio CREATE CONNECTION na metastore.
   • source_catalog: ID de um projeto do Google Cloud Platform (GCP). Se o catálogo de origem não for especificado, o conector presumirá que o projeto GCP a ser ingerido é o mencionado no serviço account.
   • source_schema: Um nome de propriedade do Google Analytics no formato analytics_XXXXXXXX
   • source_table: O nome da tabela de origem: events, events_intraday, users ou pseudonymous_users
   • destination_catalog: um nome para o catálogo de destino que conterá os dados ingeridos
   • destination_schema: um nome para o esquema de destino que conterá os dados ingeridos
   • scd_type: O método SCD a ser usado: SCD_TYPE_1 ou SCD_TYPE_2. Ver história acompanhamento.

4. Clique em Executar tudo .

Databricks CLI

Para criar o pipeline:

SQL

databricks pipelines create --json "<pipeline definition or json file path>"

Para editar o pipeline:

SQL

databricks pipelines update --json "<pipeline definition or json file path>"

Para obter a definição do pipeline:

SQL

databricks pipelines get "<pipeline-id>"

Para excluir o pipeline:

SQL

databricks pipelines delete "<pipeline-id>"

Para obter mais informações, execute:

SQL

databricks pipelines --help
databricks pipelines <create|update|get|delete|...> --help

Atualize seu programa pipeline e as notificações

O senhor pode criar um programa para o pipeline na página de detalhes do pipeline.

1. Depois que o pipeline tiver sido criado, acesse novamente o Databricks workspace e clique em pipeline .

   O novo pipeline aparece na lista pipeline.

2. Para acessar view os detalhes de pipeline, clique no nome pipeline.

3. Na página de detalhes do pipeline, o senhor pode programar o pipeline clicando em programar .

4. Para definir notificações no pipeline, clique em Settings (Configurações ) e, em seguida, adicione uma notificação.

Para cada programa que o senhor adicionar a um pipeline, o LakeFlow Connect cria automaticamente um Job para ele. A ingestão pipeline é uma tarefa dentro do trabalho. Opcionalmente, o senhor pode adicionar mais tarefas ao trabalho.