S'abonner à Google Pub/Sub

Utilisez le connecteur intégré pour vous abonner à Google Pub/Sub. Ce connecteur possède une sémantique de traitement à exécution unique pour les lignes de l'abonné.

remarque

Pub/Sub pourrait publier des lignes dupliquées, ou les lignes pourraient arriver à l'abonné dans le désordre. Vous devez écrire du code pour gérer les lignes dupliquées et désordonnées.

Configure un Stream Pub/Sub

Les exemples suivants montrent comment lire depuis Pub/Sub et s'authentifier avec un identifiant de service. Pour toutes les options d'authentification, voir Configurer l'accès à Pub/Sub.

Python

Python

query = (spark.readStream
  .format("pubsub")
  .option("subscriptionId", "mysub")
  .option("topicId", "mytopic")
  .option("projectId", "myproject")
  .option("serviceCredential", "service-credential-name")
  .load()
)

Scala

Scala

val query = spark.readStream
  .format("pubsub")
  // Creates a Pub/Sub subscription if one does not already exist with this ID
  .option("subscriptionId", "mysub")
  .option("topicId", "mytopic")
  .option("projectId", "myproject")
  .option("serviceCredential", "service-credential-name")
  .load()

SQL

SQL

CREATE OR REFRESH STREAMING TABLE pubsub_raw
AS SELECT * FROM STREAM read_pubsub(
  subscriptionId => 'mysub',
  projectId => 'myproject',
  topicId => 'mytopic',
  serviceCredential => 'service-credential-name'
);

Pour plus d’options de configuration, consultez Configurer les options de lecture en streaming Pub/Sub.

Configurer l'accès à Pub/Sub

Vos identifiants doivent avoir les rôles suivants :

Rôles	Obligatoire ou facultatif	Utilisation du rôle
roles/pubsub.viewer OU roles/viewer	Obligatoire	Vérifie si l'abonnement existe et récupère l'abonnement.
roles/pubsub.subscriber	Obligatoire	Récupère les données d'un abonnement.
roles/pubsub.editor OU roles/editor	Facultatif	Permet la création d'un abonnement s'il n'existe pas et permet l'utilisation du deleteSubscriptionOnStreamStop pour supprimer les abonnements à la fin du Stream.

Rôles	Obligatoire ou facultatif	Utilisation du rôle
roles/pubsub.viewer OU roles/viewer	Obligatoire	Vérifie si l'abonnement existe et récupère l'abonnement.
roles/pubsub.subscriber	Obligatoire	Récupère les données d'un abonnement.
roles/pubsub.editor OU roles/editor	Facultatif	Permet la création d'un abonnement s'il n'existe pas et permet l'utilisation du deleteSubscriptionOnStreamStop pour supprimer les abonnements à la fin du Stream.

remarque

Si vous accordez roles/pubsub.viewer et roles/pubsub.subscriber au niveau de la ressource plutôt qu'au niveau du projet, vous devez appliquer les deux rôles au sujet et à l'abonnement. Si vous n'utilisez pas les rôles facultatifs roles/pubsub.editor ou roles/editor, l'octroi des rôles requis sur le sujet seul n'est pas suffisant.

Databricks vous recommande de configurer un identifiant de service pour les lectures Pub/Sub. Les identifiants de service pour Pub/Sub nécessitent Databricks Runtime 16.1 ou une version ultérieure. Voir Créer des informations d'identification de service. Cependant, si les identifiants de service Databricks ne sont pas disponibles, vous pouvez utiliser directement un compte de service Google (GSA). Les autorisations pour le GSA sont disponibles pour toutes les queries exécutées sur ce cluster. Consultez le compte de service Google.

remarque

Vous ne pouvez pas attacher un GSA à un compute configuré avec le mode d'accès standard.

Configurez les options suivantes pour utiliser un GSA avec un Stream :

• clientEmail
• clientId
• privateKey
• privateKeyId

Comprendre le schéma Pub/Sub

Le schéma du stream correspond aux lignes récupérées depuis Pub/Sub, comme décrit dans le tableau suivant :

Champ	Type
messageId	StringType
payload	ArrayType[ByteType]
attributes	StringType
publishTimestampInMillis	LongType

Champ	Type
messageId	StringType
payload	ArrayType[ByteType]
attributes	StringType
publishTimestampInMillis	LongType

Configurer les options pour la lecture en streaming Pub/Sub

Certaines options de configuration Pub/Sub utilisent le concept de récupérations au lieu de micro-batchs . Ceci est un détail d'implémentation interne, et les options fonctionnent de manière similaire aux autres connecteurs Structured Streaming, sauf que les lignes sont récupérées puis traitées.

Pour la liste complète des options, voir Pub/Sub.

Utilisez le traitement par batch incrémentiel avec Pub/Sub

Vous pouvez utiliser Trigger.AvailableNow pour consommer les lignes disponibles à partir des sources Pub/Sub comme un batch incrémentiel.

Databricks enregistre le Timestamp lorsque vous commencez une lecture avec le paramètre Trigger.AvailableNow. Les lignes traitées par le batch incluent toutes les données précédemment récupérées et toutes les nouvelles lignes publiées avec un Timestamp inférieur au Timestamp de start enregistré. Pour plus d'information, consultez AvailableNow: traitement par batch incrémentiel.

Surveiller les métriques de streaming Pub/Sub

Les métriques de progression de Structured Streaming indiquent le nombre de lignes récupérées et prêtes à être traitées, la taille des lignes récupérées et prêtes à être traitées, et le nombre de doublons vus depuis le start du Stream.

Voici un exemple de métriques Pub/Sub :

JSON

"metrics" : {
  "numDuplicatesSinceStreamStart" : "1",
  "numRecordsReadyToProcess" : "1",
  "sizeOfRecordsReadyToProcess" : "8"
}

Limitations

Pub/Sub ne prend pas en charge l'exécution spéculative avec spark.speculation.