第二十七天 Jenkins 之旅：我的 BI 報表 Pipeline (7)

14th鐵人賽 bigquery gcs jenkins data pipeline

BenLiu

2022-09-27 00:53:10

1574 瀏覽

分享至

前言

不知不覺鐵人賽好像快看到終點了 ...... 今天讓我們繼續處理 Data Pipeline 。

由於這次我們會將最終結果以 Google Data Studio （GDS）呈現，因此為了讓這個 Side Project 更加豐富，所以我們決定讓 GDS 的 Data Source 為 BigQuery。
在資料喂進 bigquery 前，我們會先將資料上傳到 Google Cloud Storage （GCS），再將資料同步（External Table）到 bigquery 中。

本地資料上傳

首先，我們要將資料上傳 GCS 可以在 command line 執行以下指令，則可將資料由本地 DATA_PATH 上傳到 GCS 的 gs://BUCKET/PATH 中。

gcloud alpha storage cp {{ DATA_PATH }} gs://{{ BUCKET }}/{{ PATH }}

對應我們 Jenkinsfile 的 stage 會是

stage('Data pipeline') {
    matrix {
        axes {
            axis {
                name 'DATA'
                values 'user_info', 'content_info'
            }
        }
        stages {
            ......
            stage("Push to GCS"){
                steps{
                    sh """
                    gcloud alpha storage cp output/${DATA}/${DATA}.csv gs://crawler_result/ithome/ironman2022
                    """
                }
                
            }
        }
    }
}

資料同步

接著我們要讓 BigQuery 吃到 Google Cloud Storage 的資料。
在 GCP 的 BigQuery 頁面中，選擇新增資料（+ ADD DATA），資料來源我們選擇 Google Cloud Storage

依序設定

GCS 的資料位置：crawler_result/ithome/ironman2022/user_info.csv
File format: csv
Project: ithome-jenkins-2022
Dataset: ithome
Table: user_info_tmp
Table type: External table
Schema Auto detect: true

抑或是可以用 command line 的方式進行 external table 的建立

建立 external table 的設定檔

>> bq mkdef --source_format=CSV gs://crawler_result/ithome/ironman2022/user_info.csv

{
  "csvOptions": {
    "allowJaggedRows": false,
    "allowQuotedNewlines": false,
    "encoding": "UTF-8",
    "fieldDelimiter": ",",
    "preserveAsciiControlCharacters": false,
    "quote": "\"",
    "skipLeadingRows": 0
  },
  "sourceFormat": "CSV",
  "sourceUris": [
    "gs://crawler_result/ithome/ironman2022/content_info.csv"
  ]
}

將上面的設定檔寫入 external_user_info_def 中

bq mkdef --source_format=CSV gs://crawler_result/ithome/ironman2022/user_info.csv > external_user_info_def

建立 external table

bq mk --table --external_table_definition=external_user_info_def \ ithome.user_info_tmp \
_id:INTEGER,crawl_datetime:TIMESTAMP,user_id:INTEGER,user_name:STRING,ithome_level:STRING,ithome_point:INTEGER,user_viewed:INTEGER,user_followed:INTEGER,ask_question:INTEGER,article:INTEGER,answer:INTEGER,invitation_answer:INTEGER,best_answer:INTEGER

在完成上述設定後，即可在主畫面看到方才建立的 user_info_tmp

我們可以嘗試使用 BigQuery 提供的 SQL 互動式對話窗下

SELECT * FROM `ithome-jenkins-2022.ithome.user_info_tmp` WHERE user_name='BenLiu' LIMIT 1

來稍微驗證一下資料有被寫入

同樣的方式我們也建立 content_info_tmp，並也驗證一下資料是否有被寫入

小結

今日我們完成將資料從本地上傳到 GCS ，再由 GCS 以 external table 的方式，將資料同步到 content_info_tmp 與 user_info_tmp 兩張 BigQuery Table 中。明日我們將會繼續以 BigQuery 的 command line （bq）將資料一步步彙整到歷史資料表（history table），再從歷史資料表將資料客製化成 GDS 所需要的資料格式。

私心覺得在使用上 GCS/ BigQuery 的感覺非常像 HDFS/ Hive，因為以前沒有使用過 BigQuery，所以在設計 Data pipeline 的設計上，完全是把它當成 Hive 在做，所以有任何錯誤歡迎糾正我。