Praxislabor — ADP Google Cloud Associate Data Practitioner

Übersicht

Voraussetzungen

Schritte

1. 1.Provider, Projektdienste, Benennung

   Aktivieren Sie Cloud Storage, BigQuery und den BigQuery Data Transfer Service (der geplante Abfragen ermöglicht).

   Kopieren

   terraform {
     required_version = ">= 1.5"
   
     required_providers {
       google = { source = "hashicorp/google", version = "~> 6.0" }
     }
   }
   
   provider "google" {
     project = "your-project-id" # REPLACE
     region  = "us-central1"
   }
   
   locals {
     labels = {
       project    = "certlabpro-adp"
       managed_by = "terraform"
     }
   }
   
   resource "google_project_service" "storage" {
     service            = "storage.googleapis.com"
     disable_on_destroy = false
   }
   
   resource "google_project_service" "bigquery" {
     service            = "bigquery.googleapis.com"
     disable_on_destroy = false
   }
   
   resource "google_project_service" "bqdts" {
     service            = "bigquerydatatransfer.googleapis.com"
     disable_on_destroy = false
   }

2. 2.Stellen Sie einen Cloud Storage Landing Bucket für Rohdaten bereit

   Ressourcen:

   • Cloud Storage

   Jede Datenpipeline nach dem ADP-Muster beginnt mit einem Landing Bucket – hier landen Rohdateien (CSV / JSON / Parquet / Avro), und nachgelagerte Jobs lesen daraus. Der Bucket ist die Grenze zwischen „außerhalb des Data Lake“ und „innerhalb des Data Lake“. Die ADP-Prüfung testet hier erneut die Auswahl der Speicherklasse – Standard für die Landing-Ebene (häufige Lesevorgänge in den ersten 30 Tagen), mit einer Lebenszyklusregel, die nach 90 Tagen zu Coldline wechselt.

   Der einheitliche Zugriff auf Bucket-Ebene ist aktiviert (die von ADP empfohlene Standardsicherheitseinstellung).

   Kopieren

   resource "random_id" "suffix" {
     byte_length = 4
   }
   
   resource "google_storage_bucket" "landing" {
     name                        = "certlabpro-adp-landing-${random_id.suffix.hex}"
     location                    = "US"
     uniform_bucket_level_access = true
     force_destroy               = true # lab-only
   
     lifecycle_rule {
       condition {
         age = 90
       }
       action {
         type          = "SetStorageClass"
         storage_class = "COLDLINE"
       }
     }
   
     labels = local.labels
   
     depends_on = [google_project_service.storage]
   }

3. 3.Erstellen Sie ein BigQuery-Dataset + eine nach Aufnahmezeit partitionierte Tabelle

   Ressourcen:

   • BigQuery

   BigQuery ist GCPs serverloses Data Warehouse – Sie zahlen pro gescanntem Byte bei Abfragen und pro gespeichertem Byte für Daten. Die ADP-Prüfung testet Partitionierung + Clustering als Kosteneinsparungsmechanismen: Partitionierte Tabellen ermöglichen es Abfragen, irrelevante Daten zu überspringen; geclusterte Tabellen legen zusammengehörige Zeilen im Speicher nebeneinander ab.

   Wir erstellen:

   1. Dataset analytics – den BigQuery-Container (das GCP-Äquivalent eines Schemas / einer Datenbank). Setzen Sie delete_contents_on_destroy = true für eine einfachere Bereinigung im Lab.
   2. Tabelle events mit Partitionierung nach Aufnahmezeit (_PARTITIONTIME Pseudospalte) und einer Partitionsablaufzeit von 30 Tagen. Produktionstabellen partitionieren typischerweise nach einer Spalte (time_partitioning.field) für bessere Abfrageselektivität.
   Kopieren

   resource "google_bigquery_dataset" "analytics" {
     dataset_id                  = "analytics"
     location                    = "US"
     delete_contents_on_destroy  = true # lab-only
   
     labels = local.labels
   
     depends_on = [google_project_service.bigquery]
   }
   
   resource "google_bigquery_table" "events" {
     dataset_id          = google_bigquery_dataset.analytics.dataset_id
     table_id            = "events"
     deletion_protection = false # lab-only
   
     time_partitioning {
       type                     = "DAY"
       expiration_ms            = 30 * 24 * 60 * 60 * 1000 # 30 days
       require_partition_filter = true
     }
   
     schema = jsonencode([
       { name = "event_id",    type = "STRING",    mode = "REQUIRED" },
       { name = "event_type",  type = "STRING",    mode = "REQUIRED" },
       { name = "event_time",  type = "TIMESTAMP", mode = "REQUIRED" },
       { name = "user_id",     type = "STRING",    mode = "NULLABLE" },
       { name = "payload",     type = "JSON",      mode = "NULLABLE" },
     ])
   
     labels = local.labels
   }

4. 4.Planen Sie eine BigQuery-Abfrage, die stündlich ausgeführt wird

   Ressourcen:

   • BigQuery

   Geplante Abfragen sind das ADP-Muster-Grundelement für das Einlesen von Daten von einem BigQuery-Dataset in ein anderes in einem festen Rhythmus. Sie werden auf der Infrastruktur des BigQuery Data Transfer Service ausgeführt (getrennt von bq-Ad-hoc-Abfragen) und werden zum gleichen Preis pro gescanntem Byte abgerechnet.

   Wir planen eine Abfrage, die stündlich ausgeführt wird, aus dem öffentlichen Dataset bigquery-public-data.samples.shakespeare liest und in die Tabelle events aus Schritt 3 schreibt. Die MERGE-Form (Upsert) ist die ADP-kanonische Antwort für idempotentes Einlesen – ein erneutes Ausführen der gleichen Stunde führt nicht zu doppelten Einfügungen.

   Die geplante Abfrage wird als Standard-Dienstkonto des Projekts ausgeführt; in Produktionsumgebungen wird ein dediziertes Transferdienstkonto mit roles/bigquery.dataEditor auf dem Ziel verwendet.

   Kopieren

   resource "google_bigquery_data_transfer_config" "hourly_load" {
     display_name           = "certlabpro-adp-hourly-load"
     data_source_id         = "scheduled_query"
     location               = "US"
     schedule               = "every 1 hours"
     destination_dataset_id = google_bigquery_dataset.analytics.dataset_id
   
     params = {
       query = "INSERT INTO `${google_bigquery_dataset.analytics.dataset_id}.${google_bigquery_table.events.table_id}` (event_id, event_type, event_time, user_id, payload) SELECT GENERATE_UUID() AS event_id, \"shakespeare-line\" AS event_type, CURRENT_TIMESTAMP() AS event_time, NULL AS user_id, TO_JSON(STRUCT(word, word_count, corpus)) AS payload FROM `bigquery-public-data.samples.shakespeare` WHERE word_count > 100 LIMIT 100"
     }
   
     depends_on = [
       google_project_service.bqdts,
       google_bigquery_table.events,
     ]
   }

Bereinigung