Laboratorio práctico — ADP Google Cloud Associate Data Practitioner

Descripción general

Requisitos previos

Pasos

1. 1.Proveedor, servicios del proyecto, nomenclatura

   Habilita Cloud Storage, BigQuery y BigQuery Data Transfer Service (que impulsa las consultas programadas).

   Copiar

   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.Aprovisiona un bucket de aterrizaje de Cloud Storage para datos sin procesar

   Aprovisiona:

   • Cloud Storage

   Cada pipeline de datos con patrón ADP comienza con un bucket de aterrizaje — los archivos sin procesar (CSV / JSON / Parquet / Avro) se depositan aquí, y los trabajos posteriores leen de él. El bucket es el límite entre fuera del lago y dentro del lago. El examen ADP vuelve a evaluar la elección de la clase de almacenamiento aquí — Estándar para la capa de aterrizaje (lecturas frecuentes en los primeros 30 días), con una regla de ciclo de vida que transiciona a Coldline después de 90 días.

   El acceso uniforme a nivel de bucket está activado (la configuración de seguridad predeterminada recomendada por ADP).

   Copiar

   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.Crea un conjunto de datos de BigQuery + tabla particionada por tiempo de ingesta

   Aprovisiona:

   • BigQuery

   BigQuery es el data warehouse sin servidor de GCP — paga por byte escaneado en la consulta, paga por byte almacenado en los datos. El examen ADP evalúa la partición + el clustering como palancas de control de costos: las tablas particionadas permiten que las consultas omitan datos irrelevantes; las tablas agrupadas colocan filas relacionadas juntas en el almacenamiento.

   Creamos:

   1. Conjunto de datos analytics — el contenedor de BigQuery (el equivalente de GCP de un esquema / base de datos). Establece delete_contents_on_destroy = true para facilitar la limpieza del laboratorio.
   2. Tabla events con partición por tiempo de ingesta (pseudo-columna _PARTITIONTIME) y expiración de partición de 30 días. Las tablas de producción suelen particionar por una columna (time_partitioning.field) para la selectividad de la consulta.
   Copiar

   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.Programa una consulta de BigQuery que se ejecute cada hora

   Aprovisiona:

   • BigQuery

   Las consultas programadas son la primitiva del patrón ADP para ingestar de un conjunto de datos de BigQuery a otro con una cadencia fija. Se ejecutan en la infraestructura del BigQuery Data Transfer Service (separado de las consultas bq ad-hoc) y facturan la misma tarifa por byte escaneado.

   Programamos una consulta que se ejecuta cada hora, lee del conjunto de datos público bigquery-public-data.samples.shakespeare y escribe en la tabla events del Paso 3. La forma MERGE (upsert) es la respuesta canónica de ADP para la ingesta idempotente — volver a ejecutar la misma hora no inserta duplicados.

   La consulta programada se ejecuta como la cuenta de servicio predeterminada del proyecto; las implementaciones de producción utilizan una cuenta de servicio de transferencia dedicada con roles/bigquery.dataEditor en el destino.

   Copiar

   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,
     ]
   }

Limpieza