Лабораторная работа — ADP Google Cloud Associate Data Practitioner

Обзор

Предварительные требования

Шаги

1. 1.Провайдер, сервисы проекта, именование

   Включите Cloud Storage, BigQuery и BigQuery Data Transfer Service (который обеспечивает работу запланированных запросов).

   Копировать

   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.Выделите бакет Cloud Storage для входящих необработанных данных

   Создаваемые ресурсы:

   • Cloud Storage

   Каждый конвейер данных по шаблону ADP начинается с бакета для входящих данных — сюда помещаются необработанные файлы (CSV / JSON / Parquet / Avro), а последующие задания считывают их отсюда. Бакет является границей между внешней частью озера и внутренней частью озера. Экзамен ADP снова проверяет выбор класса хранения здесь — Standard для уровня входящих данных (частые чтения в первые 30 дней), с правилом жизненного цикла, переходящим в Coldline через 90 дней.

   Включен унифицированный доступ на уровне бакета (рекомендуемая ADP настройка безопасности по умолчанию).

   Копировать

   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.Создайте набор данных BigQuery + таблицу, разделенную по времени приема данных

   Создаваемые ресурсы:

   • BigQuery

   BigQuery — это бессерверное хранилище данных GCP: оплата за сканированный байт при запросе, оплата за хранимый байт данных. Экзамен ADP проверяет разделение на партиции + кластеризацию как рычаги контроля затрат: таблицы, разделенные на партиции, позволяют запросам пропускать нерелевантные данные; кластеризованные таблицы группируют связанные строки в хранилище.

   Мы создаем:

   1. Набор данных analytics — контейнер BigQuery (эквивалент схемы / базы данных GCP). Установите delete_contents_on_destroy = true для удобства очистки в лаборатории.
   2. Таблицу events с разделением по времени приема данных (псевдостолбец _PARTITIONTIME) и сроком действия партиции 30 дней. Производственные таблицы обычно разделяются по столбцу (time_partitioning.field) для селективности запросов.
   Копировать

   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.Запланируйте запрос BigQuery, который запускается ежечасно

   Создаваемые ресурсы:

   • BigQuery

   Запланированные запросы — это примитив по шаблону ADP для приема данных из одного набора данных BigQuery в другой с фиксированной периодичностью. Они выполняются на инфраструктуре BigQuery Data Transfer Service (отдельно от специальных запросов bq) и тарифицируются по той же ставке за сканированный байт.

   Мы планируем запрос, который запускается каждый час, считывает данные из общедоступного набора данных bigquery-public-data.samples.shakespeare и записывает их в таблицу events из Шага 3. Форма MERGE (обновление или вставка) является каноническим ответом ADP для идемпотентного приема данных — повторный запуск в тот же час не приводит к двойной вставке.

   Запланированный запрос выполняется от имени сервисного аккаунта проекта по умолчанию; в производственных развертываниях используется выделенный сервисный аккаунт для передачи данных с roles/bigquery.dataEditor на целевом ресурсе.

   Копировать

   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,
     ]
   }

Очистка ресурсов