Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Cloud Data Fusion es un servicio de integración de datos empresariales nativo de la nube y completamente administrado para compilar y administrar canalizaciones de datos con rapidez. La interfaz web de Cloud Data Fusion te permite compilar soluciones de integración de datos escalables. Te permite conectarte a varias fuentes de datos, transformar los datos y, luego, transferirlos a varios sistemas de destino, sin tener que administrar la infraestructura.
Cloud Data Fusion se basa en el proyecto de código abierto CDAP.
Comienza a usar Cloud Data Fusion
Puedes comenzar a explorar Cloud Data Fusion en minutos.
Los componentes principales de Cloud Data Fusion se explican en las siguientes secciones.
Proyecto de inquilino
El conjunto de servicios necesarios para compilar y organizar canalizaciones de Cloud Data Fusion y almacenar metadatos de canalizaciones se aprovisionan en un proyecto de usuario, dentro de una unidad de usuario. Se crea un proyecto de usuario independiente para cada proyecto de cliente, en el que se aprovisionan las instancias de Cloud Data Fusion. El proyecto de usuario hereda todas las configuraciones de red y firewall del proyecto del cliente.
Cloud Data Fusion: Console
La consola de Cloud Data Fusion, también conocida como plano de control, es un conjunto de operaciones de API y una interfaz web que se ocupa de la propia instancia de Cloud Data Fusion, como crearla, borrarla, reiniciarla y actualizarla.
Cloud Data Fusion: Studio
Cloud Data Fusion Studio, también conocido como el plano de datos, es un conjunto de API de REST y operaciones de interfaz web que se encargan de la creación, ejecución y administración de canalizaciones y artefactos relacionados.
Conceptos
En esta sección, se presentan algunos de los conceptos básicos de Cloud Data Fusion.
Una instancia de Cloud Data Fusion es una implementación única de Cloud Data Fusion. Para comenzar a usar Cloud Data Fusion, crea una instancia de Cloud Data Fusion a través de la consola de Google Cloud.
Puedes crear varias instancias en un solo proyecto de la consola de Google Cloud y especificar la región de Google Cloud en la que quieres crear tus instancias de Cloud Data Fusion.
Cada instancia de Cloud Data Fusion contiene una implementación independiente y única de Cloud Data Fusion que contiene un conjunto de servicios que se encargan de la administración del ciclo de vida de la canalización, la organización, la coordinación y la administración de metadatos. Estos servicios se ejecutan con recursos de larga duración en un proyecto de usuario.
Un espacio de nombres es una agrupación lógica de aplicaciones, datos y los metadatos asociados en una instancia de Cloud Data Fusion. Puedes pensar en los espacios de nombres como una partición de la instancia. En una sola instancia, un espacio de nombres almacena los datos y metadatos de una entidad de forma independiente de otro espacio de nombres.
Una canalización es una forma de diseñar de forma visual los datos y controlar los flujos para extraer, transformar, combinar, agregar y cargar datos de varias fuentes de datos locales y en la nube.
La compilación de canalizaciones te permite crear flujos de trabajo complejos de procesamiento de datos que pueden ayudarte a resolver problemas de transferencia, integración y migración de datos. Puedes usar Cloud Data Fusion para compilar canalizaciones por lotes y en tiempo real, según tus necesidades.
Las canalizaciones te permiten expresar tus flujos de trabajo de procesamiento de datos mediante
el flujo lógico de datos, mientras que Cloud Data Fusion maneja todas las
funciones que se requieren para ejecutarse de forma física en un entorno
de ejecución.
En la página Studio de la interfaz web de Cloud Data Fusion, las canalizaciones se representan como una serie de nodos organizados en un grafo acíclico dirigido (DAG), que forman un flujo unidireccional.
Los nodos representan las diversas acciones que puedes realizar con tus canalizaciones, como leer de las fuentes, realizar transformaciones de datos y escribir resultados en receptores. Puedes desarrollar canalizaciones de datos en la interfaz web de Cloud Data Fusion si conectas fuentes, transformaciones, receptores y otros nodos.
Un complemento es un módulo personalizable que se puede usar para extender las capacidades de Cloud Data Fusion.
Cloud Data Fusion proporciona complementos para fuentes, transformaciones,
agregados, receptores, recopiladores de errores, publicadores de alertas, acciones y
acciones posteriores a la ejecución.
A veces, un complemento se conoce como un nodo, por lo general, en el contexto de la interfaz web de Cloud Data Fusion.
En la interfaz web de Cloud Data Fusion, haz clic en Hub para explorar los complementos, las canalizaciones de muestra y otras integraciones. Cuando se lanza
una versión nueva de un complemento, se puede ver en Hub en cualquier instancia
compatible. Esto se aplica incluso si la instancia se creó antes del lanzamiento del complemento.
Cloud Data Fusion crea entornos de ejecución efímeros para
ejecutar canalizaciones.
Cloud Data Fusion admite Dataproc como entorno de ejecución.
Cloud Data Fusion aprovisiona un clúster de Dataproc efímero en tu proyecto de cliente al comienzo de la ejecución de una canalización, ejecuta la canalización con Spark en el clúster y, luego, borra el clúster cuando se completa la ejecución de la canalización.
Como alternativa, si administras tus clústeres de Dataproc en entornos controlados, a través de tecnologías como Terraform, también puedes configurar Cloud Data Fusion para que no aprovisione clústeres. En esos entornos, puedes ejecutar canalizaciones en clústeres de Dataproc existentes.
Un perfil de procesamiento especifica cómo y dónde se ejecuta una canalización. Un perfil encapsula cualquier información necesaria para configurar y borrar el entorno de ejecución físico de una canalización.
Por ejemplo, un perfil de procesamiento incluye lo siguiente:
Aprovisionador de ejecución
Recursos (memoria y CPU)
Cantidad mínima y máxima de nodos
Otros valores
Un perfil se identifica por nombre y se le debe asignar un aprovisionador y su configuración relacionada. Un perfil puede existir a nivel de
instancia de Cloud Data Fusion o a nivel de espacio de nombres.
El perfil de procesamiento predeterminado de Cloud Data Fusion es
el ajuste de escala automático.
Las canalizaciones de datos reutilizables en Cloud Data Fusion permiten crear una sola canalización que puede aplicar un patrón de integración de datos a una variedad de casos de uso y conjuntos de datos.
Las canalizaciones reutilizables ofrecen una mejor administración, ya que establecen la mayor parte de la configuración de una canalización en el tiempo de ejecución, en lugar de codificarla de forma fija en el momento del diseño.
Cloud Data Fusion admite la creación de un activador en una canalización de datos (llamada canalización descendente), para que se ejecute cuando se complete una o más canalizaciones diferentes (llamadas canalizaciones ascendentes). Puedes elegir cuándo se ejecuta la canalización descendente, por ejemplo, si se ejecuta correctamente, falla, se detiene o cualquier combinación de estos elementos.
Los activadores son útiles en los siguientes casos:
Limpia tus datos una vez y, luego, haz que estén disponibles para varias canalizaciones descendentes para su consumo.
Compartir información, como argumentos del entorno de ejecución y configuraciones de complementos, entre canalizaciones Esto se denomina configuración de la carga útil.
Tener un conjunto de canalizaciones dinámicas que pueden ejecutarse con los datos de la hora, el día, la semana o el mes, en lugar de usar una canalización estática que debe actualizarse en cada ejecución
Recursos de Cloud Data Fusion
Explorar los recursos de Cloud Data Fusion:
Las notas de la versión proporcionan registros de cambios de funciones, cambios y bajas.