9
8

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

GCPでデータエンジニアリングに入門する

Last updated at Posted at 2022-05-08

はじめに

データ基盤全体像

実践的データ基盤への処方箋参照

dataengineer.png

①データソース

  • 業務システムのデータベースなど

②データ収集(処理)

  • キュー、トリガファイルなどを利用する
  • データベースからの収集
    • ①SQL利用
      • SQL、レプリカからSQL→たいていの場合、これが良い?
      • データ全量ではなくカーソルだけを返すことも検討する
    • ②ファイル経由
      • エクスポート、データベースダンプ
    • ③更新ログ収集
      • 更新ログからDB復元、CDCツール
  • ログからの収集
    • ログエージェントにはバッファを持たせる
    • 分散メッセージキュー
      • 順序性保証、メッセージの重複、可視性タイムアウトなどに気をつける

③データレイク層

  • rawデータをそのまま集めること
  • 構造化データも非構造化データも保存する

④データウェアハウス層

  • 共通指標となるデータの置き場
  • ここでデータクレンジングをする
  • 先にデータマートを整理して、共通化できそうだったらここを作っていく(先に両端から詰めていく)
  • 更新が苦手なので、一時テーブルを作成して差し替える

⑤データマート層

  • 特定用途向けのデータの置き場
  • ユースケースと1対1の対応
  • データウェアハウス製品がデータウェアハウス層だけでなくデータマート層も扱えたりする

⑥ユースケース

  • 毎週のジャンル別の売り上げのモニタリング、など
  • データの利用状況を5W1Hで整理すること

サービス別ポイント

GCS(Cloud Storage)

概要

  • Google Cloudのオブジェクトストレージ

構成図

スクリーンショット 2022-05-04 8.52.26.png

ポイント

  • Hadoopのクラスタの寿命より長くデータを保持したい → Cloud Storageコネクタを使用する
  • ストレージクラスを正しく使い分ける
  • ライフサイクル
  • 大量アップロードはgsutilを並列実行、TARファイルを送信して分解
  • データ移行
    • Storage Transfer Service
      • オンライン
      • スケジューリング可能
    • Transfer Appliance
      • オフライン
      • 大量データ。データセンターで

BigQuery

概要

  • Google BigQueryは、ビジネスのアジリティを高めるように設計された、Google Cloudのエンタープライズデータウェアハウスです。

  • そのサーバーレス アーキテクチャは、大規模かつ高速な動作を可能にし、大量のデータセットに対して驚くべき速度でSQL解析を実行できます。

  • Analytics Platform as a Service

構成図

スクリーンショット 2022-05-04 8.43.12.png

ポイント

  • BQでは、クエリの結果は全てテーブルとして結果が書き込まれる
    • 一時的なキャッシュテーブル(デフォルト)
      • 最大24時間保管
      • キャッシュが効かない例
        • CURRENT_TIMESTAMP()を利用している
        • キャッシュを利用しないオプションを指定している
        • クエリ対象テーブルが変更されている
    • 宛先テーブル
      • CREATE TABLE AS SELECT と同じ
  • JSONのデータが貯まっている。SQLを実行したい→BQにインポートする。スキーマはAutomatically detectにしておく(スキーマの変更を検出する)
  • GCSのCSVをSparkで変換しているが、アナリストはANSI SQLを実行したい → BQを利用する。Dataprocを使用して変換を実行する
  • BQにストリーミングで挿入するが、データが1回のみ送信される保証はない → 1つに絞るために、SELECT ROW_NUMBER() OVER (PARTITION BY category ORDER BY purchases DESC) rn WHERE rn = 1 --- PARTITION by "一意のID列"としている。その内の行番号=1を指定している。
  • 複数のテーブルのデータに対してクエリ → バッククォート、ワイルドカード
  • BQでユーザが何をしているか確認 → Cloud Audit Logを使用してデータアクセスを確認する。Activityタグ。誰がいつそのリソースを作成したのか
  • SQLをサポートしている。BigTableはサポートしていない。CloudSQLも権限管理が難しいので分析用途には向いていない。(→分析でSQLを利用するならBQ)
  • バッチならタダ。デイリーで更新なら問題ない。
  • BIツールから参照するときなど、コスト削減のためにはキャッシュが大事
    • キャッシュが効かないのは、timestampや、wildcard、destination tableを使っている
  • ユーザーごとにカスタムクォータを設定する。1日あたりPJ/ユーザ
  • スキーマの変更ができないケースは、INSERT SELECTなどを使って作り直す(単なるカラム追加は可能)
    • カラム名変更
    • カラムデータタイプ変更
    • カラム削除
  • GCSにデータを置いたままexternal tableとしてクエリをかけられる
    • まずexternal → 処理してinternalに(レポートのためなど)
  • エンコーディング注意
  • 権限を正しく付与する
    • engineer groupにadmin / data analystにdataEditor / dev teamにuser
    • authorized viewを作る。同じデータセットに
      • 元のテーブルへのアクセス権がなくても、クエリの結果を特定のユーザに共有できる
    • 緊急メンテナンス時に一時的な権限付与をどうするか(権限付与の履歴は残す)
    • editorでも不足する場合もある?INFORMATION_SCHEMAを見れるようにとか(アプリチームもINFORMATION_SCHEMAは見るとか)
  • クエリ数と実行時間をモニタリングする
  • 分析のためには、CloudSQL→Dataflow→GCS→BQ→DataStudio、など
  • パーティショニングとシャーディングを正しく設計する(スキャン量を減らすためにも。シャーディングはテーブル数の上限に注意)
  • TABLE_DATE_RANGE()で過去30日にクエリ
  • Audit logを管理する
  • 特定のテーブルの更新を確認したい → 高度なログフィルタでテーブルログのみをフィルタ
  • 更新は苦手なので、新しいテーブルを作成して元とマージする。BQジョブを作成する。
  • コスト分析ができるようにしておく。クエリとストレージ
    • ストレージはデータセットごとにtagを打っておく、ダッシュボードを作っておく
    • コストを正しく取得できているか。データ量=コストではない。logical volumeかとか。
  • 不要なデータセットが増えていくもの。対策を考えておく
    • データ量順に表示
    • tagがついていないデータセットを検知
  • メトリクス確認
    • 大きくはクエリ(スロット)とストレージ
    • 割り当てに対して何%か、実行時間外れ値ないか、Query Countの規則性、Stored Bytes
  • タイムトラベル機能で直近1wは遡ることができる
  • INFORMATION_SCHEMA でクエリごとのスロット使用量や実行時間を確認できる
    • チームごとなどに集計するには、クエリに仕込んでおく?
  • スロットを購入するときはignore_idol_slotを設定
  • データセットコピーの方式はいくつかあるので、使い分ける
    • BQDT(データセットごと)、snapshot、etc
  • ストレージ量が増えないように設定しておく。snapshot改廃期間、longterm, TVFの利用、etc
  • スロット割り当ての履歴は残しておく。後から、テストや障害分析時にスロット量がどうだったか分かるように
  • どのチームがどこまで管理するか決めておく。データセットはインフラでTerraform、とか
  • データセットの命名規則を予め決めておく
  • クォータ制限もあるので注意
    • QueryUsagePerDayとか
  • データの転送方法は色々あるので適切に使い分ける
  • BigQueryDataTransfer
    • 差分更新
    • 定期実行の場合、12時間ごと
    • -> Composerなどでラップするべきか
    • 途中でこけてしまった場合の検知
  • データの更新をメタデータで見る場合は、0件の場合に注意
    • PubSubを利用するか
  • TimeTravel利用時は制約条件に注意
    • DropCreate, non-partitionとか
  • Sessionの管理
  • Analytics Hubの活用
    • 各種 BigQuery オブジェクト(テーブル、ビュー、ML モデル)を、組織間で共有できるサービス

BigTable

概要

  • フルマネージドでスケーラブルな NoSQL データベース サービス
  • レイテンシが安定して 10 ミリ秒未満で、毎秒何百万ものリクエストを処理
  • パーソナライズ、アドテック、フィンテック、デジタル メディア、IoT などのユースケースに理想的

構成図

image.png

ポイント

  • 時系列データに向いている
  • write readの要件が高く、クエリ要件がない場合に向いている
  • 1TB未満は向かない
  • 250000台のデバイスから10sごとにjson形式のデバイスステータスイベントを生成。外れ値の時系列分析をしたい → Bigtableに入れて、cbt(command line tool)で外れ値データを表示する
  • システムメトリックを収集したい。スケールを考慮 → Pub/Sub → Dataproc or Dataflow → BigTable
  • センサー情報が貯まっている。クエリパフォーマンスを改善するには? → ホットスポット化(特定のSpannerノードにリクエストが集中してしまう現象)に注意する。値が単調に増加する列を最初のキー部分に選択すると、キー空間の最後にすべての挿入が実行される。本来はUUID v4 を推奨。#。だけだと古いデータを上書きしてしまう。
  • ストレージタイプを変更するなら作り直し。Dataflowでexport
  • tall and narrowテーブルになるように。1行を長くではなく、縦に増やしていく
  • 性能テストをするなら
    • 300GB以上入れてスペックを上げておく
    • スケールアップは事前にしておく
    • pre-testを事前にしておく
  • パフォーマンスを出すために
    • ノードを追加
    • 行ごとのcellが大きくならないようにする
    • development type と Production type
    • HDDとSSD
  • クラスタのサイズを増やすのは、書き込みレイテンシとストレージ使用率を確認する
  • 分析用とクラスタを分ける。プロファイル
  • スロット使用量を監視。slot/allocated-for-project
  • プロジェクトの優先順位を階層的に設定

DataStore

概要

  • スケーラビリティの高い NoSQL データベース
  • Datastore はシャーディングとレプリケーションを自動的に処理し、アプリケーションの負荷に合わせて自動的にスケールする、可用性と耐久性を兼ね備えたデータベースを提供します。Datastore は ACID トランザクション、SQL ライクなクエリ、インデックスなどの多くの機能を備えています。

構成図

image.png

ポイント

  • SQL-like language
  • fully managed
  • semi-structured

Cloud SQL

概要

  • MySQL、PostgreSQL、SQL Server 向けのフルマネージド リレーショナル データベース サービス

構成図

  • GCPのストレージサービスの使い分け
    スクリーンショット 2022-05-08 23.38.42.png

ポイント

  • fail-over replica
  • 分析のためにread replicas
  • privateアクセスにするときは、GCP側のVPCが作成されてpeeringされる。VPCまたぐときはAuth proxyを立てる
    • proxyサーバをたてて、そこでproxyプロセスを起動(proxy-CloudSQL間セッション起動)。クライアントはproxyサーバのIP・ポートに接続
  • メンテナンスの経路は考えておくこと
  • パスワードはSecretで管理
  • メンテナンス通知設定、優先時間設定

Cloud Spanner

概要

  • 無制限のスケーリング、強整合性、最大 99.999% の可用性を備えたフルマネージド リレーショナル データベース
  • グローバル水平スケールが求められたり、大量データ(64TB以上)を扱う場合に利用する
  • 特定のレコードを主キー以外の列で見つけたいとき → セカンダリインデックス
    • 元のテーブル(ベーステーブル)よりも遥かに小さいサイズのインデックステーブルから効率的に目的のレコードを取得する

構成図

image.png

ポイント

  • 必要に応じて拡張するリレーショナルデータレポジトリ、入力トラフィックに合わせてノード数を調整する → Spannerを利用。CPU使用率をモニタリングし、使用率が70%を超えたらノード数を増やす
  • ファイルの修正を検知
  • 手動でre-run
  • セカンダリインデックスの活用
  • 性能を出すために
    • 主キーが単調に増加しないようにする
    • timestampをPKにしないようにする

Pub/Sub

概要

  • 信頼性とスケーラビリティに優れた非同期メッセージサービス

構成図

スクリーンショット 2022-05-04 9.30.36.png

ポイント

  • ログメッセージのメッセージングサービス。現在のステータスにクエリ → パブリッシャーの全てのメッセージにタイムスタンプをつける
  • Pub/Subを利用してPOSからBQにストリーミングで連携しているが、ネットワークの停止中にメッセージの重複送信があった。在庫の更新を正確にしたい → クライアントアプリケーション側で一意のID(GUIDとか)をつける。Pub/Subは重複を許容する
  • スケーラブルなのが長所
  • Dataflowが直接ストリームを取り込めるわけではない。Pub/Subをかます。
  • ユーザが自分のログをダウンロードしたい → Pub/Subで非同期に。リンクだけ返して、処理が終わったらメールアドレスに送る
  • timestampを自動で付与してくれる
  • スケールさせるかの判断は、CPU使用率を監視する
  • メッセージの順序指定が可能
  • 30日間のデータ保持が可能
  • debug用のを作っておくか

Dataproc

概要

  • マネージドHadoop/Spark

構成図

スクリーンショット 2022-05-04 8.59.43.png

$ gcloud dataproc jobs submit pyspark --cluster=my_cluster my_script.py -- --custom-flag

ポイント

  • ストレージ費用を抑えるなら、ストレージをGCSに(HDFSの代わりに)。Pipeline間のデータの共有のためにも。
  • プリエンプティブVMを活用する
  • データが大きいなら、high memory machineを選択する
  • ジョブが失敗したら自分でtempファイルは削除する
  • セキュリティのためにSSH tunnel
  • 停止時はdrainオプションを活用する
  • I/Oに問題があるならローカルのHDFSストレージを使う
  • parquetファイルが小さすぎると性能が出ない。1GB以上にする

Dataflow

概要

  • マネージドApache Beam
  • サーバーレスかつ高速で、費用対効果の高い、統合されたストリーム データ処理とバッチデータ処理

構成図

スクリーンショット 2022-05-04 10.52.36.png

wordcount.py
import apache_beam as beam
...
  lines = p | beam.io.ReadFromPubSub(topic=known_args.input_topic)
 ...

 counts = (lines
           | 'split' >> (beam.ParDo(WordExtractingDoFn())
                         .with_output_types(six.text_type))
           | 'pair_with_one' >> beam.Map(lambda x: (x, 1))
           # FixedWindows
           | beam.WindowInto(window.FixedWindows(15, 0))
           | 'group' >> beam.GroupByKey()
           | 'count' >> beam.Map(count_ones))

 ...

 output = counts | 'format' >> beam.Map(format_result)

 # Write to Pub/Sub
 output | beam.io.WriteStringsToPubSub(known_args.output_topic)
$ python -m apache_beam.examples.wordcount \
    --region DATAFLOW_REGION \
    --input gs://dataflow-samples/shakespeare/kinglear.txt \
    --output gs://STORAGE_BUCKET/results/outputs \
    --runner DataflowRunner \
    --project PROJECT_ID \
    --temp_location gs://STORAGE_BUCKET/tmp/

ポイント

  • テンプレートを活用する
    • Pub/Subからデータを取得してBQのテーブルにストリーミングで格納
    • GCSのファイルのデータを変更検知・新規検知しBQのテーブルにストリーミングで格納
    • JDBCでデータベースのテーブルからBQへバッチで格納
  • ウィンドウを生成する部分以外は、バッチ処理と違いがなかったりする
  • Dataflow SQLもある
  • タンブリングウィンドウ、ホッピングウィンドウ、セッションウィンドウ
  • ページ毎のアクセス総数をユーザごとに集計。セッションは30分タイムアウト → ギャップ期間が30分間のセッションベースのウィンドウ
  • ECサイトでユーザが60分操作しないとメッセージを送る → ギャップ期間が60分間のセッションベースのウィンドウ
  • 30s間にどれだけの人がログインしたか → Sliding-time window
  • ゲームでユーザごとのインタラクションを集計。最大15分の遅延 → セッションウィンドウ、最小15分のギャップ時間、プレイヤーIDをキー、メッセージバスはPub/Sub
  • 用語
    • PCollection: 分散処理対象のデータセットを表すオブジェクト
    • Transform: 一般的な処理フレームワークを提供する。入力のPCollectionの各要素に適用する
      • [Output PCollection] = [Input PCollection] | [Transform]
    • ParDo: extract certain fields
  • オンプレHadoop/HDFS → Dataproc/GCS → Dataflow/BQ(Google推奨)
  • BQとBigTableのどちらにも書き込みたい → PCollectionでデータをグループ化してからBigQueryIOとBigTableIO変換を使用するパイプラインを作成する
    • データを受け取って、必要なデータストアへ書き込むという変換処理を適切に行うことができる
  • スケジューリングするならCloud Sheduler
  • csvのチェックをしたいとき、dataflowでチェック→OKだったらBQに、NGならGCSにdead-letterとして置いておく
  • 性能のために、最大ワーカー数とインスタンスタイプを調整
  • fromQueryで特定のフィールドを読み取る(スキャン量削減)
  • ウォーターマーク。ウィンドウの全てのデータが必要になる閾値

Composer

概要

  • マネージドAirflow
  • フルマネージドのワークフローオーケストレーションサービス

構成図

image.png

ポイント

  • GCSのparquetをBQユーザが扱えるように。クエリ速度を最大化し、テーブルのパーティショニングとクラスタリングを構成したい → ComposerのOperatorであるGoogleCloudStorageToBigQueryOperatorを使用し、schema_objectにCloudStorageのschema.json、"source_format"に"PARQUET"を指定する
  • Airflowキュー→Celeryキュー→ワーカー。Celeryキューに入った時点でどのワーカーか決めているので、ワーカーが詰まると開始されない?
  • バージョンアップの手順。Blue/Green, CIDRレンジ
  • メンテナンスウィンドウが長いので注意
  • 再起動(して設定反映)させるには、gcloudコマンドでなく、kubectlで環境変数を変更する?
  • Cloud NATとのセカンダリIP重複に注意
  • クォータに注意
    • DAG数など
    • -> クラスタを増やすことも検討しておく
  • ローカル開発、ユーザごとに開発できるようにしておく
  • poolを活用する。同時実行数の制御
  • nodeあたりの同時実行数のチューニング。maxをautoで制御することも可能(worker_autoscale)
  • Terraformで構築する際はnull resourceを活用
  • ノードのスケール時間は要件に合うか確認しておく
    • 想定通りスケールするか検証しておく
  • snapshotの取得を検討する
  • dbの改廃DAGを仕込む
  • failer callbackで構造化ログ
  • 再作成は履歴が消えるので注意する
    • DAGも再配布?activateされないように注意する
  • メトリクス確認
    • キュー数(Airflow, celery)、アクティブワーカー数、DAGバッグサイズ(DAG数。上限あり)、合計解析時間、etc
    • ワーカーごとのリソース使用率は、デフォルトのコンソールでは確認できない?
      • podname airflow-worker-.*
    • DAGごとのエラー監視が必要。どのDAGか分かるように。Tagは付与するようにする
    • キュー詰まりはアラートを飛ばすか
  • CloudLoggingに加えて、GCSにもログ出力をしている
  • connectionとかをTerraformで作る場合どうするか。null resourceか
  • メタデータが増え続けるので、改廃が必要。DAGを実行する
  • 権限設計。ComposerとAirflowを分けて検討する
  • バージョンアップ。ComposerとAirflowを分けて検討する
  • メンテナンス通知の受け取り
  • 待ち合わせDAGなどはTrigererを使うか
  • リランをどうするか。mode=poke, reschedule

その他

ポイント

  • コスト管理
    • 財務チームは料金は確認できるがプロジェクトの確認ができないように → 請求アカウントの課金管理者に設定する。デベロッパーは普通にプロジェクトの閲覧者の役割に追加する
  • Dataprep
    • 分析と機械学習に使用するデータを視覚的に探索、クリーニング、準備できるインテリジェントなクラウドデータサービス。
    • UIが提供されている
    • スケジュール実行も可能

参考

9
8
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
9
8

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?