将 mlab 托管的 MongoDB 数据导出到 google bigquery 的最佳方式是什么?
最初,我尝试从 MongoDB 一次性加载到 BigQuery,后来我考虑使用 Pub/Sub 将实时数据流传输到 BigQuery。
我需要有关从 mongodb 到 bigquery 的第一次加载的帮助。
在我看来,最佳实践是构建自己的提取器。这可以使用您选择的语言来完成,并且可以提取为 CSV 或 JSON。
但是,如果您寻求一种快速的方法,并且您的数据不是很大并且可以容纳在一台服务器中,那么我建议使用
mongoexport
。假设您有一个简单的文档结构,如下所示:
{
"_id" : "tdfMXH0En5of2rZXSQ2wpzVhZ",
"statuses" : [
{
"status" : "dc9e5511-466c-4146-888a-574918cc2534",
"score" : 53.24388894
}
],
"stored_at" : ISODate("2017-04-12T07:04:23.545Z")
}
然后您需要定义您的 BigQuery 架构 (
mongodb_schema.json
),例如:
$ cat > mongodb_schema.json <<EOF
[
{ "name":"_id", "type": "STRING" },
{ "name":"stored_at", "type": "record", "fields": [
{ "name":"date", "type": "STRING" }
]},
{ "name":"statuses", "type": "record", "mode": "repeated", "fields": [
{ "name":"status", "type": "STRING" },
{ "name":"score", "type": "FLOAT" }
]}
]
EOF
现在,有趣的部分开始了:-) 从 MongoDB 中以 JSON 形式提取数据。假设您有一个副本集名称为
statuses
的集群,您的数据库为 sample
,您的集合为 status
。
mongoexport \
--host statuses/db-01:27017,db-02:27017,db-03:27017 \
-vv \
--db "sample" \
--collection "status" \
--type "json" \
--limit 100000 \
--out ~/sample.json
正如您在上面看到的,我将输出限制为 100k 条记录,因为我建议您在对所有数据执行此操作之前运行示例并加载到 BigQuery。运行上述命令后,您应该在
sample.json
中获得示例数据,但有一个字段 $date
会导致您加载到 BigQuery 时出错。要解决这个问题,我们可以使用 sed
将它们替换为简单的字段名称:
# Fix Date field to make it compatible with BQ
sed -i 's/"\$date"/"date"/g' sample.json
现在您可以使用以下命令压缩、上传到 Google Cloud Storage (GCS),然后加载到 BigQuery:
# Compress for faster load
gzip sample.json
# Move to GCloud
gsutil mv ./sample.json.gz gs://your-bucket/sample/sample.json.gz
# Load to BQ
bq load \
--source_format=NEWLINE_DELIMITED_JSON \
--max_bad_records=999999 \
--ignore_unknown_values=true \
--encoding=UTF-8 \
--replace \
"YOUR_DATASET.mongodb_sample" \
"gs://your-bucket/sample/*.json.gz" \
"mongodb_schema.json"
如果一切正常,则返回并从
--limit 100000
命令中删除 mongoexport
,然后再次重新运行上述命令以加载所有内容而不是 100k 样本。
替代解决方案:
如果您想要更大的灵活性并且性能不是您所关心的,那么您也可以使用
mongo
CLI 工具。这样,您就可以在 JavaScript 中编写提取逻辑并针对您的数据执行它,然后将输出发送到 BigQuery。以下是我对相同流程所做的操作,但使用 JavaScript 以 CSV 格式输出,以便我可以更轻松地将其加载到 BigQuery:
# Export Logic in JavaScript
cat > export-csv.js <<EOF
var size = 100000;
var maxCount = 1;
for (x = 0; x < maxCount; x = x + 1) {
var recToSkip = x * size;
db.entities.find().skip(recToSkip).limit(size).forEach(function(record) {
var row = record._id + "," + record.stored_at.toISOString();;
record.statuses.forEach(function (l) {
print(row + "," + l.status + "," + l.score)
});
});
}
EOF
# Execute on Mongo CLI
_MONGO_HOSTS="db-01:27017,db-02:27017,db-03:27017/sample?replicaSet=statuses"
mongo --quiet \
"${_MONGO_HOSTS}" \
export-csv.js \
| split -l 500000 --filter='gzip > $FILE.csv.gz' - sample_
# Load all Splitted Files to Google Cloud Storage
gsutil -m mv ./sample_* gs://your-bucket/sample/
# Load files to BigQuery
bq load \
--source_format=CSV \
--max_bad_records=999999 \
--ignore_unknown_values=true \
--encoding=UTF-8 \
--replace \
"YOUR_DATASET.mongodb_sample" \
"gs://your-bucket/sample/sample_*.csv.gz" \
"ID,StoredDate:DATETIME,Status,Score:FLOAT"
提示:在上面的脚本中,我通过管道输出做了一些小技巧,以便能够使用
sample_
前缀将输出拆分为多个文件。此外,在分割期间,它会对输出进行 GZip 压缩,以便您可以更轻松地将其加载到 GCS。
mongoexport
将数据库转储为 JSON。完成此操作后,请参阅BigQuery 加载数据主题,了解如何在将 JSON 文件复制到 GCS 后从 JSON 文件创建表。
您可以从 MongoDB 读取数据并将其流式传输到 BigQuery。您可以在 NodeJS here 中找到示例。
这是链接示例的扩展,可防止重复记录(只要它们仍在流式缓冲区中):
const { BigQuery } = require('@google-cloud/bigquery');
const bigqueryClient = new BigQuery();
...
const jsonData = // Array of documents from MongoDB
const inputRows = jsonData.map(row => ({
insertId: row._id,
json: row
}));
const insertOptions = {
raw: true
};
await bigqueryClient
.dataset(datasetId)
.table(tableId)
.insert(inputRows, insertOptions);
如果您不想编写自己的自定义提取/加载代码,我建议您查看更改数据捕获(CDC)和实现它的工具。 CDC 可帮助您将每条新数据从 MongoDB 复制到 BigQuery。例如,Estuary Flow 拥有两个数据存储的托管连接器。您无需运行任何自定义软件,只需几分钟设置连接配置,即可开始同步两个数据库。
以下是有关设置 MongoDB 捕获连接器的详细指南:https://docs.estuary.dev/getting-started/tutorials/real_time_cdc_with_mongodb/