Provisionamento de dados históricos com pipelines

Na engenharia de dados, provisionamento refere-se ao processo de processamento retroativo de dados históricos por meio de um pipeline de dados que foi projetado para processar dados em tempo real ou de streaming.

Normalmente, esse é um fluxo separado que envia dados para suas tabelas existentes. A ilustração a seguir mostra um fluxo de provisionamento retroativo enviando dados históricos para as tabelas bronze no seu pipeline.

Alguns cenários que podem exigir uma reposição de dados:

• Processe dados históricos de um sistema herdado para treinar um modelo de ML (machine learning) ou criar um painel de análise de tendências históricas.
• Reprocesse um subconjunto de dados devido a um problema de qualidade de dados com fontes de dados upstream.
• Seus requisitos de negócios foram alterados e você precisa fazer o backup de dados para um período de tempo diferente que não foi coberto pelo pipeline inicial.
• Sua lógica de negócios mudou e você precisa reprocessar dados históricos e atuais.

O provisionamento em pipelines do Lakeflow oferece suporte para um fluxo de acréscimo especializado que utiliza a opção ONCE. Consulte append_flow ou CREATE FLOW (pipelines) para obter mais informações sobre a opção ONCE .

Considerações ao fazer backup de dados históricos em uma tabela de streaming

• Normalmente, acrescente os dados à tabela de streaming bronze. As camadas downstream de prata e ouro coletarão os novos dados da camada de bronze.
• Verifique se o pipeline pode lidar com dados duplicados normalmente caso os mesmos dados sejam acrescentados várias vezes.
• Verifique se o esquema de dados históricos é compatível com o esquema de dados atual.
• Considere o tamanho do volume de dados e o SLA de tempo de processamento necessário e configure adequadamente os tamanhos do cluster e do lote.

Exemplo: Adicionando um backfill a um pipeline existente

Neste exemplo, digamos que você tenha um pipeline que ingere dados brutos de registro de eventos de uma fonte de armazenamento em nuvem, a partir de 01 de janeiro de 2025. Posteriormente, você perceberá que deseja provisionar os dados históricos dos três anos anteriores para relatórios posteriores e casos de uso para análise. Todos os dados estão em um local, particionados por ano, mês e dia, no formato JSON.

Pipeline inicial

Aqui está o código de pipeline inicial que ingere incrementalmente os dados brutos de registro de eventos do armazenamento em nuvem.

Python

from pyspark import pipelines as dp

source_root_path = spark.conf.get("registration_events_source_root_path")
begin_year = spark.conf.get("begin_year")
incremental_load_path = f"{source_root_path}/*/*/*"

# create a streaming table and the default flow to ingest streaming events
@dp.table(name="registration_events_raw", comment="Raw registration events")
def ingest():
    return (
        spark
        .readStream
        .format("cloudFiles")
        .option("cloudFiles.format", "json")
        .option("cloudFiles.inferColumnTypes", "true")
        .option("cloudFiles.maxFilesPerTrigger", 100)
        .option("cloudFiles.schemaEvolutionMode", "addNewColumns")
        .option("modifiedAfter", "2025-01-01T00:00:00.000+00:00")
        .load(incremental_load_path)
        .where(f"year(timestamp) >= {begin_year}") # safeguard to not process data before begin_year
    )

SQL

-- create a streaming table and the default flow to ingest streaming events
CREATE OR REFRESH STREAMING LIVE TABLE registration_events_raw AS
SELECT * FROM read_files(
  "/Volumes/gc/demo/apps_raw/event_registration/*/*/*",
  format => "json",
  inferColumnTypes => true,
  maxFilesPerTrigger => 100,
  schemaEvolutionMode => "addNewColumns",
  modifiedAfter => "2024-12-31T23:59:59.999+00:00"
)
WHERE year(timestamp) >= '2025'; -- safeguard to not process data before begin_year

Aqui, usamos a opção modifiedAfter Carregador Automático para garantir que não estamos processando todos os dados do caminho de armazenamento em nuvem. O processamento incremental é cortado nesse limite.

Dados de preenchimento retrospectivo dos três anos anteriores

Agora você deseja adicionar um ou mais fluxos para fazer backup de dados anteriores. Neste exemplo, execute as seguintes etapas:

• Utilize o append once fluxo. Isso realiza o provisionamento de uma única vez e não continua sendo executado após esse primeiro provisionamento. O código permanece em seu pipeline e, se ele for totalmente atualizado, o provisionamento será executado novamente.
• Crie três fluxos de provisionamento, um para cada ano (nesse caso, os dados são divididos por ano no caminho). Para Python, parametrizamos a criação dos fluxos, mas no SQL repetimos o código três vezes, uma vez para cada fluxo.

Se você estiver trabalhando em seu próprio projeto e não estiver usando computação sem servidor, talvez queira atualizar o número máximo de trabalhadores para o pipeline. Aumentar o número máximo de trabalhadores garante que você tenha os recursos para processar os dados históricos enquanto continua a processar os dados de streaming atuais dentro do SLA previsto.

Python

from pyspark import pipelines as dp

source_root_path = spark.conf.get("registration_events_source_root_path")
begin_year = spark.conf.get("begin_year")
backfill_years = spark.conf.get("backfill_years") # e.g. "2024,2023,2022"
incremental_load_path = f"{source_root_path}/*/*/*"

# meta programming to create append once flow for a given year (called later)
def setup_backfill_flow(year):
    backfill_path = f"{source_root_path}/year={year}/*/*"
    @dp.append_flow(
        target="registration_events_raw",
        once=True,
        name=f"flow_registration_events_raw_backfill_{year}",
        comment=f"Backfill {year} Raw registration events")
    def backfill():
        return (
            spark
            .read
            .format("json")
            .option("inferSchema", "true")
            .load(backfill_path)
        )

# create the streaming table
dp.create_streaming_table(name="registration_events_raw", comment="Raw registration events")

# append the original incremental, streaming flow
@dp.append_flow(
        target="registration_events_raw",
        name="flow_registration_events_raw_incremental",
        comment="Raw registration events")
def ingest():
    return (
        spark
        .readStream
        .format("cloudFiles")
        .option("cloudFiles.format", "json")
        .option("cloudFiles.inferColumnTypes", "true")
        .option("cloudFiles.maxFilesPerTrigger", 100)
        .option("cloudFiles.schemaEvolutionMode", "addNewColumns")
        .option("modifiedAfter", "2024-12-31T23:59:59.999+00:00")
        .load(incremental_load_path)
        .where(f"year(timestamp) >= {begin_year}")
    )

# parallelize one time multi years backfill for faster processing
# split backfill_years into array
for year in backfill_years.split(","):
    setup_backfill_flow(year) # call the previously defined append_flow for each year

SQL

-- create the streaming table
CREATE OR REFRESH STREAMING TABLE registration_events_raw;

-- append the original incremental, streaming flow
CREATE FLOW
  registration_events_raw_incremental
AS INSERT INTO
  registration_events_raw BY NAME
SELECT * FROM STREAM read_files(
  "/Volumes/gc/demo/apps_raw/event_registration/*/*/*",
  format => "json",
  inferColumnTypes => true,
  maxFilesPerTrigger => 100,
  schemaEvolutionMode => "addNewColumns",
  modifiedAfter => "2024-12-31T23:59:59.999+00:00"
)
WHERE year(timestamp) >= '2025';


-- one time backfill 2024
CREATE FLOW
  registration_events_raw_backfill_2024
AS INSERT INTO ONCE
  registration_events_raw BY NAME
SELECT * FROM read_files(
  "/Volumes/gc/demo/apps_raw/event_registration/year=2024/*/*",
  format => "json",
  inferColumnTypes => true
);

-- one time backfill 2023
CREATE FLOW
  registration_events_raw_backfill_2023
AS INSERT INTO ONCE
  registration_events_raw BY NAME
SELECT * FROM read_files(
  "/Volumes/gc/demo/apps_raw/event_registration/year=2023/*/*",
  format => "json",
  inferColumnTypes => true
);

-- one time backfill 2022
CREATE FLOW
  registration_events_raw_backfill_2022
AS INSERT INTO ONCE
  registration_events_raw BY NAME
SELECT * FROM read_files(
  "/Volumes/gc/demo/apps_raw/event_registration/year=2022/*/*",
  format => "json",
  inferColumnTypes => true
);

Essa implementação realça vários padrões importantes.

Separação de interesses

• O processamento incremental é independente das operações de backfill.
• Cada fluxo tem suas próprias configurações e configurações de otimização.
• Há uma clara distinção entre operações incrementais e de backfill.

Execução controlada

• Usar a opção ONCE garante que cada backfill seja executado exatamente uma vez.
• O fluxo de provisionamento permanece no grafo de pipeline, mas fica ocioso após sua conclusão. Ele está pronto para uso na atualização completa, automaticamente.
• Há uma trilha de auditoria clara das operações de provisionamento retroativo na definição do pipeline.

Otimização de processamento

• Você pode dividir o provisionamento grande em vários provisionamentos menores para processamento mais rápido ou para controle sobre o processamento.
• O dimensionamento automático aprimorado ajusta dinamicamente o tamanho do cluster com base na carga atual do cluster.

Evolução do esquema

• Usar schemaEvolutionMode="addNewColumns" lida com as alterações de esquema de forma eficiente.
• Você tem inferência de esquema consistente entre dados históricos e atuais.
• Há uma manipulação segura de novas colunas em dados mais recentes.

Exemplo: provisionar um alvo SCD durante uma migração

Um cenário comum de migração é uma tabela de dimensão que muda lentamente (SCD) que já existe em um sistema legado com anos de histórico acumulado, mas cujo feed original de mudanças não está mais disponível. Como os eventos de alteração originais não estão mais disponíveis, em vez disso, você reprocessa uma vez o histórico da própria tabela herdada no novo alvo AUTO CDC e, em seguida, conecta um novo feed CDC daí em diante. Para mais informações sobre AUTO CDC e tipos de SCD, consulte As APIs AUTO CDC: simplifique a captura de dados de alterações com pipelines.

O padrão é um fluxo AUTO CDC executado uma única vez para a mesma tabela de streaming que o fluxo contínuo AUTO CDC tem como alvo. Um alvo AUTO CDC aceita apenas fluxos AUTO CDC, então a semente também deve ser um fluxo AUTO CDC. Um fluxo simples INSERT INTO ONCE de acréscimo para a mesma tabela falha na validação:

1. Crie a tabela de streaming de destino na qual seu fluxo AUTO CDC grava.
2. Propague o histórico herdado uma vez com um fluxo AUTO CDC ONCE que leia a tabela SCD herdada como um fluxo, sequenciado pela coluna de início de validade herdada. Reprocesse as linhas legadas como eventos de alteração em vez de formatá-las manualmente. AUTO CDC cria as colunas de histórico __START_AT e __END_AT para um destino SCD Tipo 2, então não grave essas colunas diretamente.
3. Anexe o fluxo AUTO CDC em andamento que lê o feed de alterações mais recente. AUTO CDC resolve a ordem por chave, então a substituição deve ser válida para cada chave de negócio individualmente: a primeira mudança ativa de cada chave deve ser sequenciada após a última alteração propagada para essa mesma chave. Um valor de sequência que seja apenas posterior ao máximo global herdado ainda pode estar desatualizado para uma chave individual e, nesse caso, a primeira alteração efetiva dessa chave é ignorada ou ordenada incorretamente.

O código a seguir cria uma tabela de streaming que utiliza os passos acima:

CREATE OR REFRESH STREAMING TABLE customers_history;

-- One-time seed: replay the legacy history as change events
CREATE FLOW customers_history_seed
AS AUTO CDC ONCE INTO customers_history
FROM stream(legacy.customers_scd2)
KEYS (customer_id)
SEQUENCE BY valid_from
STORED AS SCD TYPE 2;

-- Ongoing live CDC into the same target
CREATE FLOW customers_history_cdc
AS AUTO CDC INTO customers_history
FROM stream(customers_cdc_bronze)
KEYS (customer_id)
SEQUENCE BY change_timestamp
STORED AS SCD TYPE 2;

Ambos os fluxos devem estar de acordo quanto às chaves, ao tipo SCD e ao tipo de dados da coluna de sequenciamento. No exemplo anterior, ambos os fluxos seguem uma sequência de carimbo de data/hora, que usa um único tempo de substituição para separar o histórico propagado do feed ativo. Se a tabela herdada for sequenciada por um valor de tipo diferente do feed ativo, converta um deles para que os tipos correspondam.

A mesma estrutura funciona para um alvo SCD Tipo 1: altere STORED AS SCD TYPE 2 para STORED AS SCD TYPE 1 em ambos os fluxos, e o alvo mantém apenas a linha atual para cada chave. Antes de confiar em qualquer uma das abordagens, valide, em uma amostra de chaves, se a primeira alteração em produção de uma chave propagada produz exatamente uma nova versão e encerra corretamente a versão anterior. Uma falha no sequenciamento para cada tecla geralmente aparece nessa etapa.

Recursos adicionais

• Carregar e processar dados incrementalmente com fluxos de pipeline do Lakeflow
• Usar fluxos em pipelines do Lakeflow
• append_flow
• CREATE FLOW (pipelines)