embulkを使って大量データをBigQueryへバルクインサート時に一部データがスキップされる

Question

Embulkを使って、OracleDBのデータをBigQueryへバルクインサートする際に5000万件ほどのデータを処理すると一部スキップされてしまいます。

embulkの定義ファイルで指定したカラムの型と
Bigquery側で生成されるテーブルのカラムの型は

一致しているのですが、一部レコードがスキップされる事象が発生する原因を知りたいです。

●Embulk定義ファイル
in:
  type: file
  path_prefix: C:\Users\ｘｘｘ\Desktop\embulk\DATA_CSV
  parser:
    type: csv
    delimiter: ','
    skip_header_line: false
    charset: UTF-8
    newline: CRLF
    quote: '"'
    escape: '"'
    trim_if_not_quoted: false
    skip_header_lines: 0
    allow_extra_columns: false
    allow_optional_columns: true
    columns:
    - {name: ORDER_NO, type: string}
    - {name: ORG_CODE, type: string}
    - {name: TRAN_DATE, type: timestamp, format: '%Y/%m/%d'}
    - {name: CANCEL_FLAG, type: string}
    - {name: ACT_CREATION_DATE, type: timestamp, format: '%Y/%m/%d %H:%M:%S'}
    - {name: WH_ACT_CREATION_DATE, type: timestamp, format: '%Y/%m/%d %H:%M:%S'}
    - {name: SUB_NO, type: string}
    - {name: UPDATE_REQUEST_ID, type: string}
    - {name: TIME_STAMP, type: timestamp, format: '%Y/%m/%d %H:%M:%S'}
    - {name: INV_UPDATE_FLAG, type: string}
    - {name: ISSUE_SEQ, type: string}
    - {name: BACKUP_DATE, type: timestamp, format: '%Y/%m/%d %H:%M:%S'}
    - {name: SOUMEI_ID, type: string}
    - {name: GCPCS_IF_FLAG, type: string}
   
out: {type: bigquery, auth_method: json_key, json_keyfile: 'C:\Users\yazaki\Desktop\embulk\My
    First Project-6041ffecfba7.json', project: fluid-emissary-216806, dataset: embulk_test,
  auto_create_table: true, table: CSV_BQ_TABLE, open_read_timeout_sec: 360000, send_timeout_sec: 360000, read_timeout_sec: 360000}


●embulk実行後に、BigQuery側に生成されたテーブルレイアウト

フィールド名　　　　　　　	タイプ	モード
ORDER_NO　　　　　　　　　	STRING	NULLABLE
ORG_CODE　　　　　　　　　	STRING	NULLABLE
TRAN_DATE　　　　　　　　　	TIMESTAMP	NULLABLE
HINBAN　　　　　　　　　　	STRING	NULLABLE
QTY　　　　　　　　　　　　	STRING	NULLABLE
SUB_SYSTEM_TYPE1　　　　　	STRING	NULLABLE
CANCEL_FLAG　　　　　　　　	STRING	NULLABLE
ACT_CREATION_DATE　　　　　	TIMESTAMP	NULLABLE
WH_ACT_CREATION_DATE　　　	TIMESTAMP	NULLABLE
JOB_CODE　　　　　　　　　	STRING	NULLABLE
TIME_STAMP　　　　　　　　	TIMESTAMP	NULLABLE
INV_UPDATE_FLAG　　　　　　	STRING	NULLABLE
ISSUE_SEQ　　　　　　　　　	STRING	NULLABLE
BACKUP_DATE　　　　　　　　	TIMESTAMP	NULLABLE
C_NO　　　　　　　　　　　	STRING	NULLABLE
T_NO　　　　　　　　　　　	STRING	NULLABLE
RECV_OFFICE_CODE　　　　　	STRING	NULLABLE
INV_INFO_UPDATE_FLAG　　　	STRING	NULLABLE
tmp　　　　　　　　　　　　	STRING	NULLABLE

●実行結果

・
（中略）
・
2019-02-15 09:12:04.801 +0900 [INFO] (0001:transaction): {done:  8 / 79, running: 7}
2019-02-15 09:12:04.985 +0900 [WARN] (0025:task-0015): Skipped line 82 (org.embulk.spi.time.TimestampParseException: Cannot parse '2018/09/21' by '%Y/%m/%d %H:%M:%S'): "35401536","2","8000","ZPD",2018/10/07,"L571ZW3SDWBD",10,"7NARTLDPH","66",0,"7500","BM0","UIIQ7LOGNI","PLPJ","WJWYWDZFFDZGUUDAQUH","7800","VOP","PH4GRLMBJ1","FNYZPJD","UGFYHBHIPZBCNPZIYKIWWHANJKHUEQ","L","0",2018/09/21,,"J",,"0","TCLJHNVEKMGBJZKQNBNPWJANCBSZXNBATJKB","ZVT","V","JLIMJN","FJWJMJDNBI","JQWOQAHU",,"F","1","J",,,,,,"AFNGJHJJQKFZIR",,"LJBQYC",,2018/12/04 12:11:13,"U","LBBTSNDFV",2018/12/03 09:30:44,,"1",,"WOK","HDU","ZBDGZEZ","JWP","X",,"JK","ZX","AEYM","1",,"1",,"IMN","S","HCFZNQ","KIHHWY","A","AUMN","B","FZVKGUAUYEXZOXWUBPMYECZBTCXVZXNCXI",,"KJ3",,,"IE","QZQNAHMCWBYKZ","14","1",
・
（中略）
・

Comments

[yoorwm]

2018/10/07と2018/12/04 12:11:13は一致していないですよ。よくエラーを読んでみましょう。

[raccoondog]

ご指摘ありがとうございます。

Answer 1

ご案内したページのExampleはご覧になりましたでしょうか？
https://github.com/sonots/embulk-filter-timestamp_format#example

exampleを使ってみるのをお勧めします。

embulk-filter-timestamp_format

Clone or downloadで「Download ZIP」を選択してファイルをダウンロードしファイルを展開したのち
展開したファイルに移動して

embulk preview example/from_string.yml

とするのが良いと思います。example/from_string.yml以外にも色々サンプルがあるので試してみてください。

Answer 2

embulkのプラグインは全て以下でインストールします。

embulk gem install <プラグイン名>

そのため、embulk-filter-timestamp_formatは以下でインストールしてください。

embulk gem install embulk-filter-timestamp_format

パーサーでは文字列でパースしておき、このプラグインで、該当のカラムを時刻型にパースし直します。

Comments

[raccoondog]

ご回答有難うございます。
プラグインをインストールし、embulkのconfigファイルには以下のように定義すればよろしいでしょうか

●Embulk定義ファイル
in:
type: file
path_prefix: C:\Users\ｘｘｘ\Desktop\embulk\DATA_CSV
parser:
type: csv
delimiter: ','
skip_header_line: false
charset: UTF-8
newline: CRLF
quote: '"'
escape: '"'
trim_if_not_quoted: false
skip_header_lines: 0
allow_extra_columns: false
allow_optional_columns: true

filters
- type: column
columns:
- {name: xxx01, type: string}
- {name: xxx02, type: string}
- {name: xxx03, type: timestamp, format: '%Y/%m/%d'}
- {name: xxx04, type: timestamp, format: '%Y/%m/%d %H:%M:%S'}

out:xxxxxxxx

Answer 3

データをみていないのですが、一部は2018/09/21 00:00:00のような時刻入りで、いくつかは2018/09/21のような時刻なしなのでしょうか？

もしそうだとすると、以下の方法が適用できるような気がします。

• OracleのSQLでフォーマットを統一する。
• Oracleは文字列で取り込んでembulk-filter-timestamp_formatでパースする。こちらは混在する日付フォーマットをパースできます。

Comments

[raccoondog]

ご回答助かります。

リンク先に、gemファイルがなく

別のサイトからgemファイルをダウンロードして、インストールして、embulkの定義ファイルにフィルター定義して、実行。

とすれば実現可能になるのでしょうか？

日付のカラム値は、フィルターでパースして、他のカラム値は別のパーサーでパースする動きになるのでしょうか？

Answer 4

エラー・メッセージの途中に

Cannot parse '2018/09/21' by '%Y/%m/%d %H:%M:%S')

とあるから、
'2018/09/21' by '%Y/%m/%d'
と書式マスクを変更するか、
'2018/09/21 00:00:00' by '%Y/%m/%d %H:%M:%S'
とデータの変更が必要なのでは？

Comments

[raccoondog]

ご回答有難うございます。

OracleDB側のカラム値は変更させることは、システム上許容されず、embulk側で対処したいです。

※embulkの定義ファイル内で、[query]パラメータを使用すると、増分バルクインサート処理後にlast_recordをファイル出力されない仕様のため、困っている状況となります。

現状のembulk定義パラメータでは、「日付までのカラム値」「日付+時分秒までのカラム値」が混合しているため、embulkに拒否されてスキップされております。

何かembulkのパラメータで、混合されていても許容してくれるパラメータがあると問題解決できそうです。

[Orlofsky]

テーブルのフォーマットをそのまま掲示板に載せて、後で上長に怒られませんか？掲示板に質問する時は問題になっている現象を再現できる最小限のカラムに限定したテーブルや現象を再現できるだけのコードを提示して質問した方が良いのでは？
質問にOracleとBigQueryの両方のCREATE TABLE も提示した方が適切なコメントが付き易いです。
BigQuery側のテーブルのデータ型をDATE型に変更してみては？
https://cloud.google.com/bigquery/docs/reference/standard-sql/data-types?hl=ja#date-type
昔、Oracleで外部結合とPARALLELヒントを使うとデータが抜けるバグが発生して、オラクル・サポートに報告するとパッチを提供すると返事をもらったことがあります。

[raccoondog]

ご指摘有難うございます。