質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

87.48%

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

解決済

回答 4

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,531

score 23

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)
・
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • yoorwm

    2019/02/15 12:42

    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。

    キャンセル

  • raccoondog

    2019/02/15 13:36

    ご指摘ありがとうございます。

    キャンセル

回答 4

checkベストアンサー

+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。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

+1

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?

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/02/15 13:49 編集

    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。

    キャンセル

  • 2019/02/15 14:23

    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。

    キャンセル

  • 2019/02/15 15:45

    ご指摘有難うございます。

    キャンセル

+1

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。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/02/19 09:10

    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?

    キャンセル

+1

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。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/02/19 10:15

    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

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 87.48%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る