Objetivo
En el instructivo de Validación de direcciones de gran volumen, se te guiaba por diferentes situaciones en las que se puede usar la validación de direcciones de gran volumen. En este instructivo, te presentaremos diferentes patrones de diseño en Google Cloud Platform para ejecutar la validación de direcciones de gran volumen.
Comenzaremos con una descripción general de la ejecución de la validación de direcciones de gran volumen en Google Cloud Platform con Cloud Run, Compute Engine o Google Kubernetes Engine para ejecuciones únicas. Luego, veremos cómo se puede incluir esta capacidad como parte de una canalización de datos.
Al final de este artículo, deberías comprender bien las diferentes opciones para ejecutar Address Validation en grandes volúmenes en tu entorno de Google Cloud.
Arquitectura de referencia en Google Cloud Platform
En esta sección, se profundiza en los diferentes patrones de diseño para la validación de direcciones de gran volumen con Google Cloud Platform. Si ejecutas en Google Cloud Platform, puedes integrarte con tus procesos y canalizaciones de datos existentes.
Ejecuta la validación de direcciones de gran volumen una vez en Google Cloud Platform
A continuación, se muestra una arquitectura de referencia de cómo compilar una integración en Google Cloud Platform, que es más adecuada para operaciones o pruebas únicas.
En este caso, te recomendamos que subas el archivo CSV a un bucket de Cloud Storage. Luego, la secuencia de comandos de High Volume Address Validation se puede ejecutar desde un entorno de Cloud Run. Sin embargo, puedes ejecutarlo en cualquier otro entorno de ejecución, como Compute Engine o Google Kubernetes Engine. El archivo CSV de salida también se puede subir al bucket de Cloud Storage.
Ejecución como una canalización de datos de Google Cloud Platform
El patrón de implementación que se muestra en la sección anterior es excelente para probar rápidamente la validación de direcciones de gran volumen para un solo uso. Sin embargo, si necesitas usarlo con regularidad como parte de una canalización de datos, puedes aprovechar mejor las capacidades nativas de Google Cloud Platform para que sea más sólida. Estos son algunos de los cambios que puedes realizar:
- En este caso, puedes volcar archivos CSV en buckets de Cloud Storage.
- Un trabajo de Dataflow puede seleccionar las direcciones que se procesarán y, luego, almacenarlas en caché en BigQuery.
- La biblioteca de Python de Dataflow se puede extender para que tenga lógica de High Volume Address Validation para validar las direcciones del trabajo de Dataflow.
Ejecutar la secuencia de comandos desde una canalización de datos como un proceso recurrente de larga duración
Otro enfoque común es validar un lote de direcciones como parte de una canalización de datos de transmisión como un proceso recurrente. También puedes tener las direcciones en un almacén de datos de BigQuery. En este enfoque, veremos cómo compilar una canalización de datos recurrente (que se debe activar de forma diaria, semanal o mensual)
- Sube el archivo CSV inicial a un bucket de Cloud Storage.
- Usa Memorystore como un almacén de datos persistente para mantener el estado intermedio del proceso de larga duración.
- Almacena en caché las direcciones finales en un almacén de datos de BigQuery.
- Configura Cloud Scheduler para ejecutar la secuencia de comandos de forma periódica.
Esta arquitectura cuenta con las siguientes ventajas:
- Con Cloud Scheduler, la validación de direcciones se puede realizar de forma periódica. Te recomendamos que vuelvas a validar las direcciones de forma mensual o que valides las direcciones nuevas de forma mensual o trimestral. Esta arquitectura ayuda a resolver ese caso de uso.
Si los datos de los clientes están en BigQuery, las direcciones validadas o los indicadores de validación se pueden almacenar en caché directamente allí. Nota: En el artículo sobre la validación de direcciones de gran volumen, se describe en detalle qué se puede almacenar en caché y cómo hacerlo.
El uso de Memorystore proporciona una mayor resiliencia y capacidad para procesar más direcciones. Este paso agrega un estado a toda la canalización de procesamiento, lo que es necesario para controlar conjuntos de datos de direcciones muy grandes. Aquí también se pueden usar otras tecnologías de bases de datos, como Cloud SQL[https://cloud.google.com/sql] o cualquier otro tipo de base de datos que ofrezca Google Cloud Platform. Sin embargo, creemos que Memorystore equilibra perfectamente las necesidades de escalamiento y simplicidad, por lo que debería ser la primera opción.
Conclusión
Si aplicas los patrones que se describen aquí, puedes usar la API de Address Validation para diferentes casos de uso y desde diferentes casos de uso en Google Cloud Platform.
Escribimos una biblioteca de Python de código abierto para ayudarte a comenzar con los casos de uso descritos anteriormente. Se puede invocar desde una línea de comandos en tu computadora, desde Google Cloud Platform o desde otros proveedores de servicios en la nube.
Obtén más información para usar la biblioteca en este artículo.
Próximos pasos
Descarga el informe Mejora la confirmación de compra, la entrega y las operaciones con direcciones confiables y mira el seminario en línea Mejora la confirmación de compra, la entrega y las operaciones con Address Validation .
Lecturas adicionales sugeridas:
- Documentación de la API de Address Validation
- Geocoding y Address Validation
- Explora la demostración de Address Validation
Colaboradores
Google mantiene este artículo. Los siguientes colaboradores lo escribieron originalmente.
Autores principales:
Henrik Valve | Ingeniero de soluciones
Thomas Anglaret | Ingeniero de soluciones
Sarthak Ganguly | Ingeniero de soluciones