Objetivo
El instructivo de Validación de direcciones de gran volumen te guió a través de diferentes situaciones en las que se puede usar la validación de direcciones de gran volumen. En este instructivo, presentaremos los diferentes patrones de diseño en Google Cloud Platform para ejecutar la validación de direcciones de alto volumen.
Comenzaremos con una descripción general sobre cómo ejecutar la validación de direcciones de alto volumen en Google Cloud Platform con Cloud Run, Compute Engine o Google Kubernetes Engine para ejecuciones únicas. Veremos cómo se puede incluir esta capacidad como parte de una canalización de datos.
Al final de este artículo, tendrás una buena comprensión de 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 profundizan en diferentes patrones de diseño para la validación de direcciones de alto volumen con Google Cloud Platform. Cuando la ejecutas en Google Cloud Platform, te puedes integrar en 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 sobre cómo compilar una integración en Google Cloud Platform que sea más adecuada para operaciones o pruebas únicas.
En este caso, recomendamos subir el archivo CSV a un bucket de Cloud Storage. Luego, la secuencia de comandos de Validación de direcciones de alto volumen 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 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 mostró en la sección anterior es ideal para probar rápidamente la validación de direcciones de alto volumen para un uso único. Sin embargo, si necesitas usarlo con regularidad como parte de una canalización de datos, puedes aprovechar mejor las funciones nativas de Google Cloud Platform para que sea más sólido. Estos son algunos de los cambios que puedes hacer:
- En este caso, puedes volcar archivos CSV en buckets de Cloud Storage.
- Un trabajo de Dataflow puede recoger las direcciones que se procesarán y, luego, almacenarlas en caché en BigQuery.
- La biblioteca de Python de Dataflow se puede extender para tener lógica de validación de direcciones de alto volumen para validar las direcciones desde el trabajo de Dataflow.
Ejecuta la secuencia de comandos desde una canalización de datos como un proceso recurrente y duradero
Otro enfoque común es validar un lote de direcciones como parte de una canalización de transmisión de datos como un proceso recurrente. También puedes tener las direcciones en un almacén de datos de BigQuery. En este enfoque, veremos cómo crear una canalización de datos recurrente (que debe activarse a diario, semanalmente o mensualmente)
- 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 todos los meses o que quieras validar cualquier dirección nueva de forma mensual o trimestral. Esta arquitectura ayuda a resolver ese caso de uso.
Si los datos del cliente están en BigQuery, las direcciones validadas o las marcas de validación se pueden almacenar en caché directamente allí. Nota: Qué se puede almacenar en caché y cómo se describe en detalle en el artículo Validación de direcciones de alto volumen
El uso de Memorystore proporciona mayor resiliencia y capacidad para procesar más direcciones. En este paso, se agrega un registro de estado a toda la canalización de procesamiento, que se necesita para manejar conjuntos de datos de direcciones muy grandes. También se pueden utilizar aquí otras tecnologías de bases de datos como Cloud SQL[https://cloud.google.com/sql] o cualquier otro tipo de base de datos que ofrece Google Cloud Platform. Sin embargo, creemos que la memoria sin restricciones equilibra 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 en distintos casos de uso y en Google Cloud Platform.
Escribimos una biblioteca de código abierto de Python para ayudarte a comenzar con los casos de uso descritos anteriormente. Se puede invocar desde la línea de comandos en tu computadora, o bien 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 la compra, la entrega y las operaciones con direcciones confiables y consulta el seminario en línea Cómo mejorar la confirmación de la compra, la entrega y las operaciones con Address Validation .
Lectura adicional sugerida:
- Documentación de la API de Address Validation
- Geocoding y Address Validation
- Explora la demostración de Address Validation.
Colaboradores
Google conserva este artículo. Los siguientes colaboradores la escribieron originalmente.
Autores principales:
Henrik Valve | Ingeniero de soluciones
Thomas Anglaret | Ingeniero de soluciones
Sarthak Ganguly | Ingeniero de soluciones