此页面由 Cloud Translation API 翻译。

使用适用于 Google Cloud 的 ABAP SDK 在 SAP 中读取 BigQuery ML 预测结果

1. 简介

在此 Codelab 中，您将在 BigQuery 中创建一个机器学习 (ML) 模型，并使用适用于 Google Cloud 的 ABAP SDK 通过该模型获取预测结果。

您将利用以下 Google Cloud 服务：

BigQuery
Cloud Shell

构建内容

您将创建以下内容：

BigQuery 机器学习 (ML) 模型。
具有 BigQuery Job User 角色的服务账号，用于调用 BigQuery API。
用于调用 BigQuery API 并通过机器学习模型获取预测结果的 ABAP 程序。

2. 要求

一个浏览器，例如 Chrome 或 Firefox。
启用了结算功能的 Google Cloud 项目，或者为 Google Cloud Platform 创建 90 天免费试用账号。
您的系统中已安装 SAP GUI（Windows 或 Java）。如果您的笔记本电脑上已经安装了 SAP GUI，请使用虚拟机外部 IP 地址作为应用服务器 IP 地址连接到 SAP。如果您使用的是 Mac，还可以安装此链接中提供的适用于 Java 的 SAP GUI。

3. 准备工作

在 Google Cloud 控制台的项目选择器页面上，选择或创建一个 Google Cloud 项目（例如 abap-sdk-poc）。
确保您的 Cloud 项目已启用结算功能。了解如何检查项目是否已启用结算功能。如果您使用的是 90 天免费试用账号，请跳过此步骤。
您将使用 Cloud Shell，这是一个在 Google Cloud 中运行的命令行环境。
在 Cloud 控制台中，点击右上角的激活 Cloud Shell：

在 Cloud Shell 中运行以下命令以对您的账号进行身份验证，并将默认项目设置为 abap-sdk-poc。以可用区 us-west4-b 为例。如果需要，请根据您的偏好在以下命令中更改项目和可用区。

gcloud auth login
gcloud config set project abap-sdk-poc
gcloud config set compute/zone us-west4-b

您必须有权访问安装了适用于 Google Cloud 的 ABAP SDK 的 SAP 系统。
您必须先完成 Codelab 1（在 Google Cloud Platform 上安装 ABAP 平台试用版 1909 并安装适用于 Google Cloud 的 ABAP SDK）和 Codelab 2（使用在 Compute Engine 虚拟机上托管的 SAP 的令牌配置 ABAP SDK 身份验证），然后再继续此 Codelab。
如果您已完成 Codelab 1 和 Codelab 2，则会在 Google Cloud 上为您预配一个 ABAP 平台试用 1909 系统，以及所需的身份验证和连接设置。
如果您尚未完成 Codelab 1 和 Codelab 2，则将无法获得执行此 Codelab 中提供的步骤所需的基础架构和连接。因此，您必须先完成 Codelab 1 和 Codelab 2，然后才能继续学习此 Codelab。

4. 在 Google Cloud 项目中启用 BigQuery API V2

在 Cloud 控制台中，点击右上角的激活 Cloud Shell：

在 Cloud Shell 中运行以下命令以启用 BigQuery API：

gcloud services enable bigquery.googleapis.com

成功执行后，您应该会看到如下所示的消息

现在，您应该已在 Google Cloud 项目中启用 BigQuery API。

5. 创建服务账号以确保安全的 BigQuery 访问

为了安全地从 BigQuery ML 模型获取机器学习预测结果，您需要创建一个具有 BigQuery Job User 和 BigQuery Data Viewer 角色的服务账号，以便您的程序在项目中运行查询（作为作业），并从表中读取数据。此角色仅授予创建作业和读取数据所需的权限，从而最大限度地降低安全风险。

创建服务账号

如需创建具有所需角色的服务账号，请执行以下步骤：

在 Cloud Shell 终端中运行以下命令：

gcloud iam service-accounts create abap-sdk-bigquery-jobuser --display-name="Service Account for BigQuery Job user"

现在，将所需的角色添加到上一步中创建的服务账号：

gcloud projects add-iam-policy-binding abap-sdk-poc --member='serviceAccount:abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com' --role='roles/bigquery.jobUser'

gcloud projects add-iam-policy-binding abap-sdk-poc --member='serviceAccount:abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com' --role='roles/bigquery.dataViewer'

上述命令使用 abap-sdk-poc 作为 Google Cloud 项目的占位符。将 abap-sdk-poc 替换为您的项目 ID。

如需验证是否已添加此角色，请前往 IAM 页面。您创建的服务账号应连同分配给该账号的角色一起列出。

6. 创建 BigQuery 机器学习模型

在此 Codelab 中，我们将创建一个 k-means 模型，对伦敦自行车租赁数据集进行聚类。您可以应用 k-means 算法，将数据按聚类进行分组。监督式机器学习与预测分析有关，而非监督式学习则与描述性分析有关。而是要了解数据，以便做出数据驱动型决策。

创建数据集

如需创建 BigQuery 数据集来存储机器学习模型，请执行以下步骤：

在 Google Cloud 控制台中，前往 BigQuery 页面。转到 BigQuery 页面
在探索器窗格中，点击您的项目名称。
点击 查看操作 >创建数据集。

3fbc072041bfa313

在 创建数据集 页面上，执行以下操作：

在数据集 ID 部分，输入 bqml_tutorial。
对于位置类型，选择多区域，然后选择欧盟（欧盟的多个区域）。伦敦自行车租赁公共数据集存储在欧盟多区域位置。您的数据集必须位于同一位置。
将其余默认设置保持原样，然后点击创建数据集。

创建 k-means 模型

现在您的数据集已设置完毕，下一步是使用数据创建 k-means 模型。您可以使用带有 model_type=kmeans 选项的 CREATE MODEL 语句创建和训练 k-means 模型。

如需运行查询并创建 k-means 模型，请执行以下步骤：

前往 BigQuery 页面。前往 BigQuery
在编辑器窗格中，运行以下 SQL 语句：

CREATE OR REPLACE MODEL `bqml_tutorial.london_station_clusters`
  OPTIONS(model_type='kmeans', num_clusters=4) AS
WITH
  hs AS (
  SELECT
    h.start_station_name AS station_name,
  IF
    (EXTRACT(DAYOFWEEK
      FROM
        h.start_date) = 1
      OR EXTRACT(DAYOFWEEK
      FROM
        h.start_date) = 7,
      "weekend",
      "weekday") AS isweekday,
    h.duration,
    ST_DISTANCE(ST_GEOGPOINT(s.longitude,
        s.latitude),
      ST_GEOGPOINT(-0.1,
        51.5))/1000 AS distance_from_city_center
  FROM
    `bigquery-public-data.london_bicycles.cycle_hire` AS h
  JOIN
    `bigquery-public-data.london_bicycles.cycle_stations` AS s
  ON
    h.start_station_id = s.id
  WHERE
    h.start_date BETWEEN CAST('2015-01-01 00:00:00' AS TIMESTAMP)
    AND CAST('2016-01-01 00:00:00' AS TIMESTAMP) ),
  stationstats AS (
  SELECT
    station_name,
    isweekday,
    AVG(duration) AS duration,
    COUNT(duration) AS num_trips,
    MAX(distance_from_city_center) AS distance_from_city_center
  FROM
    hs
  GROUP BY
    station_name, isweekday)
SELECT
  * EXCEPT(station_name, isweekday)
FROM
  stationstats

在导航面板的资源部分，展开项目名称，点击 bqml_tutorial，然后点击 london_station_clusters。
点击架构标签页。模型架构列出了 BigQuery ML 用于执行聚类的三个车站属性。架构应如下所示：

5f1feb313bd0f6a5

点击评估标签页。此标签页显示 k-means 模型标识的聚类的可视化。在数值特征下，条形图最多可显示每个形心的 10 个最重要的数值特征值。您可以从下拉菜单中选择要直观呈现的功能。

8f9b53971e33dc08

7. 使用适用于 Google Cloud 的 ABAP SDK 获取 BigQuery ML 预测结果

现在，您已经在 Google Cloud 端设置了前提条件，接下来可以在 SAP 系统中完成相关步骤，使用适用于 Google Cloud 的 ABAP SDK 从机器学习模型获取预测结果。

创建客户端密钥配置

对于身份验证和连接相关配置，适用于 Google Cloud 的 ABAP SDK 使用表 /GOOG/CLIENT_KEY 和 /GOOG/SERVIC_MAP.

如需保留 /GOOG/CLIENT_KEY 表中的配置，请执行以下步骤：

在 SAP GUI 中，输入事务代码 SPRO。
点击 SAP 参考 IMG。
点击 ABAP SDK for Google Cloud >基本设置 >配置客户端密钥

25871e639293b9ee

请保留所列字段的以下值，并将其他所有字段留空：

字段	值
Google Cloud 密钥名称	BIGQUERY_ML
Google Cloud 服务账号名称	abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com
Google Cloud 范围	https://www.googleapis.com/auth/cloud-platform
项目 ID	abap-sdk-poc
授权类	/GOOG/CL_AUTH_GOOGLE

构建 ABAP 报告以通过 BigQuery ML 模型获取预测结果

如需生成 ABAP 报告，请按以下步骤操作：

在 SAP GUI 中，找到交易代码 SE38 并创建一个名为 ZDEMO_BIGQUERY_ML_PREDICT. 的报告程序
在打开的弹出式窗口中，提供详细信息，如下图所示：

在下一个弹出式窗口中，选择本地对象或提供适当的软件包名称。
在 ABAP 编辑器中，添加以下代码：

REPORT zdemo_bigquery_ml_predict.

types:
  begin of lty_query_result,
    centroid_id     type i,
    station_name    type string,
    isweekday       type string,
    num_trips       type i,
    distance_from_city type string,
  end of lty_query_result,
  ltt_query_result type standard table of lty_query_result.

DATA:
  lv_project_id TYPE string,
  ls_input      TYPE /goog/cl_bigquery_v2=>ty_103,
  ls_output     TYPE lty_query_result,
  lt_output     TYPE ltt_query_result.

CONSTANTS:
  lc_newline TYPE c VALUE cl_abap_char_utilities=>newline.

TRY.
    "Initialize Bigquery object, pass the client key name that you have configured in /GOOG/CLIENT_KEY table
    DATA(lo_bq) = NEW /goog/cl_bigquery_v2( iv_key_name = 'BIGQUERY_ML' ).

    "Populate relevant parameters
    lv_project_id = lo_bq->gv_project_id.

    ls_input-default_dataset-project_id = 'abap-sdk-poc'.
    ls_input-default_dataset-dataset_id = 'bqml_tutorial'.

    "This query gets predictions from
    ls_input-query =
                | WITH | && lc_newline &&
                | hs AS ( | && lc_newline &&
                | SELECT | && lc_newline &&
                | h.start_station_name AS station_name, | && lc_newline &&
                | IF | && lc_newline &&
                | (EXTRACT(DAYOFWEEK | && lc_newline &&
                | FROM | && lc_newline &&
                | h.start_date) = 1 | && lc_newline &&
                | OR EXTRACT(DAYOFWEEK | && lc_newline &&
                | FROM | && lc_newline &&
                | h.start_date) = 7, | && lc_newline &&
                | "weekend", | && lc_newline &&
                | "weekday") AS isweekday, | && lc_newline &&
                | h.duration, | && lc_newline &&
                | ST_DISTANCE(ST_GEOGPOINT(s.longitude, | && lc_newline &&
                | s.latitude), | && lc_newline &&
                | ST_GEOGPOINT(-0.1, | && lc_newline &&
                | 51.5))/1000 AS distance_from_city_center | && lc_newline &&
                | FROM | && lc_newline &&
                | `bigquery-public-data.london_bicycles.cycle_hire` AS h | && lc_newline &&
                | JOIN | && lc_newline &&
                | `bigquery-public-data.london_bicycles.cycle_stations` AS s | && lc_newline &&
                | ON | && lc_newline &&
                | h.start_station_id = s.id | && lc_newline &&
                | WHERE | && lc_newline &&
                | h.start_date BETWEEN CAST('2015-01-01 00:00:00' AS TIMESTAMP) | && lc_newline &&
                | AND CAST('2016-01-01 00:00:00' AS TIMESTAMP) ), | && lc_newline &&
                | stationstats AS ( | && lc_newline &&
                | SELECT | && lc_newline &&
                | station_name, | && lc_newline &&
                | isweekday, | && lc_newline &&
                | AVG(duration) AS duration, | && lc_newline &&
                | COUNT(duration) AS num_trips, | && lc_newline &&
                | MAX(distance_from_city_center) AS distance_from_city_center | && lc_newline &&
                | FROM | && lc_newline &&
                | hs | && lc_newline &&
                | GROUP BY | && lc_newline &&
                | station_name, isweekday ) | && lc_newline &&
                | SELECT | && lc_newline &&
                | * EXCEPT(nearest_centroids_distance) | && lc_newline &&
                | FROM | && lc_newline &&
                | ML.PREDICT( MODEL `bqml_tutorial.london_station_clusters`, | && lc_newline &&
                | ( | && lc_newline &&
                | SELECT | && lc_newline &&
                | * | && lc_newline &&
                | FROM | && lc_newline &&
                | stationstats | && lc_newline &&
                | WHERE | && lc_newline &&
                | REGEXP_CONTAINS(station_name, 'Kennington'))) |.

    "Call API method: bigquery.jobs.query
    CALL METHOD lo_bq->query_jobs
      EXPORTING
        iv_p_project_id = lv_project_id
        is_input        = ls_input
      IMPORTING
        es_output       = DATA(ls_response)
        ev_ret_code     = DATA(lv_ret_code)
        ev_err_text     = DATA(lv_err_text)
        es_err_resp     = DATA(ls_err_resp).

    IF lo_bq->is_success( lv_ret_code ).
      "API Call successful, loop through the data & display the result
      IF ls_response-job_complete = abap_true.
        LOOP AT ls_response-rows ASSIGNING FIELD-SYMBOL(<ls_row>).
          LOOP AT <ls_row>-f ASSIGNING FIELD-SYMBOL(<ls_value>).
            ASSIGN <ls_value>-v->* TO FIELD-SYMBOL(<ls_field_value>).
            CASE sy-tabix.
              WHEN 1.
                ls_output-centroid_id = <ls_field_value>.
              WHEN 2.
                ls_output-station_name = <ls_field_value>.
              WHEN 3.
                ls_output-isweekday = <ls_field_value>.
              WHEN 4.
                ls_output-num_trips = <ls_field_value>.
              WHEN 5.
                ls_output-distance_from_city = <ls_field_value>.
            ENDCASE.
          ENDLOOP.
          APPEND ls_output TO lt_output.
          CLEAR ls_output.
        ENDLOOP.
        IF lt_output IS NOT INITIAL.
          cl_demo_output=>new( )->begin_section( 'ML.Predict Query Details'
                               )->write_text( ls_input-query
                               )->write_text( 'Dataset: bigquery-public-data.london_bicycles'
                               )->end_section(
                               )->begin_section( 'ML.Predict Query Results'
                               )->write_data( lt_output
                               )->end_section(
                               )->display( ).
        ENDIF.
      ENDIF.
    ELSE.
      "Display error message in case the API call fails
      MESSAGE lv_err_text TYPE 'E'.
    ENDIF.

    "Close HTTP Connection
    lo_bq->close( ).

  CATCH /goog/cx_sdk INTO DATA(lo_exception).
    MESSAGE lo_exception->get_text( ) TYPE 'E'.
ENDTRY.

保存并激活报告。
执行报告 (F8)。

成功执行后，您应该会看到如下所示的报告输出：

6405542a597ed09f

8. 恭喜

出色完成“使用 Google Cloud 的 ABAP SDK 通过 BigQuery 机器学习 (ML) 模型获取预测结果”codelab!

您已成功从 SAP 系统内检索到 BigQuery 机器学习模型的预测结果！您已解锁 ABAP 与 Google Cloud 服务之间的集成的新高度。学习其他激动人心的 ABAP SDK for Google Cloud Codelab，拓宽视野：

将 Translation API 与适用于 Google Cloud 的 ABAP SDK 搭配使用
使用分块将大型对象上传到 Cloud Storage 存储分区
使用适用于 Google Cloud 的 ABAP SDK 从 Secret Manager 检索凭据/Secret
从 ABAP 调用 Vertex AI test-bison

9. 清理

如果您不想继续学习与 ABAP SDK for Google Cloud 相关的其他 Codelab，请继续进行清理。

删除项目

删除 Google Cloud 项目：

gcloud projects delete abap-sdk-poc

删除个别资源

删除计算实例：

gcloud compute instances delete abap-trial-docker

删除防火墙规则：

gcloud compute firewall-rules delete sapmachine

删除服务账号：

gcloud iam service-accounts delete \
    abap-sdk-bigquery-jobuser@abap-sdk-poc.iam.gserviceaccount.com