Jak zintegrować Dialogflow z BigQuery

1. Wprowadzenie

Z tego artykułu dowiesz się, jak Dialogflow łączy się z BigQuery i przechowuje informacje zebrane podczas trybu konwersacyjnego. Użyjemy tego samego agenta, którego utworzyliśmy w poprzednich ćwiczeniach „Harmonogram spotkań”. W projekcie GCP agenta utworzymy zbiór danych i tabelę w BigQuery. Następnie zmodyfikujemy pierwotną realizację, podając identyfikatory zbioru danych i tabeli BigQuery. Na koniec sprawdzimy, czy interakcje są rejestrowane w BigQuery.

Oto diagram sekwencji zdarzeń od użytkownika do realizacji i BigQuery.

538029740db09f49.png

Czego się nauczysz

  • Jak utworzyć zbiór danych i tabelę w BigQuery
  • Jak skonfigurować szczegóły połączenia BigQuery w realizacji Dialogflow.
  • Jak przetestować realizację

Wymagania wstępne

  • Podstawowe pojęcia i konstrukcje Dialogflow. Wprowadzające filmy z samouczkami dotyczącymi Dialogflow, które obejmują podstawowe projektowanie konwersacji, znajdziesz poniżej:
  • Tworzenie czatbota do planowania spotkań za pomocą Dialogflow.
  • Informacje o encjach w Dialogflow.
  • Realizacja: integracja Dialogflow z Kalendarzem Google.

2. Tworzenie zbioru danych i tabeli w BigQuery

  1. Otwórz konsolę Google Cloud.
  2. W konsoli Cloud kliknij ikonę menu ☰ > Big Data > BigQuery.
  3. W sekcji Zasoby w panelu po lewej stronie kliknij identyfikator projektu. Po jego wybraniu po prawej stronie pojawi się opcja UTWÓRZ ZBIÓR DANYCH.
  4. Kliknij UTWÓRZ ZBIÓR DANYCH i nadaj mu nazwę.

be9f32a18ebb4a5b.png

  1. Po utworzeniu zbioru danych kliknij go w panelu po lewej stronie. Po prawej stronie zobaczysz UTWÓRZ TABELĘ.
  2. Kliknij UTWÓRZ TABELĘ, podaj nazwę tabeli i kliknij Utwórz tabelę u dołu ekranu.

d5fd99b68b7e62e0.png

  1. Po utworzeniu tabeli kliknij ją w panelu po lewej stronie. Po prawej stronie zobaczysz przycisk „Edytuj schemat”.
  2. Kliknij przycisk Edytuj schemat, a następnie przycisk Dodaj pole. Dodaj pole „date” i powtórz tę samą czynność w przypadku pól „time” i „type”.
  3. Zanotuj identyfikator zbioru danych i identyfikator tabeli.

e9d9abbe843823df.png

3. Dodawanie szczegółów połączenia BigQuery do realizacji Dialogflow

  1. Otwórz agenta Dialogflow i włącz edytor wbudowany realizacji. Jeśli potrzebujesz pomocy, zapoznaj się z poprzednim modułem .
  1. Sprawdź, czy plik „package.json” w edytorze wbudowanym realizacji Dialogflow zawiera zależność BigQuery. "@google-cloud/bigquery": "0.12.0". Upewnij się, że w momencie czytania tego artykułu korzystasz z najnowszej wersji BigQuery.
  2. W pliku index.js utwórz funkcję „addToBigQuery”, aby dodać datę, godzinę i typ spotkania do tabeli BigQuery.
  3. W sekcji TODO w pliku index.js dodaj projectID, datasetID i tableID, aby prawidłowo połączyć tabelę BigQuery i zbiór danych z realizacją.
{
  "name": "dialogflowFirebaseFulfillment",
  "description": "Dialogflow fulfillment for the bike shop sample",
  "version": "0.0.1",
  "private": true,
  "license": "Apache Version 2.0",
  "author": "Google Inc.",
  "engines": {
    "node": "6"
  },
  "scripts": {
    "lint": "semistandard --fix \"**/*.js\"",
    "start": "firebase deploy --only functions",
    "deploy": "firebase deploy --only functions"
  },
  "dependencies": {
    "firebase-functions": "2.0.2",
    "firebase-admin": "^5.13.1",
    "actions-on-google": "2.2.0", 
    "googleapis": "^27.0.0",
    "dialogflow-fulfillment": "0.5.0",
    "@google-cloud/bigquery": "^0.12.0"
  }
}

'use strict';

const functions = require('firebase-functions');
const {google} = require('googleapis');
const {WebhookClient} = require('dialogflow-fulfillment');
const BIGQUERY = require('@google-cloud/bigquery');


// Enter your calendar ID below and service account JSON below
const calendarId = "XXXXXXXXXXXXXXXXXX@group.calendar.google.com";
const serviceAccount = {}; // Starts with {"type": "service_account",...

// Set up Google Calendar Service account credentials
const serviceAccountAuth = new google.auth.JWT({
  email: serviceAccount.client_email,
  key: serviceAccount.private_key,
  scopes: 'https://www.googleapis.com/auth/calendar'
});

const calendar = google.calendar('v3');
process.env.DEBUG = 'dialogflow:*'; // enables lib debugging statements

const timeZone = 'America/Los_Angeles';
const timeZoneOffset = '-07:00';

exports.dialogflowFirebaseFulfillment = functions.https.onRequest((request, response) => {
  const agent = new WebhookClient({ request, response });
  console.log("Parameters", agent.parameters);
  const appointment_type = agent.parameters.AppointmentType;

// Function to create appointment in calendar  
function makeAppointment (agent) {
    // Calculate appointment start and end datetimes (end = +1hr from start)
    const dateTimeStart = new Date(Date.parse(agent.parameters.date.split('T')[0] + 'T' + agent.parameters.time.split('T')[1].split('-')[0] + timeZoneOffset));
    const dateTimeEnd = new Date(new Date(dateTimeStart).setHours(dateTimeStart.getHours() + 1));
    const appointmentTimeString = dateTimeStart.toLocaleString(
      'en-US',
      { month: 'long', day: 'numeric', hour: 'numeric', timeZone: timeZone }
    );
  
// Check the availability of the time, and make an appointment if there is time on the calendar
    return createCalendarEvent(dateTimeStart, dateTimeEnd, appointment_type).then(() => {
      agent.add(`Ok, let me see if we can fit you in. ${appointmentTimeString} is fine!.`);

// Insert data into a table
      addToBigQuery(agent, appointment_type);
    }).catch(() => {
      agent.add(`I'm sorry, there are no slots available for ${appointmentTimeString}.`);
    });
  }

  let intentMap = new Map();
  intentMap.set('Schedule Appointment', makeAppointment);
  agent.handleRequest(intentMap);
});

//Add data to BigQuery
function addToBigQuery(agent, appointment_type) {
    const date_bq = agent.parameters.date.split('T')[0];
    const time_bq = agent.parameters.time.split('T')[1].split('-')[0];
    /**
    * TODO(developer): Uncomment the following lines before running the sample.
    */
    //const projectId = '<INSERT your own project ID here>'; 
    //const datasetId = "<INSERT your own dataset name here>";
    //const tableId = "<INSERT your own table name here>";
    const bigquery = new BIGQUERY({
      projectId: projectId
    });
   const rows = [{date: date_bq, time: time_bq, type: appointment_type}];
  
   bigquery
  .dataset(datasetId)
  .table(tableId)
  .insert(rows)
  .then(() => {
    console.log(`Inserted ${rows.length} rows`);
  })
  .catch(err => {
    if (err && err.name === 'PartialFailureError') {
      if (err.errors && err.errors.length > 0) {
        console.log('Insert errors:');
        err.errors.forEach(err => console.error(err));
      }
    } else {
      console.error('ERROR:', err);
    }
  });
  agent.add(`Added ${date_bq} and ${time_bq} into the table`);
}

// Function to create appointment in google calendar  
function createCalendarEvent (dateTimeStart, dateTimeEnd, appointment_type) {
  return new Promise((resolve, reject) => {
    calendar.events.list({
      auth: serviceAccountAuth, // List events for time period
      calendarId: calendarId,
      timeMin: dateTimeStart.toISOString(),
      timeMax: dateTimeEnd.toISOString()
    }, (err, calendarResponse) => {
      // Check if there is a event already on the Calendar
      if (err || calendarResponse.data.items.length > 0) {
        reject(err || new Error('Requested time conflicts with another appointment'));
      } else {
        // Create event for the requested time period
        calendar.events.insert({ auth: serviceAccountAuth,
          calendarId: calendarId,
          resource: {summary: appointment_type +' Appointment', description: appointment_type,
            start: {dateTime: dateTimeStart},
            end: {dateTime: dateTimeEnd}}
        }, (err, event) => {
          err ? reject(err) : resolve(event);
        }
        );
      }
    });
  });
}

Poznawanie sekwencji zdarzeń na podstawie kodu

  1. Mapa intencji wywołuje funkcję makeAppointment, aby zaplanować spotkanie w Kalendarzu Google.
  2. W ramach tej samej funkcji wywoływana jest funkcja „addToBigQuery”, która wysyła dane do zalogowania w BigQuery.

4. Testowanie chatbota i tabeli BigQuery

Przetestujmy naszego chatbota. Możesz to zrobić w symulatorze lub użyć integracji z internetem lub Google Home, o których pisaliśmy w poprzednich artykułach.

  • Użytkownik: „Umów wizytę w sprawie rejestracji pojazdu na jutro na 14:00”
  • Odpowiedź chatbota: „OK, zobaczę, czy uda nam się znaleźć dla Ciebie miejsce. 6 sierpnia o 14:00 będzie w porządku”.

96d3784c103daf5e.png

  • Po otrzymaniu odpowiedzi sprawdź tabelę BigQuery. Użyj zapytania „SELECT * FROM projectID.datasetID.tableID”

dcbc9f1c06277a21.png

5. Czyszczenie

Jeśli planujesz wykonać pozostałe moduły z tej serii, nie czyść teraz środowiska. Zrób to dopiero po ukończeniu wszystkich modułów.

Usuń agenta Dialogflow

  • Kliknij ikonę koła zębatego 30a9fea7cfa77c1a.png obok istniejącego agenta.

520c1c6bb9f46ea6.png

  • Na karcie Ogólne przewiń do dołu i kliknij Usuń tego agenta.
  • Wpisz USUŃ w wyświetlonym oknie i kliknij Usuń.

6. Gratulacje!

Utworzono chatbota i zintegrowano go z BigQuery, aby uzyskać statystyki. Jesteś teraz programistą czatbota.

Zapoznaj się z tymi materiałami:

1217326c0c490fa.png