GSP283

Ringkasan

Bayangkan Anda memiliki set data yang berada di lokasi berbeda di seluruh dunia, dan data Anda ada di bucket Google Cloud Storage atau di tabel BigQuery. Bagaimana Anda dapat mengatur data tersebut sehingga dapat dikonsolidasikan dan dianalisis untuk memberikan insight tentang bisnis Anda?

Managed Service untuk Apache Airflow membantu Anda membangun, menjadwalkan, dan memantau alur kerja untuk memindahkan dan memproses data di berbagai region dan sistem penyimpanan, menggunakan antarmuka grafis yang intuitif. Fitur ini menyediakan framework fleksibel dengan operator dan integrasi yang memungkinkan transfer data yang andal antara berbagai layanan seperti BigQuery dan Cloud Storage.

Di lab ini, Anda akan membuat dan menjalankan alur kerja Apache Airflow menggunakan Managed Service untuk Apache Airflow yang menyelesaikan tugas-tugas berikut:

• Membaca informasi dari file konfigurasi berisi daftar tabel yang akan disalin
• Mengekspor daftar tabel dari set data BigQuery yang berlokasi di AS ke Cloud Storage
• Menyalin tabel yang diekspor dari AS ke bucket Cloud Storage UE
• Mengimpor daftar tabel ke Set Data BigQuery target di UE

Yang akan Anda lakukan

Di lab ini, Anda akan mempelajari cara:

• Membuat lingkungan Managed Airflow.
• Membuat bucket Cloud Storage.
• Membuat set data BigQuery.
• Membuat dan menjalankan alur kerja Apache Airflow di Managed Airflow untuk memindahkan data antara Cloud Storage dan BigQuery.

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer yang dimulai saat Anda mengklik Start Lab akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab interaktif ini dapat Anda gunakan untuk melakukan aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

Catatan: Gunakan jendela Samaran (direkomendasikan) atau browser pribadi untuk menjalankan lab ini. Hal ini akan mencegah konflik antara akun pribadi Anda dan akun siswa yang dapat menyebabkan tagihan ekstra pada akun pribadi Anda.

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Catatan: Hanya gunakan akun siswa untuk lab ini. Jika Anda menggunakan akun Google Cloud yang berbeda, Anda mungkin akan dikenai tagihan ke akun tersebut.

Cara memulai lab dan login ke Google Cloud Console

1. Klik tombol Start Lab. Jika Anda perlu membayar lab, dialog akan terbuka untuk memilih metode pembayaran. Di sebelah kiri ada panel Lab Details yang berisi hal-hal berikut:

   • Tombol Open Google Cloud console
   • Waktu tersisa
   • Kredensial sementara yang harus Anda gunakan untuk lab ini
   • Informasi lain, jika diperlukan, untuk menyelesaikan lab ini

2. Klik Open Google Cloud console (atau klik kanan dan pilih Open Link in Incognito Window jika Anda menjalankan browser Chrome).

   Lab akan menjalankan resource, lalu membuka tab lain yang menampilkan halaman Sign in.

   Tips: Atur tab di jendela terpisah secara berdampingan.

   Catatan: Jika Anda melihat dialog Choose an account, klik Use Another Account.

3. Jika perlu, salin Username di bawah dan tempel ke dialog Sign in.

   {{{user_0.username | "Username"}}}

   Anda juga dapat menemukan Username di panel Lab Details.

4. Klik Next.

5. Salin Password di bawah dan tempel ke dialog Welcome.

   {{{user_0.password | "Password"}}}

   Anda juga dapat menemukan Password di panel Lab Details.

6. Klik Next.

   Penting: Anda harus menggunakan kredensial yang diberikan lab. Jangan menggunakan kredensial akun Google Cloud Anda. Catatan: Menggunakan akun Google Cloud sendiri untuk lab ini dapat dikenai biaya tambahan.

7. Klik halaman berikutnya:

   • Setujui persyaratan dan ketentuan.
   • Jangan tambahkan opsi pemulihan atau autentikasi 2 langkah (karena ini akun sementara).
   • Jangan mendaftar uji coba gratis.

Setelah beberapa saat, Konsol Google Cloud akan terbuka di tab ini.

Catatan: Untuk mengakses produk dan layanan Google Cloud, klik Navigation menu atau ketik nama layanan atau produk di kolom Search.

Mengaktifkan Cloud Shell

Cloud Shell adalah mesin virtual yang dilengkapi dengan berbagai alat pengembangan. Mesin virtual ini menawarkan direktori beranda persisten berkapasitas 5 GB dan berjalan di Google Cloud. Cloud Shell menyediakan akses command-line untuk resource Google Cloud Anda.

1. Klik Activate Cloud Shell di bagian atas Konsol Google Cloud.

2. Klik jendela berikut:

   • Lanjutkan melalui jendela informasi Cloud Shell.
   • Beri otorisasi ke Cloud Shell untuk menggunakan kredensial Anda guna melakukan panggilan Google Cloud API.

Setelah terhubung, Anda sudah diautentikasi, dan project ditetapkan ke Project_ID, . Output berisi baris yang mendeklarasikan Project_ID untuk sesi ini:

Project Cloud Platform Anda dalam sesi ini disetel ke {{{project_0.project_id | "PROJECT_ID"}}}

gcloud adalah alat command line untuk Google Cloud. Alat ini sudah terinstal di Cloud Shell dan mendukung pelengkapan command line.

3. (Opsional) Anda dapat menampilkan daftar nama akun yang aktif dengan perintah ini:

gcloud auth list

4. Klik Authorize.

Output:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} Untuk menetapkan akun aktif, jalankan: $ gcloud config set account `ACCOUNT`

5. (Opsional) Anda dapat menampilkan daftar ID project dengan perintah ini:

gcloud config list project

Output:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Catatan: Untuk mendapatkan dokumentasi gcloud yang lengkap di Google Cloud, baca panduan ringkasan gcloud CLI.

Tugas 1. Membuat lingkungan Managed Airflow

1. Di kolom judul Konsol Google Cloud, ketik Managed Airflow di kolom Search, lalu klik Managed Airflow di bagian Products & Page untuk membuat lingkungan Managed Airflow.

2. Lalu klik Create environment.

3. Di menu dropdown, pilih Managed Airflow Gen 3.

4. Tetapkan parameter berikut untuk lingkungan Anda:

   • Name: airflow-advanced-lab

   • Location:

   • Image Version: composer-3-airflow-2.n.n-build.n (pilih image dengan versi terbaru yang tersedia)

   • Service account: Akun layanan default Compute Engine

   • Resilience mode: Pilih Standard resilience, dan untuk Airflow database zone, pilih

   • Di bagian Environment resources, pilih Small.

   • Untuk Web server network access control, pilih Allow access from all IP addresses.

   Tetap gunakan setelan default untuk semua setelan lainnya.

5. Klik Create.

Proses pembuatan lingkungan selesai ketika tanda centang hijau muncul di sebelah kiri nama lingkungan pada halaman Environments di Konsol Cloud.

Catatan: Lingkungan memerlukan waktu hingga 20 menit untuk menyelesaikan proses penyiapannya. Lanjutkan ke bagian berikutnya Membuat bucket Cloud Storage dan set data tujuan BigQuery.

Klik Periksa progres saya untuk memverifikasi tujuan.

Membuat lingkungan Managed Airflow.

Tugas 2. Membuat bucket Cloud Storage

Dalam tugas ini Anda akan membuat dua bucket Cloud Storage Multi-Region. Bucket ini akan digunakan untuk menyalin tabel yang diekspor di antara kedua lokasi, yaitu, AS ke UE.

Membuat bucket di AS

1. Buka Cloud Storage > Buckets, lalu klik Create.
2. Berikan nama unik universal pada bucket termasuk project ID (misalnya -us).
3. Untuk Location Type pilih us (multiple regions in United States).
4. Biarkan nilai lainnya dalam setelan default lalu klik Create.
5. Centang kotak Enforce public access prevention on this bucket lalu klik Confirm pada pesan pop-up Public access will be prevented jika diminta.

Membuat bucket di UE

Ulangi langkah-langkah tersebut untuk membuat bucket lain di region EU. Nama yang unik secara universal harus menyertakan lokasi sebagai akhiran pada bucket Anda (mis.-eu).

Klik Check my progress untuk memverifikasi tujuan.

Membuat dua bucket Cloud Storage.

Tugas 3. Membuat set data tujuan BigQuery

1. Buat Set Data BigQuery tujuan di UE dari UI web baru BigQuery.

2. Buka Navigation menu > BigQuery.

Kotak pesan Welcome to BigQuery in the Cloud Console akan terbuka. Kotak pesan ini menyediakan link ke panduan memulai dan membuat daftar update UI.

3. Klik Done.

4. Setelah itu, klik titik tiga di samping project ID Qwiklabs Anda dan pilih Create dataset.

5. Untuk Dataset ID, ketik nyc_tlc_EU. Untuk Data location type, pilih EU dari dropdown di bagian Multi-region.

6. Klik Create dataset.

Klik Periksa progres saya untuk memverifikasi tujuan.

Membuat set data BigQuery.

Tugas 4. Airflow dan konsep inti, pengantar singkat

• Saat lingkungan Anda dibangun, baca tentang file contoh yang akan Anda gunakan di lab ini.

Airflow adalah platform untuk menulis, menjadwalkan, dan memantau alur kerja secara terprogram.

Gunakan Airflow untuk menulis alur kerja sebagai directed acyclic graph (DAG) tugas. Scheduler Airflow menjalankan tugas Anda pada array worker sambil mengikuti dependensi yang ditentukan.

Konsep inti

DAG - Directed Acyclic Graph adalah kumpulan tugas, yang disusun untuk mencerminkan hubungan dan dependensinya.

Operator - Deskripsi tugas tunggal, umumnya bersifat atomik. Sebagai contoh, BashOperatordigunakan untuk menjalankan perintah bash.

Task - Instance Operator yang diparameterisasi; sebuah node di DAG.

Task Instance - Operasi spesifik dari suatu tugas; dicirikan sebagai: DAG, Tugas, dan titik waktu. Operasi ini memiliki status indikatif: running, success, failed, skipped, ...

Pelajari lebih lanjut konsep Airflow dari Dokumentasi konsep.

Tugas 5. Menentukan alur kerja

Alur kerja di Apache Airflow terdiri dari DAG (Directed Acyclic Graph). Kode di bq_copy_across_locations.py merepresentasikan alur kerja, yang juga dikenal sebagai DAG. Buka file untuk memahami cara DAG dibuat. Bagian berikutnya akan membahas detail komponen utamanya.

Untuk mengorkestrasi semua tugas alur kerja, DAG mengimpor operator berikut:

1. DummyOperator: Membuat tugas contoh Mulai dan Akhir untuk representasi visual DAG yang lebih baik.
2. BigQueryToCloudStorageOperator: Mengekspor tabel BigQuery ke bucket Cloud Storage menggunakan format Avro.
3. GoogleCloudStorageToGoogleCloudStorageOperator: Menyalin file di seluruh bucket Cloud Storage.
4. GoogleCloudStorageToBigQueryOperator: Mengimpor tabel dari file Avro di bucket Cloud Storage.

• Dalam contoh ini, fungsi read_table_list() ditentukan untuk membaca file konfigurasi dan membuat daftar tabel yang akan disalin:

# -------------------------------------------------------------------------------- # Functions # -------------------------------------------------------------------------------- def read_table_list(table_list_file): """ Reads the master CSV file that will help in creating Airflow tasks in the DAG dynamically. :param table_list_file: (String) The file location of the master file, e.g. '/home/airflow/framework/master.csv' :return master_record_all: (List) List of Python dictionaries containing the information for a single row in master CSV file. """ master_record_all = [] logger.info('Reading table_list_file from : %s' % str(table_list_file)) try: with open(table_list_file, 'rb') as csv_file: csv_reader = csv.reader(csv_file) next(csv_reader) # skip the headers for row in csv_reader: logger.info(row) master_record = { 'table_source': row[0], 'table_dest': row[1] } master_record_all.append(master_record) return master_record_all except IOError as e: logger.error('Error opening table_list_file %s: ' % str( table_list_file), e)

• Nama dari DAG adalah bq_copy_us_to_eu_01, dan DAG tidak dijadwalkan secara default sehingga perlu dipicu secara manual.

default_args = { 'owner': 'airflow', 'start_date': datetime.today(), 'depends_on_past': False, 'email': [''], 'email_on_failure': False, 'email_on_retry': False, 'retries': 1, 'retry_delay': timedelta(minutes=5), } # DAG object. with models.DAG('bq_copy_us_to_eu_01', default_args=default_args, schedule_interval=None) as dag:

• Untuk menentukan plugin Cloud Storage, class Cloud StoragePlugin(AirflowPlugin) ditentukan, dengan memetakan hook dan operator yang telah di-download dari cabang stabil Airflow 1.10.

# Import operator from plugins from gcs_plugin.operators import gcs_to_gcs

Tugas 6. Menampilkan informasi lingkungan

1. Buka kembali Managed Airflow untuk memeriksa status lingkungan Anda.

2. Setelah lingkungan Anda dibuat, klik nama lingkungan untuk melihat detailnya.

Halaman Environmental details memberikan informasi, seperti URL UI web Airflow, ID cluster Google Kubernetes Engine, nama bucket Cloud Storage yang terhubung ke folder DAG.

Catatan: Layanan Apache Airflow terkelola menggunakan Cloud Storage untuk menyimpan DAG, yang juga dikenal sebagai alur kerja. Setiap lingkungan memiliki bucket Cloud Storage terkait, dan hanya DAG yang ada di bucket tersebut yang dijadwalkan oleh Airflow.

Langkah selanjutnya harus diselesaikan di Cloud Shell.

Menciptakan lingkungan virtual

Lingkungan virtual python digunakan untuk mengisolasi penginstalan paket dari sistem.

1. Instal lingkungan virtualenv:

sudo apt-get install -y virtualenv

2. Bangun lingkungan virtual:

python3 -m venv venv

3. Aktifkan lingkungan virtual:

source venv/bin/activate

Tugas 7. Membuat variabel untuk bucket Cloud Storage DAG

• Di Cloud Shell, jalankan perintah berikut untuk menyalin nama bucket DAG dari halaman Environment Details Anda dan tetapkan variabel untuk merujuknya di Cloud Shell:

Catatan: Pastikan untuk mengganti nama bucket DAG Anda dengan perintah berikut. Buka Navigation menu > Cloud Storage > Buckets, namanya akan mirip dengan -airflow-advance-YOURDAGSBUCKET-bucket. DAGS_BUCKET=<your DAGs bucket name>

Anda akan menggunakan variabel ini beberapa kali selama lab.

Tugas 8. Menyetel variable Airflow

Variabel Airflow adalah konsep khusus Airflow yang berbeda dengan variabel lingkungan. Pada langkah ini, Anda akan menyetel tiga variabel Airflow berikut yang digunakan oleh DAG yang akan kita deploy: table_list_file_path, gcs_source_bucket, dan gcs_dest_bucket.

Kunci	Nilai	Detail
table_list_file_path	/home/airflow/gcs/dags/bq_copy_eu_to_us_sample.csv	File CSV yang membuat daftar tabel sumber dan target, termasuk set data
gcs_source_bucket	{UNIQUE ID}-us	Bucket Cloud Storage yang digunakan untuk mengekspor tabel BigQuery dari sumber
gcs_dest_bucket	{UNIQUE ID}-eu	Bucket Cloud Storage yang digunakan untuk mengimpor tabel BigQuery di tujuan

Perintah gcloud composer selanjutnya mengeksekusi variabel sub-perintah Airflow CLI. Sub-perintah meneruskan argumen ke alat command line gcloud.

Untuk menetapkan ketiga variabel, Anda akan menjalankan composer command satu kali untuk setiap baris dari tabel di atas. Bentuk perintahnya seperti ini:

gcloud composer environments run ENVIRONMENT_NAME \ --location LOCATION variables -- \ set KEY VALUE You can safely ignore this gcloud error: (ERROR: gcloud crashed (TypeError): 'NoneType' object is not callable). This is a known issue with using gcloud composer environments run with the 410.0.0 version of gcloud. Your variables will still be set accordingly despite the error message.

• ENVIRONMENT_NAME adalah nama lingkungan.
• LOCATION adalah region Compute Engine tempat lingkungan tersebut berada. Perintah komposer gcloud memerlukan penyertaan flag --location atau penyetelan lokasi default sebelum menjalankan perintah gcloud.
• KEY dan VALUE menentukan variabel dan nilainya yang akan disetel. Sertakan spasi, dua tanda hubung, dan spasi ( -- ) di antara perintah gcloud dengan argumen terkait gcloud di sisi kiri, dan argumen terkait sub-perintah Airflow di sisi kanan. Sertakan juga spasi di antara argumen KEY dan VALUE menggunakan perintah gcloud composer environments run dengan sub-perintah variabel.

Jalankan perintah ini di Cloud Shell, dengan mengganti gcs_source_bucket dan gcs_dest_bucket dengan nama bucket yang Anda buat pada Tugas 2.

gcloud composer environments run airflow-advanced-lab \ --location {{{ project_0.default_region | "REGION" }}} variables -- \ set table_list_file_path /home/airflow/gcs/dags/bq_copy_eu_to_us_sample.csv gcloud composer environments run airflow-advanced-lab \ --location {{{ project_0.default_region | "REGION" }}} variables -- \ set gcs_source_bucket {UNIQUE ID}-us gcloud composer environments run airflow-advanced-lab \ --location {{{ project_0.default_region | "REGION" }}} variables -- \ set gcs_dest_bucket {UNIQUE_ID}-eu

Untuk melihat nilai suatu variabel, jalankan variabel sub-perintah Airflow CLI dengan argumen get atau gunakan UI Airflow.

Misalnya, jalankan perintah berikut:

gcloud composer environments run airflow-advanced-lab \ --location {{{ project_0.default_region | "REGION" }}} variables -- \ get gcs_source_bucket Catatan: Pastikan untuk menetapkan ketiga variabel Airflow yang digunakan oleh DAG tersebut.

Tugas 9. Mengupload DAG dan dependensinya ke Cloud Storage

1. Salin file contoh dokumen Python Google Cloud ke Cloud Shell Anda:

cd ~ gcloud storage cp -r gs://spls/gsp283/python-docs-samples.

2. Upload salinan hook dan operator pihak ketiga ke folder plugin di bucket Cloud Storage DAG Airflow Anda:

gcloud storage cp -r python-docs-samples/third_party/apache-airflow/plugins/* gs://$DAGS_BUCKET/plugins

3. Selanjutnya, upload DAG dan file konfigurasi ke bucket Cloud Storage DAG lingkungan Anda:

gcloud storage cp python-docs-samples/composer/workflows/bq_copy_across_locations.py gs://$DAGS_BUCKET/dags gcloud storage cp python-docs-samples/composer/workflows/bq_copy_eu_to_us_sample.csv gs://$DAGS_BUCKET/dags

Layanan Apache Airflow yang terkelola mendeteksi dan mendaftarkan DAG di lingkungan Airflow secara otomatis, dengan pembaruan yang biasanya tercermin dalam beberapa menit. Anda dapat memantau status tugas melalui antarmuka web Airflow dan memverifikasi bahwa perilaku penjadwalan DAG sesuai dengan konfigurasi yang ditentukan.

Tugas 10. Menjelajahi UI Airflow

Untuk mengakses antarmuka web Airflow menggunakan Konsol Cloud:

1. Kembali ke halaman Environments di Managed Airflow.
2. Pada kolom Airflow webserver untuk lingkungan, klik link Airflow.

3. Klik kredensial lab Anda.
4. UI web Airflow terbuka di jendela browser baru. Data akan sedang dimuat saat Anda tiba di sini. Anda dapat melanjutkan lab selama hal ini berlangsung.

Melihat variabel

Variabel yang Anda tetapkan sebelumnya akan tetap ada di lingkungan Anda.

• Lihat variabel dengan memilih Admin >Variables dari panel menu Airflow.

Memicu DAG untuk berjalan secara manual

1. Klik pada tab DAGs dan tunggu hingga link selesai dimuat.

2. Untuk memicu DAG secara manual, klik tombol putar composer_sample_bq_copy_across_locations :

3. Klik Trigger DAG untuk mengonfirmasi tindakan ini.

Klik Check my progress untuk memverifikasi tujuan.

Mengupload DAG dan dependensinya ke Cloud Storage

Menjelajahi operasi DAG

Saat Anda mengupload file DAG ke folder DAG (lokasi penyimpanan yang dikonfigurasi), Apache Airflow akan menguraikan file tersebut. Jika tidak ditemukan error, alur kerja akan muncul di daftar DAG, dan dimasukkan dalam antrean untuk dijalankan berdasarkan konfigurasi penjadwalannya. Jika jadwal ditetapkan ke None, alur kerja tidak akan berjalan secara otomatis dan harus dipicu secara manual.

Status Runs berubah menjadi hijau setelah tombol putar ditekan:

1. Klik nama DAG untuk membuka halaman detail DAG. Halaman ini menyertakan representasi grafis dari tugas dan dependensi alur kerja.

2. Sekarang, di toolbar, klik Graph, lalu arahkan mouse ke gambar setiap tugas untuk melihat statusnya. Perhatikan bahwa batas di sekitar setiap tugas juga menunjukkan statusnya (hijau = running; merah = failed, etc.).

Untuk menjalankan alur kerja lagi dari tampilan Graph:

1. Dalam Tampilan Grafik UI Airflow, klik gambar start.
2. Klik Clear > Clear existing task untuk mereset semua tugas, lalu klik Clear DAG run untuk mengonfirmasi.

Muat ulang browser Anda saat proses sedang berjalan untuk melihat informasi terbaru.

Tugas 11. Memvalidasi hasil

Sekarang periksa status dan hasil alur kerja dengan membuka halaman Konsol Cloud berikut:

• Tabel yang diekspor disalin dari bucket AS ke bucket Cloud Storage UE. Klik Cloud Storage untuk melihat file Avro perantara di bucket sumber (AS) dan tujuan (UE).
• Daftar tabel diimpor ke Set Data BigQuery target. Klik BigQuery, lalu klik nama project Anda dan set data nyc_tlc_EU untuk memvalidasi bahwa tabel dapat diakses dari set data yang Anda buat.

Menghapus lingkungan Cloud Composer

1. Kembali ke halaman Environments di Cloud Composer.

2. Pilih lingkungan Cloud Composer Anda.

3. Klik Delete.

4. Pada dialog yang terbuka, klik Delete untuk mengonfirmasi bahwa Anda ingin melanjutkan menghapus lingkungan Cloud Composer.

Selamat!

Anda menyalin tabel secara terprogram dari AS ke UE! Lab ini didasarkan pada postingan blog yang ditulis oleh David Sabater Dinter.

Langkah berikutnya

• Pelajari lebih lanjut penggunaan Airflow di situs Airflow atau project GitHub Airflow.
• Ada banyak referensi lain yang tersedia untuk Airflow, termasuk grup diskusi.
• Mendaftarlah untuk akun Apache JIRA dan buka kembali masalah apa pun yang Anda anggap penting dalam project Apache Airflow JIRA.
• Untuk mengetahui informasi tentang UI Airflow, baca artikel Mengakses antarmuka web.

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui pada 20 April 2026

Lab Terakhir Diuji pada 20 April 2026

Hak cipta 2026 Google LLC. Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.