GCP Dataflow-从存储读取CSV文件并写入BigQuery

Question

我在存储中有一个CSV文件，我想读取它并将其写入BigQuery表。 这是我的CSV文件，其中第一行是标题：

GroupName,Groupcode,GroupOwner,GroupCategoryID
System Administrators,sysadmin,13456,100
Independence High Teachers,HS Teachers,,101
John Glenn Middle Teachers,MS Teachers,13458,102
Liberty Elementary Teachers,Elem Teachers,13559,103
1st Grade Teachers,1stgrade,,104
2nd Grade Teachers,2nsgrade,13561,105
3rd Grade Teachers,3rdgrade,13562,106
Guidance Department,guidance,,107
Independence Math Teachers,HS Math,13660,108
Independence English Teachers,HS English,13661,109
John Glenn 8th Grade Teachers,8thgrade,,110
John Glenn 7th Grade Teachers,7thgrade,13452,111
Elementary Parents,Elem Parents,,112
Middle School Parents,MS Parents,18001,113
High School Parents,HS Parents,18002,114

这是我的代码：

    public class StorgeBq {

        public static class StringToRowConverter extends DoFn<String, TableRow> {

            private String[] columnNames;

            private boolean isFirstRow = true;

            @ProcessElement
            public void processElement(ProcessContext c) {
                TableRow row = new TableRow();

                String[] parts = c.element().split(",");

                if (isFirstRow) {
                    columnNames = Arrays.copyOf(parts, parts.length);
                    isFirstRow = false;
                } else {
                    for (int i = 0; i < parts.length; i++) {
                        row.set(columnNames[i], parts[i]);
                    }
                    c.output(row);
                }
            }
        }

        public static void main(String[] args) {

            DataflowPipelineOptions options = PipelineOptionsFactory.fromArgs(args).withValidation()
                      .as(DataflowPipelineOptions.class);
                    options.setZone("europe-west1-c");
                    options.setProject("mydata-dev");
                    options.setRunner(DataflowRunner.class);
                    Pipeline p = Pipeline.create(options);

            p.apply("ReadLines", TextIO.read().from("gs://mydata3-dataflow/C2ImportGroupsSample.csv"))
            .apply("ConverToBqRow",ParDo.of(new StringToRowConverter()))
            .apply("WriteToBq", BigQueryIO.<TableRow>writeTableRows()
                    .to("mydata-dev:DF_TEST.dataflow_table")
                    .withWriteDisposition(WriteDisposition.WRITE_APPEND)
                    .withCreateDisposition(CreateDisposition.CREATE_NEVER));
            p.run().waitUntilFinish();
        }

}

存在一些问题：1）当作业开始执行时，我看到有一个名为“ DropInputs”的进程，我的代码中尚未定义该进程！ 并开始在所有任务之前运行，为什么？

2）为什么管道不以第一个任务“ ReadLines”开头？ 3）在日志文件中，我看到在任务“ WriteToBq”中它尝试查找其中一个数据作为字段，例如“ 1st Year Teachers”不是字段，而是“ GroupName”的数据：

"message" : "JSON parsing error in row starting at position 0: No such field: 1st Grade Teachers.",

Answer 1

您的代码中有几个问题。 但是，首先，对于“ DropInputs”阶段-您可以放心地忽略它。 这是此错误报告的结果。 我仍然不明白为什么需要显示它（它也使我们的很多用户感到困惑），并且我很希望Googler能够对此加以介绍。 我认为这只是混乱。

正确，现在输入您的代码：

1. 您假设读取的第一行将是您的标题。 这是一个错误的假设。 数据流是并行读取的，因此标题行可以随时到达。 而不是使用boolean标志进行检查，而是每次在ParDo检查string值本身，例如， if (c.element.contains("GroupName") then..
2. 您缺少BigQuery表架构。 您需要在您的BigQuery接收器中添加withSchema(..) 。 这是我的一个公共管道中的一个示例 。