[英]Apache Beam Session Windowing and joining across PCollections
[英]Joining rows in Apache Beam
我无法理解Apache Beam中的联接(例如http://www.waitingforcode.com/apache-beam/joins-apache-beam/read )是否可以联接整行。
例如:
我有2个CSV格式的数据集,其中第一行是列标题。
首先:
a,b,c,d
1,2,3,4
5,6,7,8
1,2,5,4
第二:
c,d,e,f
3,4,9,10
我想在c和d列上保留连接,以便最终得到:
a,b,c,d,e,f
1,2,3,4,9,10
5,6,7,8,,
1,2,5,4,,
但是,Apache Beam上的所有文档似乎都说加入时PCollection对象的类型必须为KV<K, V>
,因此我将PCollection对象分解为KV<String, String>
对象的集合(其中的键是列标题,而值是行值)。 但是在那种情况下(您只有一个带有值的键)我看不到如何保持行格式。 KV(c,7)如何“知道” KV(a,5)来自同一行? Join根本就是用于这种事情吗?
到目前为止,我的代码:
PCollection<KV<String, String>> flightOutput = ...;
PCollection<KV<String, String>> arrivalWeatherDataForJoin = ...;
PCollection<KV<String, KV<String, String>>> output = Join.leftOuterJoin(flightOutput, arrivalWeatherDataForJoin, "");
是的, Join
是实用程序类,可帮助您进行类似的联接。 它是CoGropByKey
的包装,请参阅文档中的相应部分 。 它的实现很短 。 它的测试可能还会有一些有用的示例。
您的问题很可能是由您如何选择键引起的。
Join
库中的KeyT
int KV<KeyT,V1>
表示您用于匹配记录的键,它包含所有连接字段。 因此,在您的情况下,您可能需要分配类似以下的键(伪代码):
pCollection1:
Key Value
(3,4) (1,2,3,4)
(7,8) (5,6,7,8)
(5,4) (1,2,5,4)
pCollection2:
Key Value
(3,4) (3,4,9,10)
联接的结果将如下所示(伪代码):
joinResultPCollection:
Key Value
(3,4) (1,2,3,4),(3,4,9,10)
(7,8) (5,6,7,8),nullValue
(5,4) (1,2,5,4),nullValue
因此,您可能需要在连接后添加另一个转换,以将左侧和右侧实际合并到合并的行中。
因为您有CSV,所以您可能可以使用"3,4"
类的实际字符串作为键(和值)。 或者,您可以使用Lists<>
或自定义行类型。
例如,这正是Beam SQL Join实现的功能。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.