Apache Beam:: 无法与 session window 一起使用 groupbykey 工作

Question

我有一个简单的问题。 假设我正在读取一个 parquet 文件，该文件每行生成一个 avro GenericRecord object，如下所示。

{"name":"john", "surename":"doe", "age":40, "user_pk":"john:doe:40", "unique_attribute":"j1"}
{"name":"john", "surename":"doe", "age":40, "user_pk":"john:doe:40", "unique_attribute":"j2"}
{"name":"john", "surename":"doe", "age":40, "user_pk":"john:doe:40", "unique_attribute":"j3"}
{"name":"john", "surename":"doe", "age":40, "user_pk":"john:doe:40", "unique_attribute":"j4"}

{"name":"paul", "surename":"carl", "age":28, "user_pk":"paul:carl:28", "unique_attribute":"p1"}
{"name":"paul", "surename":"carl", "age":28, "user_pk":"paul:carl:28", "unique_attribute":"p2"}
{"name":"paul", "surename":"carl", "age":28, "user_pk":"paul:carl:28", "unique_attribute":"p3"}

该文件是故意展平的，我想取消展平它们。

• 我们知道输入是有序的，我想处理它们直到下一个 session 键，并传递给管道中的下一个应用，以保持 memory 要求最小，所以中间阶段应该返回KV<String, Iterable<GenericRecord>>甚至更好地组合KV<String, GenericRecord> 。

<"john:doe:40", {"name":"john", "surename":"doe", "age":40, ["unique_attribute":"j1", ...]}>
<"paul:carl:28", {"name":"paul", "surename":"carl", "age":28, "user_pk":, ["unique_attribute":"p1", ...]}

这就是我到目前为止所得到的；

        pipeline.apply("FilePattern", FileIO.match().filepattern(PARQUET_FILE_PATTERN))
                .apply("FileReadMatches", FileIO.readMatches())
                .apply("ParquetReadFiles", ParquetIO.readFiles(schema))
                .apply("SetKeyValuePK", WithKeys.of(input -> AvroSupport.of(input).extractString("user_pk").get())).setCoder(KvCoder.of(StringUtf8Coder.of(), AvroCoder.of(schema)))
                .apply(Window.into(Sessions.withGapDuration(Duration.standardSeconds(5L)))).setCoder(KvCoder.of(StringUtf8Coder.of(), AvroCoder.of(schema)))
                .apply("SetGroupByPK", GroupByKey.create()).setCoder(KvCoder.of(StringUtf8Coder.of(), IterableCoder.of(AvroCoder.of(schema))))
...
...

我不知道是否有更好的方法，但现在我使用了Sessions.withGapDuration窗口策略。 我预计我会在每 ~5 秒内获得一个分组元素KV<String, Iterable<GenericRecord>> element ，但是在GroupByKey之后我没有得到任何东西，我什至不确定GroupByKey是否真的在做任何事情，但我知道memory 正在迅速增加，因此它必须等待所有项目。

所以问题是，你将如何设置一个窗口 function 允许我分组键。 我也尝试过Combine.byKey ，因为它应该是GroupByKey + Windowing Function但无法实现？

Answer 1

我已经设法让 groupby 工作，但不确定我是否完全理解。 我不得不添加两个想法。 Beam 中的第一个（任何？） IO 操作不添加时间戳。

.apply("WithTimestamp", WithTimestamps.of(input -> Instant.now()))

其次，我添加了一个Triger ，因此GroupByKey实际上会被触发。 不知道为什么它没有首先触发。 我相信有人对此有解释。

.apply("SessionWindow", Window.<KV<String, GenericRecord>>into(Sessions.withGapDuration(Duration.standardSeconds(5L))).triggering(
                        AfterWatermark.pastEndOfWindow()
                                .withLateFirings(AfterProcessingTime
                                        .pastFirstElementInPane().plusDelayOf(Duration.ZERO)))
                        .withAllowedLateness(Duration.ZERO)
                        .discardingFiredPanes())

它并不完美，仍然需要等待几分钟才能看到GroupByKey被触发，即使 window 只有5s ，但它最终被触发，这是进步。

编辑：好的，看起来不需要时间戳，我假设因为 window 是基于 session 而不是基于时间的。 我也将设置更改为流式传输

        options.as(StreamingOptions.class)
                .setStreaming(true);

我希望这对遇到类似问题的人有所帮助。