外部 api 调用 apache 光束数据流

Question

我有一个用例，我读入存储在谷歌云存储中的换行符 json 元素并开始处理每个 json。 在处理每个 json 时，我必须调用外部 API 进行重复数据删除，无论之前是否发现了 json 元素。 我在每个ParDo上使用DoFn进行 ParDo。

我还没有看到任何在线教程说明如何从 apache 光束DoFn数据流调用外部 API 端点。

我正在使用 Beam 的JAVA SDK。 我研究的一些教程解释了使用startBundle和FinishBundle但我不清楚如何使用它

Answer 1

如果您需要检查外部存储中每个 JSON 记录的重复项，那么您仍然可以使用DoFn 。 有几个注释，如@Setup 、 @StartBundle 、 @FinishBundle等，可用于注释DoFn中的方法。

例如，如果您需要实例化客户端 object 以将请求发送到您的外部数据库，那么您可能希望在@Setup方法（如 POJO 构造函数）中执行此操作，然后在您的@ProcessElement方法中利用此客户端 object。

让我们考虑一个简单的例子：

static class MyDoFn extends DoFn<Record, Record> {

    static transient MyClient client;

    @Setup
    public void setup() {
        client = new MyClient("host");
    }

    @ProcessElement
    public void processElement(ProcessContext c) {
        // process your records
        Record r = c.element();
        // check record ID for duplicates
        if (!client.isRecordExist(r.id()) {
            c.output(r);
        }
    }

    @Teardown
    public void teardown() {
        if (client != null) {
            client.close();
            client = null;
        }
    }
}

此外，为避免对每条记录进行远程调用，您可以将记录批处理到内部缓冲区（将输入数据拆分为捆绑包）并以批处理模式检查重复项（如果您的客户端支持此操作）。 为此，您可以使用@StartBundle和@FinishBundle注释的方法，这些方法将在相应地处理 Beam 包之前和之后调用。

对于更复杂的示例，我建议查看不同 Beam IOs 中的 Sink 实现，例如KinesisIO 。

Answer 2

There is an example of calling external system in batches using a stateful DoFn in the following blog post: https://beam.apache.org/blog/2017/08/28/timely-processing.html , might be helpful.