我可以分块处理 apache 光束中的 pcollections 吗？ 我可以分批制作 pcollection 并分别处理每批吗？

Question

我在 GCS 上有大约 2000 个文件，我想处理所有文件并将它们上传到 BigQuery。 当我使用管道进行处理时，这些管道无法自行完成。 它在处理 70% 的文件后失败或停止工作。 我决定每批制作 100 个文件。 我使用BatchElements()在列表中创建了一个列表，即二维列表。 这些批次是否会单独执行。 意味着第一批的 pcollections 将在第二批开始工作后自行执行（从 GCS 打开文件并将其上传到 BigQuery）。 这是以串行方式还是并行方式工作？ 如果任何批次失败，我的工作会失败吗？

xml = (
        p1
        | "Get xml name" >> beam.Create(gz_names)
        | "Batch elements" >> BatchElements(100)
        | "Open file" >> beam.ParDo(ReadGCS())
        | "Create XML" >> beam.ParDo(CreateXML())
        | "Parse Json" >> beam.ParDo(JsonParser())
        | "Remove elements" >> beam.ParDo(Filtering())
        | "Build Json" >> beam.ParDo(JsonBuilder())
        | "Write elements" >> beam.io.WriteToText(file_path_prefix="output12", file_name_suffix=".json")
)

p1.run()

Answer 1

Beam 和其他大数据系统尝试执行优化以改善管道的执行。 最简单的优化称为“融合”，即

在这种情况下，问题是您的Create和BatchElements以及ReadGCS转换都在同一个工作人员中执行，并且没有机会分配给多个工作人员。

我的建议是让您尝试重新调整您的数据。 这将使它能够被重新分配。 像这样：

xml = (
        p1
        | "Get xml name" >> beam.Create(gz_names)
        | beam.Reshuffle()  # This will redistribute your data to other workers
        | "Open file" >> beam.ParDo(ReadGCS())
        | "Create XML" >> beam.ParDo(CreateXML())
        | "Parse Json" >> beam.ParDo(JsonParser())
        | "Remove elements" >> beam.ParDo(Filtering())
        | "Build Json" >> beam.ParDo(JsonBuilder())
        | "Write elements" >> beam.io.WriteToText(file_path_prefix="output12", file_name_suffix=".json")
)

p1.run()

完成此操作后，您的管道应该能够取得更好的进展。

另一个可以提高管道性能的技巧：考虑使用apache_beam.io.fileio下的转换。 它们包括匹配文件名和读取文件的转换，它们在 Beam 中是标准的。

如果您想深入了解一些运行器优化，请查看FlumeJava 论文：)