[英]How to read a JSON file using Apache beam parDo function in Java
我是Apache Beam的新手。 根據我們的要求,我需要傳遞一個包含5至10條JSON記錄的JSON文件作為輸入,並逐行從文件中讀取此JSON數據並存儲到BigQuery中。 誰能幫我提供下面的示例代碼,該示例代碼嘗試使用apache beam讀取JSON數據:
PCollection<String> lines =
pipeline
.apply("ReadMyFile",
TextIO.read()
.from("C:\\Users\\Desktop\\test.json"));
if(null!=lines) {
PCollection<String> words =
lines.apply(ParDo.of(new DoFn<String, String>() {
@ProcessElement
public void processElement(ProcessContext c) {
String line = c.element();
}
}));
pipeline.run();
}
答案是取決於。
TextIO
讀取文件。 因此,在test.json
每一行都需要包含一個單獨的Json對象。
然后,您擁有的ParDo
將一一收到這些行,即,對@ProcessElement
每次調用都將獲得一行。
然后在你的ParDo
,你可以使用像傑克遜ObjectMapper
從線(或任何其他JSON分析器你熟悉解析JSON,但傑克遜被廣泛使用,其中包括梁本身幾個地方。
總體而言,編寫ParDo
的方法是:
c.element()
; c.element()
的值做一些事情,例如將其從json解析為java對象; c.element()
所做的結果發送到c.output()
; 我建議從Beam SDK的Jackson擴展開始,它添加了PTransforms
來做到這一點,請參見this和this 。
也請看看這篇文章,它有一些鏈接。
您還可以使用JsonToRow
轉換來尋找類似的邏輯,不同之處在於它不是將Json解析為用戶定義的Java對象,而是解析為Beam Row類。
在寫入BQ之前,您需要將從Json解析的對象轉換為BQ行,這將是解析邏輯之后的另一個ParDo
,然后實際應用BQIO作為下一步。 您可以在BQ測試中看到一些示例。
假設我們在文件中有一個json字符串,如下所示,
{"col1":"sample-val-1", "col2":1.0}
{"col1":"sample-val-2", "col2":2.0}
{"col1":"sample-val-3", "col2":3.0}
{"col1":"sample-val-4", "col2":4.0}
{"col1":"sample-val-5", "col2":5.0}
為了通過DataFlow / Beam將這些值從文件存儲到BigQuery,您可能必須執行以下步驟,
定義一個TableReference來引用BigQuery表。
為您希望存儲的每一列定義TableFieldSchema。
使用TextIO.read()讀取文件。
創建一個DoFn將Json字符串解析為TableRow格式。
使用BigQueryIO提交TableRow對象。
您可以參考以下有關上述步驟的代碼段,
對於TableReference和TableFieldSchema創建,
TableReference tableRef = new TableReference(); tableRef.setProjectId("project-id"); tableRef.setDatasetId("dataset-name"); tableRef.setTableId("table-name"); List<TableFieldSchema> fieldDefs = new ArrayList<>(); fieldDefs.add(new TableFieldSchema().setName("column1").setType("STRING")); fieldDefs.add(new TableFieldSchema().setName("column2").setType("FLOAT"));
對於管道步驟,
Pipeline pipeLine = Pipeline.create(options); pipeLine .apply("ReadMyFile", TextIO.read().from("path-to-json-file")) .apply("MapToTableRow", ParDo.of(new DoFn<String, TableRow>() { @ProcessElement public void processElement(ProcessContext c) { Gson gson = new GsonBuilder().create(); HashMap<String, Object> parsedMap = gson.fromJson(c.element().toString(), HashMap.class); TableRow row = new TableRow(); row.set("column1", parsedMap.get("col1").toString()); row.set("column2", Double.parseDouble(parsedMap.get("col2").toString())); c.output(row); } })) .apply("CommitToBQTable", BigQueryIO.writeTableRows() .to(tableRef) .withSchema(new TableSchema().setFields(fieldDefs)) .withCreateDisposition(CreateDisposition.CREATE_IF_NEEDED) .withWriteDisposition(WriteDisposition.WRITE_APPEND)); pipeLine.run();
BigQuery表可能如下所示,
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.