Python/Apache-Beam：如何將文本文件解析為 CSV？

Question

我還是 Beam 的新手，但是您究竟如何從 GCS 存儲桶中的 CSV 文件中讀取數據？ 我基本上使用 Beam 將這些文件轉換為 Pandas 數據幀，然后應用 sklearn 模型來“訓練”這些數據。 我見過的大多數示例都預先定義了標題，我希望這個 Beam 管道可以推廣到標題肯定不同的任何文件。 有一個名為beam_utils的庫可以完成我想做的事情，但后來我遇到了這個錯誤： AttributeError: module 'apache_beam.io.fileio' has no attribute 'CompressionTypes'

代碼示例：

import apache_beam as beam
from apache_beam.options.pipeline_options import PipelineOptions

# The error occurs in this import
from beam_utils.sources import CsvFileSource

options = {
    'project': 'my-project',
    'runner:': 'DirectRunner',
    'streaming': False
}

pipeline_options = PipelineOptions(flags=[], **options)

class Printer(beam.DoFn):
    def process(self, element):
        print(element)

with beam.Pipeline(options=pipeline_options) as p:  # Create the Pipeline with the specified options.

    data = (p
            | 'Read File From GCS' >> beam.io.textio.ReadFromText('gs://my-csv-files')
            )

    _ = (data | "Print the data" >> beam.ParDo(Printer()))

result = p.run()
result.wait_until_finish()

Answer 1

Apache Beam 模塊fileio最近進行了向后不兼容的更改，並且庫beam_utils尚未更新。

我通過@Pablo 提出的問題和beam_utils （也由Pablo 編寫）的源代碼來復制使用filesystems模塊的行為。

下面是使用 Pandas 生成 DataFrame 的兩個版本的代碼。

用於示例的 csv：

a,b
1,2
3,4
5,6

讀取 csv 並創建包含其所有內容的 DataFrame

import apache_beam as beam
import pandas as pd
import csv
import io

def create_dataframe(readable_file):

    # Open a channel to read the file from GCS
    gcs_file = beam.io.filesystems.FileSystems.open(readable_file)

    # Read it as csv, you can also use csv.reader
    csv_dict = csv.DictReader(io.TextIOWrapper(gcs_file))

    # Create the DataFrame
    dataFrame = pd.DataFrame(csv_dict)
    print(dataFrame.to_string())

p = beam.Pipeline()
(p | beam.Create(['gs://my-bucket/my-file.csv'])
   | beam.FlatMap(create_dataframe)
)

p.run()

結果數據幀

   a  b
0  1  2
1  3  4
2  5  6

讀取 csv 並在其他轉換中創建數據幀

def get_csv_reader(readable_file):

    # Open a channel to read the file from GCS
    gcs_file = beam.io.filesystems.FileSystems.open(readable_file)

    # Return the csv reader
    return  csv.DictReader(io.TextIOWrapper(gcs_file))

p = beam.Pipeline()
(p | beam.Create(['gs://my-bucket/my-file.csv'])
   | beam.FlatMap(get_csv_reader)
   | beam.Map(lambda x: pd.DataFrame([x])) # Create the DataFrame from each csv row
   | beam.Map(lambda x: print(x.to_string()))
)

結果數據幀

   a  b
0  1  2
   a  b
0  3  4
   a  b
0  5  6