通过 Google Cloud Dataflow 创建/写入 Parititoned BigQuery 表

Posted

技术标签:

【中文标题】通过 Google Cloud Dataflow 创建/写入 Parititoned BigQuery 表【英文标题】:Creating/Writing to Parititoned BigQuery table via Google Cloud Dataflow 【发布时间】:2016-11-02 00:42:48 【问题描述】:

我想利用时间分区表的新 BigQuery 功能,但不确定当前是否可以在 1.6 版的 Dataflow SDK 中实现。

查看BigQuery JSON API,创建天分区表需要传入一个

"timePartitioning":  "type": "DAY" 

选项,但 com.google.cloud.dataflow.sdk.io.BigQueryIO 接口只允许指定 TableReference。

我想也许我可以预先创建表,然后通过 BigQueryIO.Write.toTableReference lambda 潜入分区装饰器......?是否还有其他人通过 Dataflow 创建/写入分区表成功?

这似乎与设置当前不可用的 table expiration time 类似。

【问题讨论】:

【参考方案1】:

我相信当您不使用流式传输时应该可以使用分区装饰器。我们正在积极致力于通过流媒体支持分区装饰器。如果您今天在非流媒体模式下发现任何错误,请告诉我们。

【讨论】:

嗨@Pavan,我们正在使用 BlockingDataflowPipelineRunner 并以批处理模式运行,但 BigQueryIO.Write 步骤失败,400 Bad Request"Table decorators cannot be used with streaming insert." 有没有办法不使用流式写入 BigQuery?我认为它实际上会进行批量加载。是否有支持流媒体模式的时间表? 啊,看起来像一个表引用函数导致它进入流模式:( 嗨@Pavan,在流式传输期间支持表格装饰器的任何时间表? 希望在本月底之前【参考方案2】:

正如 Pavan 所说,使用 Dataflow 写入分区表绝对是可能的。您使用的是在流模式还是批处理模式下运行的DataflowPipelineRunner

您提出的解决方案应该可行。具体来说,如果您预先创建了一个设置了日期分区的表,那么您可以使用BigQueryIO.Write.toTableReference lambda 来写入日期分区。例如:

/**
 * A Joda-time formatter that prints a date in format like @code "20160101".
 * Threadsafe.
 */
private static final DateTimeFormatter FORMATTER =
    DateTimeFormat.forPattern("yyyyMMdd").withZone(DateTimeZone.UTC);

// This code generates a valid BigQuery partition name:
Instant instant = Instant.now(); // any Joda instant in a reasonable time range
String baseTableName = "project:dataset.table"; // a valid BigQuery table name
String partitionName =
    String.format("%s$%s", baseTableName, FORMATTER.print(instant));

【讨论】:

这个方法很好,但是它只允许在管道之外用参数控制日期戳。如果我们想使用数据本身的时间戳来按日期拆分它们,然后写入相应的表中怎么办? @nembleton :如果元素有时间戳,您可以使用窗口将它们映射到每日窗口中。修改此代码:PCollection<Integer> windowedItems = items.apply( Window.<Integer>into(FixedWindows.of(Duration.standardMinutes(10))));。然后读取窗口的 TableSpecFun 会将元素映射到正确的日期。代码来自FixedWindows javadoc 感谢@DanHalperin,这几乎就是我正在做的事情,包括窗口,但使用.apply(Window.into(CalendarWindows.days(1))) 唯一的问题是因为数据可以位于不同的时区,我们希望 BigQuery 在原始时区,我们在早期的 PTransform 中通过 outputWithTimestamp 调用做了一些有趣的事情 @JulianV.Modesto 是对的,如果提供了表引用,1.6 SDK 会切换到以流模式写入 BigQuery .. 这还不允许表装饰器 使用BigQuery的流式写入API,我相信是正确的。【参考方案3】:

我采用的方法(也适用于流模式):

为传入记录定义自定义窗口

将窗口转换为表/分区名称

p.apply(PubsubIO.Read
            .subscription(subscription)
            .withCoder(TableRowJsonCoder.of())
        )
        .apply(Window.into(new TablePartitionWindowFn()) )
        .apply(BigQueryIO.Write
                       .to(new DayPartitionFunc(dataset, table))
                       .withSchema(schema)
                       .withWriteDisposition(BigQueryIO.Write.WriteDisposition.WRITE_APPEND)
        );

根据传入的数据设置窗口,可以忽略End Instant,因为开始值用于设置分区:

public class TablePartitionWindowFn extends NonMergingWindowFn<Object, IntervalWindow> 

private IntervalWindow assignWindow(AssignContext context) 
    TableRow source = (TableRow) context.element();
    String dttm_str = (String) source.get("DTTM");

    DateTimeFormatter formatter = DateTimeFormat.forPattern("yyyy-MM-dd").withZoneUTC();

    Instant start_point = Instant.parse(dttm_str,formatter);
    Instant end_point = start_point.withDurationAdded(1000, 1);

    return new IntervalWindow(start_point, end_point);
;

@Override
public Coder<IntervalWindow> windowCoder() 
    return IntervalWindow.getCoder();


@Override
public Collection<IntervalWindow> assignWindows(AssignContext c) throws Exception 
    return Arrays.asList(assignWindow(c));


@Override
public boolean isCompatible(WindowFn<?, ?> other) 
    return false;


@Override
public IntervalWindow getSideInputWindow(BoundedWindow window) 
    if (window instanceof GlobalWindow) 
        throw new IllegalArgumentException(
                "Attempted to get side input window for GlobalWindow from non-global WindowFn");
    
    return null;

动态设置表分区:

public class DayPartitionFunc implements SerializableFunction<BoundedWindow, String> 

String destination = "";

public DayPartitionFunc(String dataset, String table) 
    this.destination = dataset + "." + table+ "$";


@Override
public String apply(BoundedWindow boundedWindow) 
    // The cast below is safe because CalendarWindows.days(1) produces IntervalWindows.
    String dayString = DateTimeFormat.forPattern("yyyyMMdd")
                                     .withZone(DateTimeZone.UTC)
                                     .print(((IntervalWindow) boundedWindow).start());
    return destination + dayString;

有没有更好的方法来达到同样的结果?

【讨论】:

您使用哪个版本的 Apache Beam 库来设置上述数据流?【参考方案4】:

Apache Beam 2.0 版支持分片 BigQuery 输出表out of the box。

【讨论】:

【参考方案5】:

如果您以table_name_YYYYMMDD 格式传递表名,那么BigQuery 会将其视为分片表,可以模拟分区表功能。 参考文档:https://cloud.google.com/bigquery/docs/partitioned-tables

【讨论】:

错了! BigQuery 会将其视为常规表!唯一能让您认为 BigQuery 以某种方式特别对待此类表的原因是因为 BigQuery UI 将此类表组合在一个条目 table_name (NN) 下,但除此之外,它仅取决于用户了解此类命名背后的含义,并且表未分区基于名称 @MikhailBerlyant,是的,它不会是分区表,但它会创建一个可以模拟分区表功能的分表。这是最后的手段,直到梁提供将分区列作为参数传递的选项。 所以,至少你更新答案的方式现在没有那么错误:o) 你也需要使用 $ 符号【参考方案6】:

我已通过数据流将数据写入 bigquery 分区表。如果该分区中的数据已经存在,那么这些写入是动态的,那么我可以附加到它或覆盖它。

我已经用 Python 编写了代码。这是对 bigquery 的批处理模式写入操作。

client = bigquery.Client(project=projectName)
dataset_ref = client.dataset(datasetName)
table_ref = dataset_ref.table(bqTableName)       
job_config = bigquery.LoadJobConfig()
job_config.skip_leading_rows = skipLeadingRows
job_config.source_format = bigquery.SourceFormat.CSV
if tableExists(client, table_ref):            
    job_config.autodetect = autoDetect
    previous_rows = client.get_table(table_ref).num_rows
    #assert previous_rows > 0
    if allowJaggedRows is True:
        job_config.allowJaggedRows = True
    if allowFieldAddition is True:
        job_config._properties['load']['schemaUpdateOptions'] = ['ALLOW_FIELD_ADDITION']
    if isPartitioned is True:
        job_config._properties['load']['timePartitioning'] = "type": "DAY"
    if schemaList is not None:
        job_config.schema = schemaList            
    job_config.write_disposition = bigquery.WriteDisposition.WRITE_TRUNCATE
else:            
    job_config.autodetect = autoDetect
    job_config._properties['createDisposition'] = 'CREATE_IF_NEEDED'
    job_config.schema = schemaList
    if isPartitioned is True:             
        job_config._properties['load']['timePartitioning'] = "type": "DAY"
    if schemaList is not None:
        table = bigquery.Table(table_ref, schema=schemaList)            
load_job = client.load_table_from_uri(gcsFileName, table_ref, job_config=job_config)        
assert load_job.job_type == 'load'
load_job.result()       
assert load_job.state == 'DONE'

效果很好。

【讨论】:

以上是关于通过 Google Cloud Dataflow 创建/写入 Parititoned BigQuery 表的主要内容,如果未能解决你的问题,请参考以下文章

通过 Google Cloud Dataflow 创建/写入 Parititoned BigQuery 表

通过 Google Cloud Dataflow 将 PubSub 消息插入 BigQuery

用于 NRT 数据应用的 Google Cloud DataFlow

通过Dataflow管道写入Cloud SQL非常慢

Google Cloud Dataflow 和 Google Cloud Dataproc 有啥区别?

在 google-cloud-dataflow 中使用文件模式匹配时如何获取文件名