流式缓冲区 - Google BigQuery

Posted 2023-03-24

技术标签:

【中文标题】流式缓冲区 - Google BigQuery【英文标题】：Streaming buffer - Google BigQuery 【发布时间】：2018-11-05 15:34:24 【问题描述】：

我正在开发一个 Python 程序，以便像 Google Dataflow 模板一样使用。

我正在做的是从 PubSub 在 BigQuery 中写入数据：

 pipeline_options.view_as(StandardOptions).streaming = True
    p = beam.Pipeline(options=pipeline_options)

    (p
     # This is the source of the pipeline.
     | 'Read from PubSub' >> beam.io.ReadFromPubSub('projects/.../topics/...')
     #<Transformation code if needed>
     # Destination
     | 'String To BigQuery Row' >> beam.Map(lambda s: dict(Trama=s))
     | 'Write to BigQuery' >> beam.io.Write(
                beam.io.BigQuerySink(
                    known_args.output,
                    schema='Trama:STRING',
                    create_disposition=beam.io.BigQueryDisposition.CREATE_IF_NEEDED,
                    write_disposition=beam.io.BigQueryDisposition.WRITE_APPEND
                ))
     )
    p.run().wait_until_finish()

代码在本地运行，尚未在 Google Dataflow 中运行

这“有效”但不是我想要的方式，因为目前数据存储在 BigQuery 缓冲区流中，我看不到它（即使等待了一段时间）。

什么时候可以在 BigQuery 中使用？为什么存储在缓冲流而不是“普通”表中？

【问题讨论】：

数据在那里，但您需要运行查询来检索它，而不是查看表预览，这不会显示流缓冲区中的数据。谢谢。在发布 Q 之前，我尝试查看运行查询的数据：SELECT * FROM Table LIMIT 1000 即使使用 C# 代码而不是使用 Google云控制台，但仍然丢失。我想这可能是因为我在本地运行这个管道，就像一个流管道它没有完成，所以要完成它我必须按下停止按钮。 Here 是我可以看到停止和排水之间的不同之处，但不确定这是否是问题 【参考方案1】：

在您的示例中，您创建了一个将数据流式传输到 BigQuery 的数据流。流式传输意味着 - 正如您所写的那样 - 数据不会立即到达其永久位置，而是在一段时间后（最多 2 小时），该状态实际上是流式传输缓冲区。在这种情况下，跑步者之间没有区别 - 您在本地 (DirectRunner) 或在云中 (DataflowRunner) 运行它 - 因为两种解决方案都使用云资源（直接写入云 BigQuery）。如果您使用模拟器进行本地开发，那是另一种情况（但据我所知，BQ 还没有）。

您可以在此处找到一篇很好的文章，了解此架构的外观以及流式传输到 BigQuery 的深入工作原理：https://cloud.google.com/blog/products/gcp/life-of-a-bigquery-streaming-insert。

您无法立即看到数据的原因是预览按钮可能适用于 BQ 的列式永久存储。

如果您想查看缓冲区中的数据，请使用如下查询：

SELECT * FROM `project_id.dataset_id.table_id` WHERE _PARTITIONTIME IS NULL

顺便说一下，查询缓冲区是免费的。

我希望它有助于解决问题。

【讨论】：

【参考方案2】：

这就是问题所在：