为啥使用 Dataflow 写入 Bigquery 非常慢？

Posted 2023-03-25

【中文标题】为啥使用 Dataflow 写入 Bigquery 非常慢？

【英文标题】：Why is writing to Bigquery using Dataflow EXTREMELY slow?为什么使用 Dataflow 写入 Bigquery 非常慢？

【发布时间】：2018-07-16 07:53:05

【问题描述】：

我可以以每秒大约 10,000 次插入的速度将插入直接流式传输到 BigQuery，但是当我尝试使用 Dataflow 插入时，“ToBqRow”步骤（如下所示）非常慢。 每 10 分钟仅 50 行，这是 4 名工人。知道为什么吗？以下是相关代码：

PCollection<Status> statuses = p
        .apply("GetTweets", PubsubIO.readStrings().fromTopic(topic))
        .apply("ExtractData", ParDo.of(new DoFn<String, Status>() 
    @ProcessElement
    public void processElement(DoFn<String, Status>.ProcessContext c) throws Exception 
            String rowJson = c.element();

            try 
                TweetsWriter.LOGGER.debug("ROWJSON = " + rowJson);
                Status status = TwitterObjectFactory.createStatus(rowJson);
                if (status == null) 
                    TweetsWriter.LOGGER.error("Status is null");
                 else 
                    TweetsWriter.LOGGER.debug("Status value: " + status.getText());
                
                c.output(status);
                TweetsWriter.LOGGER.debug("Status: " + status.getId());
             catch (Exception var4) 
                TweetsWriter.LOGGER.error("Status creation from JSON failed: " + var4.getMessage());
            

    
));

statuses
        .apply("ToBQRow", ParDo.of(new DoFn<Status, TableRow>() 
            @ProcessElement
            public void processElement(ProcessContext c) throws Exception 
                TableRow row = new TableRow();
                Status status = c.element();
                row.set("Id", status.getId());
                row.set("Text", status.getText());
                row.set("RetweetCount", status.getRetweetCount());
                row.set("FavoriteCount", status.getFavoriteCount());
                row.set("Language", status.getLang());
                row.set("ReceivedAt", (Object)null);
                row.set("UserId", status.getUser().getId());
                row.set("CountryCode", status.getPlace().getCountryCode());
                row.set("Country", status.getPlace().getCountry());
                c.output(row);
        
    ))
        .apply("WriteTableRows", BigQueryIO.writeTableRows().to(tweetsTable)
                .withSchema(schema)
                .withMethod(Method.STREAMING_INSERTS)
                .withWriteDisposition(WriteDisposition.WRITE_APPEND)
                .withCreateDisposition(CreateDisposition.CREATE_IF_NEEDED));

p.run();

【问题讨论】：

您是否对您的statuses 执行任何计算量大的操作？也许您已经陷入 Beam 图融合优化 (cloud.google.com/dataflow/service/…) 并且您的多个变换被压缩为单个变换，这可能会导致瓶颈。尝试在ToBQRow 之前进行重新洗牌。

我已经更新了上面的代码。正如你所看到的，我不做任何计算量大的操作。只需从 PubSub 主题中读取消息，提取相关信息，创建 TableRow 对象并编写它。 'ToBQRow' 似乎是真正的罪魁祸首：输入集合 -> 添加的元素 -> 13,829。输出集合 -> 添加元素 -> 249.

我没有看到任何类型的窗口，这可能是个问题

不明白为什么我必须使用窗口！我没有汇总数据无论如何，尝试了这个但它没有帮助：（不确定这是否正确使用！）：.apply（“GetTweets”，PubsubIO.readStrings（）.fromTopic（topic））.apply（ "TimeWindow", Window.into(SlidingWindows.of(averagingInterval).every(averagingInterval)))

我已经阅读了 Status 的文档，但未能成功理解下面发生的事情，但我认为问题出在 TableRow 对象上。您能否验证 TableRow 没有填充 Null 数据？其次，您能否验证架构与 TableRow 匹配？如果不是，这将解释为什么只映射部分行，因为架构只与某些行匹配（即当附加项为空时）。如果您可以验证这些不是问题，我会尝试继续挖掘

【参考方案1】：

事实证明 Dataflow 下的 Bigquery 并不慢。 问题是，“status.getPlace().getCountryCode()”返回 NULL，所以它抛出 NullPointerException，我在日志！显然，Dataflow 日志记录需要改进。它现在运行得非常好。消息一进入主题，几乎立即就会写入 BigQuery！

【讨论】：

我的写入速度也很慢。如果错误不在日志中，您是如何发现错误的？