Apache Beam GCP 在动态创建的目录中上传 Avro

Posted 2023-03-31

【中文标题】Apache Beam GCP 在动态创建的目录中上传 Avro

【英文标题】：Apache Beam GCP upload Avro in dynamically created directories

【发布时间】：2020-08-12 06:36:58

【问题描述】：

我想在 GCP 中创建一个流式 Apache Beam 管道，它从 Google Pub/Sub 读取数据并将其推送到 GCS。我有一点可以从 Pub/Sub 读取数据。 我当前的代码看起来像这样（从 GCP Apache 梁模板之一中提取）

pipeline.apply("Read PubSub Events",
  PubsubIO.readMessagesWithAttributes().fromTopic(options.getInputTopic()))
                .apply("Map to Archive", ParDo.of(new PubsubMessageToArchiveDoFn()))
                .apply(
                        options.getWindowDuration() + " Window",
                        Window.into(FixedWindows.of(DurationUtils.parseDuration(options.getWindowDuration()))))
                .apply(
                        "Write File(s)",
                        AvroIO.write(AdEvent.class)
                                .to(
                                        new WindowedFilenamePolicy(
                                                options.getOutputDirectory(),
                                                options.getOutputFilenamePrefix(),
                                                options.getOutputShardTemplate(),
                                                options.getOutputFilenameSuffix()))
                                .withTempDirectory(NestedValueProvider.of(
                                        options.getAvroTempDirectory(),
                                        (SerializableFunction<String, ResourceId>) input ->
                                                FileBasedSink.convertToFileResourceIfPossible(input)))
                                .withWindowedWrites()
                                .withNumShards(options.getNumShards()));

它可以生成如下所示的文件 windowed-file2020-04-28T09:00:00.000Z-2020-04-28T09:02:00.000Z-pane-0-last-00-of-01.avro

我想将 GCS 中的数据存储在动态创建的目录中。在以下目录中，2020-04-28/01、2020-04-28/02 等 - 01 和 02 是子目录，表示数据流流处理管道处理数据的时间。

例子：

gs://data/2020-04-28/01/0000000.avro
gs://data/2020-04-28/01/0000001.avro
gs://data/2020-04-28/01/....

gs://data/2020-04-28/02/0000000.avro
gs://data/2020-04-28/02/0000001.avro
gs://data/2020-04-28/02/....

gs://data/2020-04-28/03/0000000.avro
gs://data/2020-04-28/03/0000001.avro
gs://data/2020-04-28/03/....
...

0000000、0000001 等是我用来说明的简单文件名，我不希望这些文件是顺序名称。 您认为这在 GCP 数据流流设置中可行吗？

【参考方案1】：

您可以实现自己的FilenamePolicy（也许使用WindowedFilenamePolicy 作为起点）来使用自己的逻辑来定义输出路径。您可以根据需要在文件路径中使用/ 字符（顺便说一下，GCS 存储桶是"flat"，它们实际上没有目录）。要获取日期/时间，windowedFilename 方法将窗口信息作为参数，因此您可以在返回值中使用它，但您认为合适。

【参考方案2】：

您需要使用writeDynamic 而不是Write。不幸的是，正如here 所提到的，AvroIO 本身不支持 writeDynamic，而是您需要使用 FileIO。

以下是使用 Scio 在 Scala 中的示例实现

    val dynamicOutput: FileIO.Write[String, GenericRecord] = FileIO
      .writeDynamic[String, GenericRecord]()
      .by((input: GenericRecord) => 
        input.get("id").toString.toUpperCase  + "/"
      )
      .withDestinationCoder(StringUtf8Coder.of())
      .withNumShards(1) // Since input is small, restrict to one file per bucket
      .withNaming(
        new SerializableFunction[String, FileNaming] 
          override def apply(partitionCol: String): FileNaming = 
            FileIO.Write.defaultNaming(s"Id=$partitionCol", ".parquet")
          
        
      )
      .via(Contextful.fn[GenericRecord,GenericRecord](
          new SerializableFunction[GenericRecord,GenericRecord]
            override def apply(input: GenericRecord): GenericRecord = 
              val r = new GenericData.Record(outputSchema)
              r.put("amount",input.get("amount"))
              r.put("name",input.get("name"))
              r.put("type",input.get("type"))
              r
            
          
        ),
        ParquetIO.sink(outputSchema)
      )
      .to("gs://bucket-name/table-name")

在上面的示例中，我使用 GenericRecord 类型并指定模式并创建动态分区并以 Parquet 格式写入文件。您可以选择以任何格式写入数据。

【讨论】：

有趣，让我看看这个。谢谢你的建议

@Jayadeep 使用这种方法，您将如何处理倾斜数据和小文件问题（有没有办法根据大小指定文件翻转策略）

【参考方案3】：

您可以使用Pub/Sub to Cloud Storage Avro template 是一个流式管道，它从 Pub/Sub 主题读取数据并将 Avro 文件写入指定的 Cloud Storage 存储桶。此管道支持可选的用户提供的窗口持续时间，用于执行窗口写入。

【讨论】：

所以我实际上得到了 github 模板的代码，它似乎部分工作，但我一直在数据流中遇到这个错误 - “java.lang.RuntimeException：org.apache.beam。 sdk.util.UserCodeException: java.lang.IllegalArgumentException: GCS 对象名称不能包含回车或换行字符。"

--stagingLocation=gs://test/dataflow/pipelines/staging/ \ --tempLocation=gs://test/dataflow/pipelines/temp/ \ --runner=DataflowRunner \ -- windowDuration=1m \ --numShards=1 \ --inputTopic=projects/test/topics/testTopic \ --outputDirectory=gs://test/output/YYYY/MM/DD/ \ --outputFilenameSuffix=.avro --avroTempDirectory =gs://test/avro-temp-dir/ \ --outputShardTemplate=-SSS-NNN"

这些是我用来传递给作业以运行的参数 ^^