Apache Beam TextIO glob 获取原始文件名

Posted 2023-03-24

【中文标题】Apache Beam TextIO glob 获取原始文件名

【英文标题】：Apache Beam TextIO glob get original filename

【发布时间】：2017-10-30 19:28:27

【问题描述】：

我已经设置了一个管道。我必须解析数百个 *.gz 文件。因此 glob 工作得很好。

但我需要当前处理文件的原始名称，因为我想将结果文件命名为原始文件。

有人可以帮我吗？

这是我的代码。

@Default.String(LOGS_PATH + "*.gz")
String getInputFile();
void setInputFile(String value);


    TextIO.Read read = TextIO.read().withCompressionType(TextIO.CompressionType.GZIP).from(options.getInputFile());
        read.getName();

        p.apply("ReadLines", read).apply(new CountWords())
         .apply(MapElements.via(new FormatAsTextFn()))
         .apply("WriteCounts", TextIO.write().to(WordCountOptions.LOGS_PATH + "_" + options.getOutput()));

    p.run().waitUntilFinish();

【参考方案1】：

这可以从 Beam 2.2 开始使用 FileIO.match()、FileIO.read() 和自定义代码的组合来读取文本行。您已经可以在 HEAD 使用它，或者您可以等到 2.2 版最终确定（目前正在进行中）。

PCollection<KV<String, String>> filesAndLines = 
  p.apply(FileIO.match().filepattern(...))
   .apply(FileIO.read())
   .apply(ParDo.of(new DoFn<ReadableFile, KV<String, String>>() 
     @ProcessElement
     public void process(ProcessContext c) 
       ReadableFile f = c.element();
       String filename = f.getMetadata().resourceId().toString();
       String line;
       try (BufferedReader r = new BufferedReader(Channels.newInputStream(f.open()))) 
         while ((line = r.readLine()) != null) 
           c.output(KV.of(filename, line));
         
       
     
   ));

【讨论】：

您是否会知道现在是否有一种简单的方法可以解决我的 python 问题？ ***.com/questions/53404579/…

使用您的解决方案，最终输出是一个键值对。为了将实际行（值）写入适当的文件（键），我需要一个自定义接收器吗？或者有没有更好的方法来指定需要写什么？