有没有办法跟踪在将 ndjson 文件加载到 Bigquery 时允许的所有不良记录

Posted 2023-03-24

【中文标题】有没有办法跟踪在将 ndjson 文件加载到 Bigquery 时允许的所有不良记录

【英文标题】：Is there a way to Keep track of all the bad records that are allowed while loading a ndjson file into Bigquery

【发布时间】：2020-05-24 14:58:30

【问题描述】：

我有一个要求，我需要跟踪允许 max_bad_records 后未输入 bigquery 的所有不良记录。所以我需要将它们写在存储文件中以供将来参考。我正在使用 BQ API for Python，有没有办法实现这一点？我认为如果我们允许 max_bad_records 我们没有 BQ 加载作业中失败加载的详细信息。

谢谢

【问题讨论】：

- 你有办法提取所有不良记录吗？

【参考方案1】：

目前，没有直接访问和保存不良记录的方法。但是，您可以访问一些作业统计信息，包括在 BigQuery _job_statistics() 中跳过记录的原因。

我创建了一个示例，以演示如何显示统计信息。我在 GCS 存储桶中有以下示例 .csv 文件：

name,age
robert,25
felix,23
john,john

如您所见，最后一行是不良记录，因为我将 age 导入为 INT64 并且该行中有一个字符串。此外，我使用以下代码将其上传到 BigQuery：

from google.cloud import bigquery
client = bigquery.Client()
table_ref = client.dataset('dataset').table('table_name')

job_config = bigquery.LoadJobConfig(
        schema=[
            bigquery.SchemaField("name", "STRING"),
            bigquery.SchemaField("age", "INT64"),
            ]
        )
job_config.write_disposition = bigquery.WriteDisposition.WRITE_TRUNCATE
job_config.skip_leading_rows = 1
job_config.max_bad_records = 5
#job_config.autodetect = True
# The source format defaults to CSV, so the line below is optional.
job_config.source_format = bigquery.SourceFormat.CSV
uri = "gs://path/file.csv"
load_job = client.load_table_from_uri(
    uri, table_ref, job_config=job_config
)  # API request
print("Starting job ".format(load_job.job_id))

load_job.result()  # Waits for table load to complete.
print("Job finished.")

destination_table = client.get_table(table_ref)
print("Loaded  rows.".format(destination_table.num_rows))


#Below all the statistics that might be useful in your case

job_state = load_job.state
job_id = load_job.job_id
error_result = load_job.error_result
job_statistics = load_job._job_statistics()
badRecords = job_statistics['badRecords']
outputRows = job_statistics['outputRows']
inputFiles = job_statistics['inputFiles']
inputFileBytes = job_statistics['inputFileBytes']
outputBytes = job_statistics['outputBytes']

print("***************************** ")
print(" job_state:      " + str(job_state))
print(" non fatal error: " + str(load_job.errors))
print(" error_result:   " + str(error_result))
print(" job_id:         " + str(job_id))
print(" badRecords:     " + str(badRecords))
print(" outputRows:     " + str(outputRows))
print(" inputFiles:     " + str(inputFiles))
print(" inputFileBytes: " + str(inputFileBytes))
print(" outputBytes:    " + str(outputBytes))
print(" ***************************** ")

print("------ load_job.errors ")

统计输出：

*****************************
 job_state:      DONE
 non fatal errors: [u'reason': u'invalid', u'message': u"Error while reading data, error message: Could not parse 'john' as INT64 for field age (position 1) starting at location 23", u'location': u'gs://path/file.csv']
 error_result:   None
 job_id:         b2b63e39-a5fb-47df-b12b-41a835f5cf5a
 badRecords:     1
 outputRows:     2
 inputFiles:     1
 inputFileBytes: 33
 outputBytes:    26
 *****************************

如上所示，erros 字段返回非致命错误，其中包括不良记录。换句话说，它检索作业生成的单个错误。而 error_result 将错误信息作为整个作业返回。

我相信这些统计数据可以帮助您分析不良记录。最后，您可以将它们输出到一个文件中，使用write()，例如：

with open("errors.txt", "x") as f: 
    f.write(load_job.errors)
    f.close()