Apache Beam：将具有对象列表的对象转换为多个 TableRows 以写入 BigQuery

Posted 2023-02-16

【中文标题】Apache Beam：将具有对象列表的对象转换为多个 TableRows 以写入 BigQuery

【英文标题】：Apache Beam : Transform an objects having a list of objects to multiple TableRows to write to BigQuery

【发布时间】：2018-04-07 10:10:16

【问题描述】：

我正在研究一个梁管道来处理一个 json 并将其写入 bigquery。 JSON是这样的。

"message": [
    "name": "abc",
    "itemId": "2123",
    "itemName": "test"

, 
    "name": "vfg",
    "itemId": "56457",
    "itemName": "Chicken"
],
"publishDate": "2017-10-26T04:54:16.207Z"

我使用 Jackson 将其解析为以下结构。

class Feed
List<Message> messages; 
TimeStamp  publishDate;

---

public class Message implements Serializable

/**
 * 
 */
private static final long serialVersionUID = 1L;
private String key;
private String value;

private Map<String, String> eventItemMap = new HashMap<>();
this property translate the list of map as a single map with all the key-value pair together. because,  the messages property will be parsed as list of HashMap objets for each key/value. This will be translated to a single map. 

现在在我的管道中，我会将集合转换为

PCollection<KV<String, Feed>>

根据类中的属性将其写入不同的表。我已经写了一个转换来做到这一点。 要求是根据消息对象的数量创建多个 TableRows。我在 JSON 中还有一些属性以及将添加到 tableRow 和每个消息属性的 publishDate。 所以表格如下。

id, name, field1, field2, message1.property1, message1.property2...

id, name, field1, field2, message2.property1, message2.property2...

我尝试创建以下转换。但是，不确定它将如何根据消息列表输出多行。

private class BuildRowListFn extends DoFn<KV<String, Feed>, List<TableRow>> 

    @ProcessElement
    public void processElement(ProcessContext context) 
        Feed feed = context.element().getValue();

        List<Message> messages = feed.getMessage();
        List<TableRow> rows = new ArrayList<>();
        messages.forEach((message) -> 
            TableRow row = new TableRow();
            row.set("column1", feed.getPublishDate());
            row.set("column2", message.getEventItemMap().get("key1"));
            row.set("column3", message.getEventItemMap().get("key2"));
            rows.add(row);
        

        );

    

但是，这也将是一个列表，我将无法应用 BigQueryIO.write 转换。

---

根据 "Eugene" aka @jkff 的评论更新

谢谢@jkff。现在，我已经更改了您在第二段中提到的代码。在messages.forEach中的context.output(row)，将表行设置为

List<Message> messages = feed.getMessage();
        messages.forEach((message) -> 
            TableRow row = new TableRow();
            row.set("column2", message.getEventItemMap().get("key1"));
            context.output(row);
            

现在，当我尝试将此集合写入 BigQuery 时，

rows.apply(BigQueryIO.writeTableRows().to(getTable(projectId, datasetId, tableName)).withSchema(getSchema())
                    .withCreateDisposition(CreateDisposition.CREATE_IF_NEEDED)
                    .withWriteDisposition(WriteDisposition.WRITE_APPEND));

我收到以下异常。

Exception in thread "main" org.apache.beam.sdk.Pipeline$PipelineExecutionException: java.lang.NullPointerException
at org.apache.beam.runners.direct.DirectRunner$DirectPipelineResult.waitUntilFinish(DirectRunner.java:331)
at org.apache.beam.runners.direct.DirectRunner$DirectPipelineResult.waitUntilFinish(DirectRunner.java:301)
at org.apache.beam.runners.direct.DirectRunner.run(DirectRunner.java:200)
at org.apache.beam.runners.direct.DirectRunner.run(DirectRunner.java:63)
at org.apache.beam.sdk.Pipeline.run(Pipeline.java:297)
at org.apache.beam.sdk.Pipeline.run(Pipeline.java:283)
at com.chefd.gcloud.analytics.pipeline.MyPipeline.main(MyPipeline.java:284)


Caused by: java.lang.NullPointerException
at org.apache.beam.sdk.io.gcp.bigquery.BigQueryServicesImpl$DatasetServiceImpl.insertAll(BigQueryServicesImpl.java:759)
at org.apache.beam.sdk.io.gcp.bigquery.BigQueryServicesImpl$DatasetServiceImpl.insertAll(BigQueryServicesImpl.java:809)
at org.apache.beam.sdk.io.gcp.bigquery.StreamingWriteFn.flushRows(StreamingWriteFn.java:126)
at org.apache.beam.sdk.io.gcp.bigquery.StreamingWriteFn.finishBundle(StreamingWriteFn.java:96)

请帮忙。

谢谢。

【参考方案1】：

您似乎假设 DoFn 每个元素只能输出一个值。情况并非如此：它可以为每个元素输出任意数量的值 - 无值、一个值、多个值等。DoFn 甚至可以output values to multiple PCollection's。

在您的情况下，您只需为@ProcessElement 方法中的每一行调用c.output(row)，例如：rows.forEach(c::output)。当然，您还需要将DoFn 的类型更改为DoFn<KV<String, Feed>, TableRow>，因为其输出PCollection 中的元素类型是TableRow，而不是List<TableRow> - 您只是将多个元素生成到每个输入元素的集合，但这不会改变类型。

另一种方法是执行您当前执行的操作，同时执行c.output(rows)，然后应用Flatten.iterables() 将PCollection<List<TableRow>> 展平为PCollection<TableRow>（您可能需要将List 替换为Iterable让它工作）。但另一种方法更简单。

【讨论】：

嗨 Eugene，我刚刚添加了 .withFailedInsertRetryPolicy(InsertRetryPolicy.alwaysRetry()) 并且它显示了问题。我动态设置的数据类型是一个键的时间戳，值是一个字符串。现在这是完美的插入。非常感谢您的帮助。它真的救了我！干杯！

谢谢，我也是这么认为的。我认为这类似于 Flink 的 flatMap。干杯