使用 Apache Beam 从数据库中读取批量数据

Posted 2023-02-16

【中文标题】使用 Apache Beam 从数据库中读取批量数据

【英文标题】：Reading bulk data from a database using Apache Beam

【发布时间】：2018-06-07 23:14:10

【问题描述】：

我想知道，如果我的查询返回数百万行，JdbcIO 将如何并行执行查询。 我已经提到了https://issues.apache.org/jira/browse/BEAM-2803 和相关的拉取请求。完全没看懂。

ReadAll expand 方法使用ParDo。因此，它会创建到数据库的多个连接以并行读取数据吗？如果我限制可以创建到数据源中数据库的连接数，它会坚持连接限制吗？

谁能帮我理解JdbcIO 会如何处理？我正在使用2.2.0

更新：

.apply(
          ParDo.of(
              new ReadFn<>(
                  getDataSourceConfiguration(),
                  getQuery(),
                  getParameterSetter(),
                  getRowMapper())))

上面的代码显示 ReadFn 是与 ParDo 一起应用的。我认为，ReadFn 将并行运行。如果我的假设是正确的，我将如何使用readAll() 方法从我一次只能建立有限数量的连接的数据库中读取？

谢谢 巴鲁

【参考方案1】：

ReadAll 方法处理您有许多多个查询的情况。您可以将查询存储为字符串的 PCollection，其中每个字符串都是查询。然后在读取时，每个项目在单个 ParDo 中作为单独的查询进行处理。

这不适用于少量查询，因为它限制了查询数量的并行性。但是如果你有很多，那么它会执行得更快。大多数 ReadAll 调用都是这种情况。

从代码看来，在 setup 函数中每个工作人员都建立了连接。这可能包括几个查询，具体取决于工作人员的数量和查询的数量。

查询限制设置在哪里？无论是否使用 ReadAll，它的行为都应该相似。

查看 jira 了解更多信息：https://issues.apache.org/jira/browse/BEAM-2706

我对 jdbcIO 不是很熟悉，但他们似乎实现了 jira 中建议的版本。 PCollection 可以是任何东西，然后是一个回调，以根据 PCollection 中的元素修改查询。这允许 PCollection 中的每个项目表示一个查询，但比将新查询作为每个元素更灵活。

【讨论】：

劳拉，感谢您的评论。但是，我的问题是针对单个查询将从数据库加载数百万行的情况。我没有看到任何并行读取此类数据的实现。我们如何在这里实现并行性？

【参考方案2】：

我创建了一个Datasource，如下。

    ComboPooledDataSource cpds = new ComboPooledDataSource();
    cpds.setDriverClass("com.mysql.jdbc.Driver"); // loads the jdbc driver
    cpds.setJdbcUrl("jdbc:mysql://<IP>:3306/employees");
    cpds.setUser("root");
    cpds.setPassword("root");
    cpds.setMaxPoolSize(5);

现在有更好的方法来设置这个驱动程序。 我将数据库池大小设置为 5。在进行JdbcIO 转换时，我使用此数据源来创建连接。 在管道中，我设置了

option.setMaxNumWorkers(5);
option.setAutoscalingAlgorithm(AutoscalingAlgorithmType.THROUGHPUT_BASED);

我使用了一个可以返回大约 300 万条记录的查询。在观察数据库连接时，程序运行时连接数逐渐增加。它在某些实例上最多使用 5 个连接。 我认为，这就是我们在运行JdbcIO trnsformation 以从数据库加载大量数据时限制创建到数据库的连接数的方式。

ComboPoolDataSource 的 Maven 依赖项

    <dependency>
        <groupId>c3p0</groupId>
        <artifactId>c3p0</artifactId>
        <version>0.9.1.2</version>
    </dependency>

**如果我在这里遗漏了什么，请随时纠正答案。*

【讨论】：

这似乎有效。我发现 DBCP2 数据源不是 Serializable，Hikari-CP 数据源也不是，所以 c3p0 是一个不错的选择。谢谢。

【参考方案3】：

我有类似的任务 我从数据库中获取了记录数并将其拆分为 1000 条记录的范围 然后我将 readAll 应用于范围的 PCollection 这是解决方案的description。 并感谢 Balu reg。数据源配置。