数据流作业 GCS 到 Pub/sub 最大批量大小

Posted 2023-02-16

【中文标题】数据流作业 GCS 到 Pub/sub 最大批量大小

【英文标题】：Dataflow Job GCS to Pub/sub Maximum batch size

【发布时间】：2020-12-15 01:34:27

【问题描述】：

我正在使用默认数据流模板 GCS 来发布/订阅。云存储中的输入文件，大小为 300MB，每个文件有 2-3 百万行。

启动数据流批处理作业时，会引发以下错误

来自工作人员的错误消息：javax.naming.SizeLimitExceededException：Pub/Sub 消息大小 (1089680070) 超过了最大批处理大小 (7500000) org.apache.beam.sdk.io.gcp.pubsub.PubsubIO$Write$PubsubBoundedWriter.processElement(PubsubIO.java:1160)

来自文档：Pub/Sub 一个批次最多接受 1,000 条消息，并且一个批次的大小不能超过 10 兆字节。

这是否意味着我必须将输入文件拆分为 10MB 块或 1000 条消息才能发布？

将如此大的文件（每个 300MB）加载到 pubsub 的推荐方法是什么？

提前感谢您的帮助。

【问题讨论】：

您是否尝试过创建自定义模板并将“MaxBatchBytesSize”增加到更大的值？

【参考方案1】：

这是 Dataflow 端的一个已知限制，此时存在一个feature request 以增加批量大小的大小。使用 +1 按钮并为问题加注星标以跟踪它的进展。

我建议您查看此post，其中建议了解决方法。重要的是要考虑到此解决方法意味着修改 Cloud Storage Text to Pub/Sub 模板以实现其中提到的自定义转换。

另一方面，您可以尝试创建云功能来拆分您的文件，然后由 Dataflow 处理，我想是这样的：

创建一个“暂存”存储桶来上传您的大文件。 写一个Cloud Function 来拆分您的文件并将小块写入另一个存储桶。您可以尝试使用filesplit Python 包来执行此操作。 每次使用Google Cloud Storage Triggers在“暂存”存储桶中上传新文件时，触发云函数运行。 将文件拆分成小块后，使用相同的 Cloud Function 从“暂存”存储桶中删除大文件以避免额外费用。 使用 Dataflow 模板 Cloud Storage Text to Pub/Sub 处理第二个存储桶的小块。