如何将结果写入 Dataflow/Beam 中 gcs 中的 JSON 文件

Question

我正在使用 Python Beam SDK 0.6.0。我想将我的输出写入 Google 云存储中的 JSON。最好的方法是什么？

我想我可以使用文本 IO 接收器中的 WriteToText，但是我必须分别格式化每一行，对吗？如何将我的结果保存到包含对象列表的有效 JSON 文件中？

Answer 1

好的，作为参考，我通过在 beam SDK 中 WriteToText 使用的 _TextSink 上编写自己的接收器来解决这个问题。

不确定这是否是最好的方法，但目前效果很好。希望对其他人有帮助。

import os
import json

import apache_beam as beam
from apache_beam import coders
from apache_beam.io.iobase import Write
from apache_beam.transforms import PTransform   

class _JsonSink(beam.io.FileSink):
    """A Dataflow sink for writing JSON files."""

    def __init__(self,
                 file_path_prefix,
                 file_name_suffix='',
                 num_shards=0,
                 shard_name_template=None,
                 coder=coders.ToStringCoder(),
                 compression_type=beam.io.CompressionTypes.AUTO):

        super(_JsonSink, self).__init__(
            file_path_prefix,
            file_name_suffix=file_name_suffix,
            num_shards=num_shards,
            shard_name_template=shard_name_template,
            coder=coder,
            mime_type='text/plain',
            compression_type=compression_type)
        self.last_rows = dict()

    def open(self, temp_path):
        """ Open file and initialize it w opening a list."""
        file_handle = super(_JsonSink, self).open(temp_path)
        file_handle.write('[\n')
        return file_handle

    def write_record(self, file_handle, value):
        """Writes a single encoded record converted to JSON and terminates the
        line w a comma."""
        if self.last_rows.get(file_handle, None) is not None:
            file_handle.write(self.coder.encode(
                json.dumps(self.last_rows[file_handle])))
            file_handle.write(',\n')

        self.last_rows[file_handle] = value

    def close(self, file_handle):
        """Finalize the JSON list and close the file handle returned from
        ``open()``. Called after all records are written.
        """
        if file_handle is not None:
            # Write last row without a comma
            file_handle.write(self.coder.encode(
                json.dumps(self.last_rows[file_handle])))

            # Close list and then the file
            file_handle.write('\n]\n')
            file_handle.close()


class WriteToJson(PTransform):
    """PTransform for writing to JSON files."""

    def __init__(self,
                 file_path_prefix,
                 file_name_suffix='',
                 num_shards=0,
                 shard_name_template=None,
                 coder=coders.ToStringCoder(),
                 compression_type=beam.io.CompressionTypes.AUTO):

        self._sink = _JsonSink(file_path_prefix, file_name_suffix, num_shards,
                               shard_name_template, coder, compression_type)

    def expand(self, pcoll):
        return pcoll | Write(self._sink)

使用接收器类似于使用文本接收器的方式：

pcol | WriteToJson('gs://path/to/file', file_name_suffix='.json')

Answer 2

让每个文件都包含一个包含一堆元素的列表是很困难的，因为您需要将一堆元素分组，然后将它们一起写入一个文件。我建议您使用不同的格式。

您可以考虑 JSON Lines 格式，其中文件中的每一行代表一个 JSON 元素。

将数据转换为 JSON 行应该很容易。以下转换应该可以解决问题：

class WriteToJsonLines(beam.PTransform):
    def __init__(self, file_name):
        self._file_name = file_name

    def expand(self, pcoll):
        return (pcoll
                | 'format json' >> beam.Map(json.dumps)
                | 'write to text' >> beam.WriteToText(self._file_name))

最后，如果您以后想要读取 JSON Lines 文件，您可以编写自己的 JsonLinesSource 或使用 beam_utils.

中的那个

Answer 3

虽然晚了一年，但我想添加另一种方法将结果写入 GCS 中的 json 文件。对于 apache beam 2.x 管道，此转换有效：

.withSuffix(".json")

例如：

result.apply("WriteToGCS", TextIO.write().to(bucket)
            .withWritableByteChannelFactory(FileBasedSink.CompressionType.GZIP)
            .withSuffix(".json")
            .withNumShards(chunks));

如何将结果写入 Dataflow/Beam 中 gcs 中的 JSON 文件

How to write result to JSON files in gcs in Dataflow/Beam

python

json

google-cloud-storage

google-cloud-dataflow

apache-beam