Apache Beam 管道中的组元素

Question

我有一个从 AVRO 文件解析记录的管道。

我需要将传入的记录分成 500 个项目的块，以便调用同时接受多个输入的 API。

有没有办法用 Python SDK 做到这一点？

Answer 1

我假设您指的是批处理用例。您有几个选择：

如果您的 PCollection 足够大，并且您对 bundle 的大小有一定的灵活性，则可以在按 random/round robin 顺序为元素分配键后使用 GroupByKey 转换。例如：

my_collection = p | ReadRecordsFromAvro()

element_bundles = (my_collection 
                     # Choose a number of keys that works for you (I chose 50 here)
                   | 'AddKeys' >> beam.Map(lambda x: (randint(0, 50), x))
                   | 'MakeBundles' >> beam.GroupByKey()
                   | 'DropKeys' >> beam.Map(lambda (k, bundle): bundle)
                   | beam.ParDo(ProcessBundlesDoFn()))

其中 ProcessBundlesDoFn 是这样的：

class ProcessBundlesDoFn(beam.DoFn):
  def process(self, bundle):
    while bundle.has_next():
      # Fetch in batches of 500 until you're done
      result = fetch_n_elements(bundle, 500)
      yield result

如果您需要所有恰好 500 个元素的包，那么您可能需要：

计算您的 PCollection 中元素的数量
将计数作为单例端输入传递给您的 'AddKeys' ParDo，以准确确定您需要的键数。

希望对您有所帮助。

Apache Beam 管道中的组元素

Group elements in Apache Beam pipeline

google-cloud-dataflow

apache-beam

apache-beam-io