一个数据流作业中的并行管道

Question

我想运行在 GCP 上的一个数据流作业中使用两条并行管道。我已经创建了一个管道，它工作得很好，但我想在不创建另一个作业的情况下创建另一个管道。

我搜索了很多答案，但找不到任何代码示例:(

如果我这样运行它不起作用:

pipe1.run();
pipe2.run();

它给了我 "There is already an active job name... If you want to submit a second job, try again setting a different name using --jobName"

Answer 1

您可以将其他输入应用于管道，这将在一个作业中产生一个单独的管道。例如：

public class ExamplePipeline {

public static void main(String[] args) {
    PipelineOptions options = PipelineOptionsFactory.fromArgs(args).withValidation().create();
    options.setRunner(DirectRunner.class);

    Pipeline pipeline = Pipeline.create(options);

    PCollection<String> linesForPipelineOne = pipeline.apply(Create.of("A1", "B1"));
    PCollection<String> linesToWriteFromPipelineOne = linesForPipelineOne.apply("Pipeline 1 transform",
            ParDo.of(new DoFn<String, String>() {

        @ProcessElement
        public void processElement(ProcessContext c) {
            System.out.println("Pipeline one:" + c.element());
            c.output(c.element() + " extra message.");
        }

    }));
    linesToWriteFromPipelineOne.apply((TextIO.write().to("file.txt")));

    PCollection<String> linesForPipelineTwo = pipeline.apply(Create.of("A2", "B2"));
    linesForPipelineTwo.apply("Pipeline 2 transoform",
            ParDo.of(new DoFn<String, String>() {

        @ProcessElement
        public void processElement(ProcessContext c) {
            System.out.println("Pipeline two:" + c.element());
        }

    }));

    pipeline.run();
}

如您所见，您也可以将两个（或更多）分离的 PBegin 应用于具有多个 PDone/Sinks 的管道。在此示例中，"pipeline 1" 将输出转储并写入文件，"pipeline 2" 仅将其转储到屏幕。

如果您在 GCP 上使用 DataflowRunner 运行此 GUI 将显示 2 未连接 "pipelines"。

一个数据流作业中的并行管道

Parallel pipeline inside one Dataflow Job

java

dataflow

google-cloud-platform

gcloud

google-cloud-dataflow