有没有办法在 Beam 的 ParDo 转换中创建 SpecificRecord 列表以编写 Parquet 文件？

Question

我正在尝试在 Beam/Java 中编写数据流作业来处理来自 Pub/Sub 的一系列事件并写入 Parquet。 Pub/Sub中的事件采用JSON格式，每个事件可以生成一行或多行。我能够编写一个非常简单的示例，编写 ParDo 转换 returning 仅 1 条记录。 ParDo 看起来像这样

    static class GenerateRecords extends DoFn<String, GenericRecord> {
        @ProcessElement
        public void processElement(ProcessContext context) {
            final GenericData.Record record = new GenericData.Record(schema);
            String msg = context.element();

            com.tsp.de.schema.mschema pRecord = GenerateParquetRecord(msg);


            context.output(pRecord);
        }
    }

和管道的写入部分

                .apply("Write to file",
                FileIO.<GenericRecord>
                        write()
                        .via(
                                ParquetIO.sink(schema)
                                        .withCompressionCodec(CompressionCodecName.SNAPPY)
                        )
                        .to(options.getOutputDirectory())
                        .withNumShards(options.getNumShards())
                        .withSuffix("pfile")
                );

我的问题是，如何将这个 ParDo 转换推广到 return 记录列表？我试过 List 但这不起作用，ParquetIO.sink(schema) 在 "cannot resolve method via".

吠叫

Answer 1

您可以根据需要在 DoFn 中多次调用 context.output()。因此，如果您知道在何种情况下需要发出多条记录的业务逻辑，那么您只需为每条输出记录调用 context.output(record)。它应该比拥有 PCollection 个容器更简单。

PS：顺便说一句，我有一个 simple example 如何用 ParquetIO 和 AvroCoder 编写 GenericRecord 的方法，这也许会有所帮助。

有没有办法在 Beam 的 ParDo 转换中创建 SpecificRecord 列表以编写 Parquet 文件？

Is there a way to create a list of SpecificRecord in a ParDo transformation in Beam for writing Parquet files?

java

dataflow

google-cloud-dataflow

apache-beam