Dataflow 将 GenericRecords 的 pCollection 写入 Parquet 文件

Question

在 apache beam 步骤中，我有一个 KV<String, Iterable<KV<Long, GenericRecord>>>> 的 PCollection。我想将 iterable 中的所有记录写入同一个镶木地板文件。我的代码片段如下

p.apply(ParDo.of(new MapWithAvroSchemaAndConvertToGenericRecord())) // PCollection<GenericRecord>
.apply(ParDo.of(new MapKafkaGenericRecordValue(formatter, options.getFileNameDelimiter()))) //PCollection<KV<String, KV<Long, GenericRecord>>>
.apply(GroupByKey.create()) //PCollection<KV<String, Iterable<KV<Long, GenericRecord>>>>>

现在我想把Iterable中的所有Records都写在同一个parquet文件中（通过KV键导出文件名）。

Answer 1

我找到了问题的解决方案。在这一步 -

apply(GroupByKey.create()) //PCollection<KV<String, Iterable<KV<Long, GenericRecord>>>>>

我将应用另一个转换，它将 return 仅将 Iterable 作为输出 pCollection。 `.apply(ParDo.of(new GetIterable())) //PCollection>> 其中 key 是我必须写入的文件的名称。那么剩下的片段是

.apply(Flatten.iterables())
                .apply(
                        FileIO.<String, KV<String, GenericRecord>>writeDynamic()
                                .by((SerializableFunction<KV<String, GenericRecord>, String>) KV::getKey)
                                .via(
                                        Contextful.fn(
                                                (SerializableFunction<KV<String, GenericRecord>, GenericRecord>) KV::getValue
                                        ),
                                        ParquetIO.sink(schema)
                                                .withCompressionCodec(CompressionCodecName.SNAPPY)


                                )

                                .withTempDirectory("/tmp/temp-beam")
                                .to(options.getGCSBucketUrl())
                                .withNumShards(1)
                                .withDestinationCoder(StringUtf8Coder.of())
                )

Dataflow 将 GenericRecords 的 pCollection 写入 Parquet 文件

Dataflow writing a pCollection of GenericRecords to Parquet files

java

dataflow

parquet

apache-beam