我可以分块处理 apache beam 中的 pcollections 吗？我可以分批处理 pcollection 并分别处理每批吗？

Question

我在 GCS 上有大约 2000 个文件，我想处理所有文件并将它们上传到 BigQuery。当我使用管道进行处理时，这些管道无法自行完成。它在处理 70% 的文件后失败或停止工作。我决定每批制作 100 个文件。我使用 BatchElements() 这会在列表中创建一个列表，即二维列表。这些批次是否要单独执行。意味着第一批的 pcollections 将在第二批开始工作后自行执行（从 GCS 打开文件并将其上传到 BigQuery）。这是串行工作还是并行工作？如果任何批次失败，我的工作会失败吗？

xml = (
        p1
        | "Get xml name" >> beam.Create(gz_names)
        | "Batch elements" >> BatchElements(100)
        | "Open file" >> beam.ParDo(ReadGCS())
        | "Create XML" >> beam.ParDo(CreateXML())
        | "Parse Json" >> beam.ParDo(JsonParser())
        | "Remove elements" >> beam.ParDo(Filtering())
        | "Build Json" >> beam.ParDo(JsonBuilder())
        | "Write elements" >> beam.io.WriteToText(file_path_prefix="output12", file_name_suffix=".json")
)

p1.run()

Answer 1

Beam 和其他大数据系统尝试执行优化以改进管道的执行。最简单的优化叫做'fusion'，也就是

在这种情况下，问题是您的 Create 和 BatchElements 以及 ReadGCS 转换都在同一个工作程序中执行，并且没有机会分配给多个工人。

我的建议是您尝试重新整理您的数据。这将使它能够被重新分配。像这样：

xml = (
        p1
        | "Get xml name" >> beam.Create(gz_names)
        | beam.Reshuffle()  # This will redistribute your data to other workers
        | "Open file" >> beam.ParDo(ReadGCS())
        | "Create XML" >> beam.ParDo(CreateXML())
        | "Parse Json" >> beam.ParDo(JsonParser())
        | "Remove elements" >> beam.ParDo(Filtering())
        | "Build Json" >> beam.ParDo(JsonBuilder())
        | "Write elements" >> beam.io.WriteToText(file_path_prefix="output12", file_name_suffix=".json")
)

p1.run()

完成后，您的管道应该能够取得更好的进展。

另一个可以使您的管道性能更高的提示：考虑使用 transforms under apache_beam.io.fileio。它们包括匹配文件名和读取文件的转换，它们是 Beam 中的标准。

如果您想深入了解一些运行程序优化，请查看 FlumeJava paper : )

我可以分块处理 apache beam 中的 pcollections 吗？我可以分批处理 pcollection 并分别处理每批吗？

Can I process pcollections in apache beam in chunks? Can I make batches of pcollection and process each batch separately?

python

batch-processing

google-cloud-dataflow

apache-beam