如何为 apache beam 数据流的输出 csv 添加 headers？

Question

我注意到在java sdk中，有一个函数可以让你写一个csv文件的headers。 https://cloud.google.com/dataflow/java-sdk/JavaDoc/com/google/cloud/dataflow/sdk/io/TextIO.Write.html#withHeader-java.lang.String-

此功能是否反映在 python skd 上？

Answer 1

PythonSDK

中尚不存在此功能

Answer 2

目前还没有实现。但是，您可以自己 implement/extend（请参阅 attached notebook 示例+使用我的 apache_beam 版本进行测试）。

这是基于超classFileSink的一个note in the docstring，提到你应该覆盖open函数：

适用于我的 apache_beam 版本的新 class ('0.3.0-incubating.dev'):

import apache_beam as beam
from apache_beam.io import TextFileSink
from apache_beam.io.fileio import ChannelFactory,CompressionTypes
from apache_beam import coders


class TextFileSinkWithHeader(TextFileSink):
    def __init__(self,
               file_path_prefix,
               file_name_suffix='',
               append_trailing_newlines=True,
               num_shards=0,
               shard_name_template=None,
               coder=coders.ToStringCoder(),
               compression_type=CompressionTypes.NO_COMPRESSION,
               header=None):
        super(TextFileSinkWithHeader, self).__init__(
            file_path_prefix,
            file_name_suffix=file_name_suffix,
            num_shards=num_shards,
            shard_name_template=shard_name_template,
            coder=coder,

            compression_type=compression_type,
            append_trailing_newlines=append_trailing_newlines)
        self.header = header

    def open(self, temp_path):
        channel_factory = ChannelFactory.open(
            temp_path,
            'wb',
            mime_type=self.mime_type)
        channel_factory.write(self.header+"\n")
        return channel_factory

您随后可以按如下方式使用它：

beam.io.Write(TextFileSinkWithHeader('./names_w_headers',header="names"))

有关完整概述，请参阅 the notebook。

Answer 3

您现在可以写入文本并使用文本接收器指定 header。

来自文档：

class apache_beam.io.textio.WriteToText(file_path_prefix, file_name_suffix='', append_trailing_newlines=True, num_shards=0, shard_name_template=None, coder=ToStringCoder, compression_type='auto', header=None)

所以你可以使用下面这段代码：

beam.io.WriteToText(bucket_name, file_name_suffix='.csv', header='colname1, colname2')

如果您需要详细信息或查看其实现方式，可在此处获取完整文档：https://beam.apache.org/documentation/sdks/pydoc/2.0.0/_modules/apache_beam/io/textio.html#WriteToText

Answer 4

对于 Python SDK：

beam.io.Write(beam.io.WriteToText(
                     file_path_prefix=os.path.join(OUTPUT_DIR),
                     file_name_suffix='.csv', header='colname1, colname2')
              )

如何为 apache beam 数据流的输出 csv 添加 headers？

How do I add headers for the output csv for apache beam dataflow?

python

google-cloud-dataflow

apache-beam