通过相关管道处理 Dataflow/Apache Beam 中的拒绝

Question

我有一个从 BigQuery 获取数据并将其写入 GCS 的管道，但是，如果我发现任何拒绝，我想将它们纠正到 Bigquery table。我正在将拒绝收集到一个全局列表变量中，然后将该列表加载到 BigQuery table 中。当我运行它在本地时，这个过程工作正常，因为管道运行以正确的顺序排列。当我运行它使用数据流运行ner 时，它不能保证顺序（我希望管道 1 到运行在管道 2 之前。有没有办法在数据流中使用 python? 或者如果可以用更好的方法解决这个问题，请提出建议。在此先感谢。

with beam.Pipeline(options=PipelineOptions(pipeline_args)) as pipeline1:
 
    data = (pipeline1
               | 'get data' >> beam.io.Read(beam.io.BigQuerySource(query=...,use_standard_sql=True))
               | 'combine output to list' >> beam.combiners.ToList()
               | 'tranform' >> beam.Map(lambda x: somefunction)  # Collecting rejects in the except block of this method to a global list variable
               ....etc
               | 'to gcs' >> beam.io.WriteToText(output)
               )

# Loading the rejects gathered in the above pipeline to Biquery
with beam.Pipeline(options=PipelineOptions(pipeline_args)) as pipeline2:
    rejects = (pipeline2
                    | 'create pipeline' >> beam.Create(reject_list)
                    | 'to json format' >> beam.Map(lambda data: {.....})
                    | 'to bq' >> beam.io.WriteToBigQuery(....)
                    )

Answer 1

你可以做类似的事情，但只有 1 个管道，并在转换中添加一些额外的代码。

beam.Map(lambda x: somefunction) 应该有两个输出：写入 GCS 的输出，以及最终将写入 BigQuery 的被拒绝元素。

为此，您的转换函数必须 return a TaggedOutput.

Beam 编程指南中有一个示例：https://beam.apache.org/documentation/programming-guide/#multiple-outputs-dofn

第二个 PCollection，然后您可以写入 BigQuery。

您不需要在管道的第二个分支中有 Create。

管道将是这样的：

with beam.Pipeline(options=PipelineOptions(pipeline_args)) as pipeline1:
 
    data = (pipeline1
               | 'get data' >> beam.io.Read(beam.io.BigQuerySource(query=...,use_standard_sql=True))
               | 'combine output to list' >> beam.combiners.ToList()
               | 'tranform' >> beam.Map(transform)  # Tagged output produced here

    pcoll_to_gcs = data.gcs_output
    pcoll_to_bq  = data.rejected

    pcoll_to_gcs | "to gcs" >> beam.io.WriteToText(output)
    pcoll_to_bq  | "to bq" >> beam.io.WriteToBigQuery(....)

那么transform函数就是这样的

def transform(element):
  if something_is_wrong_with_element:
    yield pvalue.TaggedOutput('rejected', element)

  transformed_element = ....

  yield pvalue.TaggedOutput('gcs_output', transformed_element)

通过相关管道处理 Dataflow/Apache Beam 中的拒绝

Handling rejects in Dataflow/Apache Beam through dependent pipelines

python

dataflow

google-cloud-platform

apache-beam

google-dataflow