java - 使用 Apache Beam 进行窗口化 - 修复了 Windows 似乎没有关闭的问题？

Question

我们正在尝试在 Apache Beam 管道上使用固定窗口(使用 DirectRunner )。我们的流程如下:

1. 从发布/订阅中提取数据
2. 将JSON反序列化为Java对象
3. 具有 5 秒固定窗口的窗口事件
4. 使用自定义 CombineFn , 组合 Event 的每个窗口进入 List<Event>
5. 为了测试，简单地输出结果 List<Event>

---

管道代码:

    pipeline
                // Read from pubsub topic to create unbounded PCollection
                .apply(PubsubIO
                    .<String>read()
                    .topic(options.getTopic())
                    .withCoder(StringUtf8Coder.of())
                )

                // Deserialize JSON into Event object
                .apply("ParseEvent", ParDo
                    .of(new ParseEventFn())
                )

                // Window events with a fixed window size of 5 seconds
                .apply("Window", Window
                    .<Event>into(FixedWindows
                        .of(Duration.standardSeconds(5))
                    )
                )

                // Group events by window
                .apply("CombineEvents", Combine
                    .globally(new CombineEventsFn())
                    .withoutDefaults()
                )

                // Log grouped events
                .apply("LogEvent", ParDo
                    .of(new LogEventFn())
                );

---

我们看到的结果是最后一步永远不会运行，因为我们没有得到任何日志记录。

此外，我们还添加了 System.out.println("***")在我们自定义的每种方法中CombineFn类，以便跟踪它们何时运行，但似乎它们也没有运行。

这里的窗口设置不正确吗？我们遵循了一个在 https://beam.apache.org/documentation/programming-guide/#windowing 中找到的示例它看起来相当简单，但显然缺少一些基本的东西。

感谢任何见解 - 提前致谢!

Answer 1

看起来主要问题确实是缺少触发器 - 窗口正在打开，但没有任何信息告诉它何时发出结果。我们只想根据处理时间(而不是事件时间)来设置窗口，因此做了以下操作:

.apply("Window", Window
    .<Event>into(new GlobalWindows())
    .triggering(Repeatedly
        .forever(AfterProcessingTime
            .pastFirstElementInPane()
            .plusDelayOf(Duration.standardSeconds(5))
        )
    )
    .withAllowedLateness(Duration.ZERO).discardingFiredPanes()
)

本质上，这会创建一个全局窗口，在处理第一个元素后 5 秒触发该窗口以发出事件。每次关闭窗口时，都会在收到元素后打开另一个窗口。当我们没有 withAllowedLateness 片段时，Beam 会提示 - 据我所知，这只是告诉它忽略任何迟到的数据。

我的理解可能有点离题，但上面的代码片段已经解决了我们的问题!