java - Beam java SDK 2.10.0 与 Kafka 源和数据流运行程序 : windowed Count. perElement 永远不会触发数据

Question

我在 Google DataFlow 上运行 Beam SDK 2.10.0 作业时遇到问题

流程很简单:我使用 Kafka 作为源，然后应用固定窗口，然后按键对元素进行计数。但看起来数据永远不会离开计数阶段，直到工作耗尽为止。 Count.PerElement/Combine.perKey(Count)/Combine.GroupedValues.out0的输出集合始终为零。仅在耗尽数据流作业后才发出元素。

这是代码:

public KafkaProcessingJob(BaseOptions options) {

    PCollection<GenericRecord> genericRecordPCollection = Pipeline.create(options)
                     .apply("Read binary Kafka messages", KafkaIO.<String, byte[]>read()
                           .withBootstrapServers(options.getBootstrapServers())
                           .updateConsumerProperties(configureConsumerProperties())
                           .withCreateTime(Duration.standardMinutes(1L))
                           .withTopics(inputTopics)
                           .withReadCommitted()
                           .commitOffsetsInFinalize()
                           .withKeyDeserializer(StringDeserializer.class)
                           .withValueDeserializer(ByteArrayDeserializer.class))

                    .apply("Map binary message to Avro GenericRecord", new DecodeBinaryKafkaMessage());

                    .apply("Apply windowing to records", Window.into(FixedWindows.of(Duration.standardMinutes(5)))
                                       .triggering(Repeatedly.forever(AfterWatermark.pastEndOfWindow()))
                                       .discardingFiredPanes()
                                       .withAllowedLateness(Duration.standardMinutes(5)))

                    .apply("Write aggregated data to BigQuery", MapElements.into(TypeDescriptors.strings()).via(rec -> getKey(rec)))
                            .apply(Count.<String>perElement())
                            .apply(
                                new WriteWindowedToBigQuery<>(
                                    project,
                                    dataset,
                                    table,
                                    configureWindowedTableWrite()));   
}

private Map<String, Object> configureConsumerProperties() {
    Map<String, Object> configUpdates = Maps.newHashMap();
    configUpdates.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");

    return configUpdates;
}

private static String getKey(GenericRecord record) {
    //extract key
}

看起来流量永远不会离开.apply(Count.<String>perElement())的舞台

有人可以帮忙吗？

Answer 1

我已经找到原因了。

它与此处使用的 TimestampPolicy 有关(.withCreateTime(Duration.standardMinutes(1L)))。

由于我们的 Kafka 主题中存在空分区，主题水印从未使用默认的 TimestampPolicy 进行推进。我需要实现自定义策略来解决该问题。