python - 在 Python 中安排 Google Cloud Dataflow 作业

Question

目前这些是 options安排我知道的数据流作业的执行:

• 使用 App Engine Cron 服务或云函数。

  • 这example就是用Java，有没有官方的例子跟Python一样简单？
  • 这example与 Python 一起使用，但我不确定目前是否仍然是一个不错的选择或已“弃用”

• 来自 Compute Engine 中的 cron 作业

  • 有这方面的教程吗？

• 在流式管道中使用窗口化

  • 我认为这是最简单的，但从总成本来看是不是最好的想法？

• 云Scheduler

  • 这是一个有效的方法吗？

Answer 1

我使用 App Engine Flex 作为我的数据流启动器。这个微服务有端点来按需启动数据流作业，cron 也可以命中。

这是我的项目结构:

df_tasks/
- __init__.py
- datastore_to_csv.py
- ...other_piplines
__init__.py
dflaunch.yaml
main.py
setup.py <-- used by pipelines

对我来说，这样做的诀窍是正确设置我的管道依赖项。即，将 setup.py 用于管道依赖项。像这个例子一样设置它最有帮助: https://github.com/apache/beam/tree/master/sdks/python/apache_beam/examples/complete/juliaset

设置.py:

import setuptools

setuptools.setup(
    name='dataflow_python_pipeline',
    version='1.0.0',
    description='DataFlow Python Pipeline',
    packages=setuptools.find_packages(),
)

我在 df_tasks 中的管道配置如下所示:

pipeline_options = PipelineOptions.from_dictionary({
        'project': project,
        'runner': 'DataflowRunner',
        'staging_location': bucket_path+'/staging',
        'temp_location': bucket_path+'/temp',
        'setup_file': './setup.py'
    })

然后在main.py中:

from df_tasks import datastore_to_csv

project_id = os.environ['GCLOUD_PROJECT']

@app.route('/datastore-to-csv', methods=['POST'])
def df_day_summary():
    # Extract Payload
        payload = request.get_json()
        model = payload['model']
        for_date = datetime.datetime.strptime(payload['for_date'], '%Y/%m/%d')
    except Exception as e:
        print traceback.format_exc()
        return traceback.format_exc()
    # launch the job
    try:
        job_id, job_name = datastore_to_csv.run(
            project=project_id,
            model=model,
            for_date=for_date,
        )
        # return the job id
        return jsonify({'jobId': job_id, 'jobName': job_name})
    except Exception as e:
        print traceback.format_exc()
        return traceback.format_exc()