google-cloud-dataflow - 在 Google Dataflow/Apache Beam 中读取嵌套的 JSON

Question

可以通过以下方式使用 Dataflow 读取 Cloud Storage 上未嵌套的 JSON 文件:

p.apply("read logfiles", TextIO.Read.from("gs://bucket/*").withCoder(TableRowJsonCoder.of()));

如果我只想将这些日志以最少的过滤写入 BigQuery，我可以使用这样的 DoFn:

private static class Formatter extends DoFn<TableRow,TableRow> {

        @Override
        public void processElement(ProcessContext c) throws Exception {

            // .clone() since input is immutable
            TableRow output = c.element().clone();

            // remove misleading timestamp field
            output.remove("@timestamp");

            // set timestamp field by using the element's timestamp
            output.set("timestamp", c.timestamp().toString());

            c.output(output);
        }
    }
}

但是，我不知道如何以这种方式访问​​ JSON 文件中的嵌套字段。

如果 TableRow 包含 RECORD命名 r , 是否可以在不进一步序列化/反序列化的情况下访问其键/值？

如果我需要使用 Jackson 序列化/反序列化自己库，使用标准 Coder 是否更有意义？的 TextIO.Read而不是 TableRowJsonCoder ，以这种方式获得一些我失去的性能？

编辑

这些文件以换行符分隔，如下所示:

{"@timestamp":"2015-x", "message":"bla", "r":{"analyzed":"blub", "query": {"where":"9999"}}}
{"@timestamp":"2015-x", "message":"blub", "r":{"analyzed":"bla", "query": {"where":"1111"}}}

Answer 1

您最好的选择可能是按照您在 #2 中描述的方法并直接使用 Jackson。最有意义的是让 TextIO 读取执行它的构建目的——使用字符串编码器从文件中读取行——然后使用 DoFn实际解析元素。类似于以下内容:

PCollection<String> lines = pipeline
  .apply(TextIO.from("gs://bucket/..."));
PCollection<TableRow> objects = lines
  .apply(ParDo.of(new DoFn<String, TableRow>() {
    @Override
    public void processElement(ProcessContext c) {
      String json = c.element();
      SomeObject object = /* parse json using Jackson, etc. */;
      TableRow row = /* create a table row from object */;
      c.output(row);
    }
  });

请注意，您也可以使用多个 ParDo 来执行此操作。