python - Apache Beam 每用户 session 窗口未合并

Question

我们有一个有用户的应用；每个用户每次使用我们的应用程序大约 10-40 分钟，我想根据发生的特定事件(例如“此用户转换”、“此用户”)计算每次此类 session 发生的事件的分布/发生次数上次 session 有问题”，“该用户上次 session 成功”)。

(在此之后我想每天计算这些更高级别的事件，但这是一个单独的问题)

为此，我一直在研究 session 窗口；但所有docs似乎适合全局 session 窗口，但我想为每个用户创建它们(这也是一种自然分区)。

我找不到有关如何执行此操作的文档(首选 Python)。你能给我指出正确的方向吗？

或者换句话说:如何创建可以输出更多结构化(丰富)事件的每用户每 session 窗口？

我有什么

class DebugPrinter(beam.DoFn):
  """Just prints the element with logging"""
  def process(self, element, window=beam.DoFn.WindowParam):
    _, x = element
    logging.info(">>> Received %s %s with window=%s", x['jsonPayload']['value'], x['timestamp'], window)
    yield element

def sum_by_event_type(user_session_events):
  logging.debug("Received %i events: %s", len(user_session_events), user_session_events)
  d = {}
  for key, group in groupby(user_session_events, lambda e: e['jsonPayload']['value']):
    d[key] = len(list(group))
  logging.info("After counting: %s", d)
  return d

# ...

by_user = valid \
  | 'keyed_on_user_id'      >> beam.Map(lambda x: (x['jsonPayload']['userId'], x))

session_gap = 5 * 60 # [s]; 5 minutes

user_sessions = by_user \
  | 'user_session_window'   >> beam.WindowInto(beam.window.Sessions(session_gap),
                                               timestamp_combiner=beam.window.TimestampCombiner.OUTPUT_AT_EOW) \
  | 'debug_printer'         >> beam.ParDo(DebugPrinter()) \
  | beam.CombinePerKey(sum_by_event_type)

输出什么

INFO:root:>>> Received event_1 2019-03-12T08:54:29.200Z with window=[1552380869.2, 1552381169.2)
INFO:root:>>> Received event_2 2019-03-12T08:54:29.200Z with window=[1552380869.2, 1552381169.2)
INFO:root:>>> Received event_3 2019-03-12T08:54:30.400Z with window=[1552380870.4, 1552381170.4)
INFO:root:>>> Received event_4 2019-03-12T08:54:36.300Z with window=[1552380876.3, 1552381176.3)
INFO:root:>>> Received event_5 2019-03-12T08:54:38.100Z with window=[1552380878.1, 1552381178.1)

如你所见； Session() 窗口不会扩展窗口，但只会将非常接近的事件组合在一起...哪里做错了？

Answer 1

您可以通过在开窗后添加一个 Group By Key 转换来让它工作。您已将键分配给记录，但实际上并未按键将它们组合在一起， session 窗口(按键工作)不知道这些事件需要合并在一起。

为了证实这一点，我使用一些内存中的虚拟数据做了一个可重现的示例(以将 Pub/Sub 与问题隔离开来并能够更快地对其进行测试)。所有五个事件都将具有相同的 key 或 user_id，但它们将依次“到达”彼此相隔 1、2、4 和 8 秒。当我使用 5 秒的 session_gap 时，我希望前 4 个元素合并到同一个 session 中。第 5 个事件将在第 4 个事件之后花费 8 秒，因此它必须降级到下一个 session (超过 5 秒的差距)。数据是这样创建的:

data = [{'user_id': 'Thanos', 'value': 'event_{}'.format(event), 'timestamp': time.time() + 2**event} for event in range(5)]

我们使用 beam.Create(data) 初始化管道，使用 beam.window.TimestampedValue 分配“假”时间戳。同样，我们只是用它来模拟流式传输行为。之后，我们通过 user_id 字段创建键值对，我们进入 window.Sessions 并添加缺少的 beam.GroupByKey() 步骤。最后，我们使用稍微修改过的 DebugPrinter 版本记录结果:管道现在看起来像这样:

events = (p
  | 'Create Events' >> beam.Create(data) \
  | 'Add Timestamps' >> beam.Map(lambda x: beam.window.TimestampedValue(x, x['timestamp'])) \
  | 'keyed_on_user_id'      >> beam.Map(lambda x: (x['user_id'], x))
  | 'user_session_window'   >> beam.WindowInto(window.Sessions(session_gap),
                                             timestamp_combiner=window.TimestampCombiner.OUTPUT_AT_EOW) \
  | 'Group' >> beam.GroupByKey()
  | 'debug_printer'         >> beam.ParDo(DebugPrinter()))

DebugPrinter 是:

class DebugPrinter(beam.DoFn):
  """Just prints the element with logging"""
  def process(self, element, window=beam.DoFn.WindowParam):
    for x in element[1]:
      logging.info(">>> Received %s %s with window=%s", x['value'], x['timestamp'], window)

    yield element

如果我们在不按键分组的情况下进行测试，我们会得到相同的行为:

INFO:root:>>> Received event_0 1554117323.0 with window=[1554117323.0, 1554117328.0)
INFO:root:>>> Received event_1 1554117324.0 with window=[1554117324.0, 1554117329.0)
INFO:root:>>> Received event_2 1554117326.0 with window=[1554117326.0, 1554117331.0)
INFO:root:>>> Received event_3 1554117330.0 with window=[1554117330.0, 1554117335.0)
INFO:root:>>> Received event_4 1554117338.0 with window=[1554117338.0, 1554117343.0)

但是在添加它之后，窗口现在可以正常工作了。事件 0 到 3 在扩展的 12 秒 session 窗口中合并在一起。事件 4 属于单独的 5 秒 session 。

INFO:root:>>> Received event_0 1554118377.37 with window=[1554118377.37, 1554118389.37)
INFO:root:>>> Received event_1 1554118378.37 with window=[1554118377.37, 1554118389.37)
INFO:root:>>> Received event_3 1554118384.37 with window=[1554118377.37, 1554118389.37)
INFO:root:>>> Received event_2 1554118380.37 with window=[1554118377.37, 1554118389.37)
INFO:root:>>> Received event_4 1554118392.37 with window=[1554118392.37, 1554118397.37)

完整代码 here

还有两件事值得一提。第一个是，即使使用 DirectRunner 在一台机器上本地运行它，记录也可能是无序的(在我的例子中，event_3 在 event_2 之前处理)。这样做是为了模拟分布式处理，如文档所述here .

最后一个是，如果你得到这样的堆栈跟踪:

TypeError: Cannot convert GlobalWindow to apache_beam.utils.windowed_value._IntervalWindowBase [while running 'Write Results/Write/WriteImpl/WriteBundles']

从 2.10.0/2.11.0 SDK 降级到 2.9.0。看这个answer例如。