google-cloud-dataflow - Apache Beam 管道中的组元素

Question

我有一个从 AVRO 文件解析记录的管道。

我需要将传入的记录拆分为 500 个项目的块，以便调用同时接受多个输入的 API。

有没有办法用 Python SDK 做到这一点？

Answer 1

我假设您指的是 Batch 用例。为此，您有几个选择:

如果您的 PCollection 足够大，并且您对捆绑包的大小有一定的灵活性，则可以使用 GroupByKey以随机/循环顺序为元素分配键后进行转换。例如。:

my_collection = p | ReadRecordsFromAvro()

element_bundles = (my_collection 
                     # Choose a number of keys that works for you (I chose 50 here)
                   | 'AddKeys' >> beam.Map(lambda x: (randint(0, 50), x))
                   | 'MakeBundles' >> beam.GroupByKey()
                   | 'DropKeys' >> beam.Map(lambda (k, bundle): bundle)
                   | beam.ParDo(ProcessBundlesDoFn()))

哪里 ProcessBundlesDoFn是这样的:

class ProcessBundlesDoFn(beam.DoFn):
  def process(self, bundle):
    while bundle.has_next():
      # Fetch in batches of 500 until you're done
      result = fetch_n_elements(bundle, 500)
      yield result

如果您 需要要拥有恰好 500 个元素的所有捆绑包，那么您可能需要:

计算 PCollection 中的元素数量

将该计数作为单例侧输入传递给您的 'AddKeys' ParDo，以确定您将需要的确切 key 数量。

希望有帮助。