python - 带有 DirectRunner (SUBPROCESS_SDK) 的 Apache Beam 只使用一个工作人员，我如何强制它使用所有可用的工作人员？

Question

以下代码:

def get_pipeline(workers):
    pipeline_options = PipelineOptions(['--direct_num_workers', str(workers)])
    return beam.Pipeline(options=pipeline_options,
                         runner=fn_api_runner.FnApiRunner(
                             default_environment=beam_runner_api_pb2.Environment(
                                 urn=python_urns.SUBPROCESS_SDK,
                                 payload=b'%s -m apache_beam.runners.worker.sdk_worker_main'
                                         % sys.executable.encode('ascii'))))

with get_pipeline(4) as pipeline:
  _ = (  
        pipeline
        | 'ReadTestData' >> beam.io.ReadFromParquet(input_files, columns=all_columns)
        | "write" >> beam.io.WriteToText("/tmp/txt2")
  )

只使用 4 个可用的 worker 中的一个，并且只生成一个大输出文件(即使有很多输入文件)。

如何强制 Beam 管道并行工作，即如何强制每个输入文件由不同的工作人员分别处理？

Answer 1

您使用的是哪个版本的光束？

我对 beam 2.16.0 有同样的问题，但版本 2.17.0 似乎具有预期的行为。

您可能想尝试使用此版本，同时保持您的代码不变。