如何将 csv 转换为 apache Beam 数据流中的字典

Question

我想读取一个 csv 文件并使用 apache Beam 数据流将其写入 BigQuery。为此，我需要以字典的形式将数据呈现给 BigQuery。为了做到这一点，如何使用 apache Beam 转换数据？

我的输入 csv 文件有两列，我想在 BigQuery 中创建一个后续的两列表。我知道如何在 BigQuery 中创建数据，这很简单，我不知道如何将 csv 转换为字典。下面的代码不正确，但应该让我知道我正在尝试做什么。

# Standard imports
import apache_beam as beam
# Create a pipeline executing on a direct runner (local, non-cloud).
p = beam.Pipeline('DirectPipelineRunner')
# Create a PCollection with names and write it to a file.
(p
| 'read solar data' >> beam.Read(beam.io.TextFileSource('./sensor1_121116.csv'))
# How do you do this??
| 'convert to dictionary' >> beam.Map(lambda (k, v): {'luminosity': k, 'datetime': v})
| 'save' >> beam.Write(
   beam.io.BigQuerySink(
   output_table,
   schema='month:INTEGER, tornado_count:INTEGER',
   create_disposition=beam.io.BigQueryDisposition.CREATE_IF_NEEDED,
   write_disposition=beam.io.BigQueryDisposition.WRITE_TRUNCATE)))
p.run()

Answer 1

编辑：从 2.12.0 版开始，Beam 带有新的fileio 转换，允许您从 CSV 读取而无需重新实现源。你可以这样做：

def get_csv_reader(readable_file):
  # You can return whichever kind of reader you want here
  # a DictReader, or a normal csv.reader.
  if sys.version_info >= (3, 0):
    return csv.reader(io.TextIOWrapper(readable_file.open()))
  else:
    return csv.reader(readable_file.open())

with Pipeline(...) as p:
  content_pc = (p
                | beam.io.fileio.MatchFiles("/my/file/name")
                | beam.io.fileio.ReadMatches()
                | beam.Reshuffle()  # Useful if you expect many matches
                | beam.FlatMap(get_csv_reader))

我最近为此为 Apache Beam 编写了一个测试。你可以看看the Github repository。

---

旧答案依赖于重新实现源。这不再是这样做的主要推荐方式:)

这个想法是有一个返回解析的 CSV 行的源。您可以通过继承 FileBasedSource 类来包含 CSV 解析来做到这一点。特别是，read_records 函数看起来像这样：

class MyCsvFileSource(apache_beam.io.filebasedsource.FileBasedSource):
  def read_records(self, file_name, range_tracker):
    self._file = self.open_file(file_name)

    reader = csv.reader(self._file)

    for rec in reader:
      yield rec

Answer 2

作为对 Pablo 帖子的补充，我想分享一下我自己对他的示例所做的一些更改。 （+1 给你！）

更改： reader = csv.reader(self._file)转reader = csv.DictReader(self._file)

csv.DictReader 使用 CSV 文件的第一行作为字典键。其他行用于使用其值填充每行的字典。它会根据列顺序自动将正确的值放入正确的键中。

一个小细节是 Dict 中的每个值都存储为字符串。如果您使用例如，这可能会与您的 BigQuery 架构发生冲突。某些字段的整数。所以你需要在之后注意正确的铸造。