如何在 Apache Beam 中写入多个文件？

Question

让我简化一下我的情况。我正在使用 Apache Beam 0.6.0。我的最终处理结果是PCollection<KV<String, String>>。我想将值写入与其键对应的不同文件。

例如，假设结果包括

(key1, value1)
(key2, value2)
(key1, value3)
(key1, value4)

那我想写value1、value3和value4给key1.txt，写value4给key2.txt。

就我而言：

• 密钥集是在管道运行时确定的，而不是在构建管道时确定的。
• 键集可能很小，但每个键对应的值的数量可能非常非常大。

有什么想法吗？

Answer 1

很方便，我前几天写了一个这个案例的样本。

这个例子是dataflow 1.x风格

基本上，您可以按每个键进行分组，然后您可以使用连接到云存储的自定义转换来完成此操作。需要注意的是，每个文件的行列表不应该很大（它必须适合单个实例的内存，但考虑到您可以运行高内存实例，这个限制相当高）。

    ...
    PCollection<KV<String, List<String>>> readyToWrite = groupedByFirstLetter
                .apply(Combine.perKey(AccumulatorOfWords.getCombineFn()));
        readyToWrite.apply(
                new PTransformWriteToGCS("dataflow-experiment", TonyWordGrouper::derivePath));
    ...

然后进行大部分工作的转换是：

public class PTransformWriteToGCS
    extends PTransform<PCollection<KV<String, List<String>>>, PCollection<Void>> {

    private static final Logger LOG = Logging.getLogger(PTransformWriteToGCS.class);

    private static final Storage STORAGE = StorageOptions.getDefaultInstance().getService();

    private final String bucketName;

    private final SerializableFunction<String, String> pathCreator;

    public PTransformWriteToGCS(final String bucketName,
        final SerializableFunction<String, String> pathCreator) {
        this.bucketName = bucketName;
        this.pathCreator = pathCreator;
    }

    @Override
    public PCollection<Void> apply(final PCollection<KV<String, List<String>>> input) {

        return input
            .apply(ParDo.of(new DoFn<KV<String, List<String>>, Void>() {

                @Override
                public void processElement(
                    final DoFn<KV<String, List<String>>, Void>.ProcessContext arg0)
                    throws Exception {
                    final String key = arg0.element().getKey();
                    final List<String> values = arg0.element().getValue();
                    final String toWrite = values.stream().collect(Collectors.joining("\n"));
                    final String path = pathCreator.apply(key);
                    BlobInfo blobInfo = BlobInfo.newBuilder(bucketName, path)
                        .setContentType(MimeTypes.TEXT)
                        .build();
                    LOG.info("blob writing to: {}", blobInfo);
                    Blob result = STORAGE.create(blobInfo,
                        toWrite.getBytes(StandardCharsets.UTF_8));
                }
            }));
    }
}

Answer 2

只需在 ParDo 函数中编写一个循环！ 更多细节 - 我今天遇到了同样的情况，唯一的情况是 key=image_label 和 value=image_tf_record。所以就像你问的那样，我正在尝试创建单独的 TFRecord 文件，每个类一个，每个记录文件包含许多图像。但是，当每个键的值非常高时，例如您的场景，不确定是否可能存在内存问题： （我的代码也是用 Python 编写的）

class WriteToSeparateTFRecordFiles(beam.DoFn):

def __init__(self, outdir):
    self.outdir = outdir

def process(self, element):
    l, image_list = element
    writer = tf.python_io.TFRecordWriter(self.outdir + "/tfr" + str(l) + '.tfrecord')
    for example in image_list:
        writer.write(example.SerializeToString())
    writer.close()

然后在您的管道中，在您获得键值对的阶段之后添加这两行：

   (p
    | 'GroupByLabelId' >> beam.GroupByKey()
    | 'SaveToMultipleFiles' >> beam.ParDo(WriteToSeparateTFRecordFiles(opt, p))
    )

Answer 3

在 Apache Beam 2.2 Java SDK 中，TextIO 和 AvroIO 分别使用 TextIO 和 AvroIO.write().to(DynamicDestinations) 原生支持此功能。参见例如this method.

更新（2018 年）：更喜欢将 FileIO.writeDynamic() 与 TextIO.sink() 和 AvroIO.sink() 一起使用。

Answer 4

只需在 ParDo 类中写下以下几行：

from apache_beam.io import filesystems

eventCSVFileWriter = filesystems.FileSystems.create(gcsFileName)
for record in list(Records):
    eventCSVFileWriter.write(record)

如果您想要完整的代码，我也可以为您提供帮助。

Answer 5

您可以为此使用 FileIO.writeDinamic()

PCollection<KV<String,String>> readfile= (something you read..);

readfile.apply(FileIO. <String,KV<String,String >> writeDynamic()
    .by(KV::getKey)
    .withDestinationCoder(StringUtf8Coder.of())
    .via(Contextful.fn(KV::getValue), TextIO.sink())
    .to("somefolder")
    .withNaming(key -> FileIO.Write.defaultNaming(key, ".txt")));

p.run();