1

假设我想生成 100 万亿条数据（为了简单起见，使用随机数），我想使用 Google Dataflow 来完成。

我可以想到一个愚蠢的方法来做到这一点（我不是 100% 确定这会起作用，但这是我开始尝试的地方）：获取一个 1000 万行长的文本文件，并且对于输入中的每一行文本文件有一个循环 1000 万次迭代的 DoFn，每次迭代输出一个随机生成的数字，最终都输出到一个文本文件。（原始文本文件中的任何内容都将被忽略）。

但我不禁想到，使用 Dataflow 生成数据可能有更好、更简单的方法。关于更好的方法来做到这一点的任何建议？

谢谢！

4

2 回答 2

1

对于小型数据集，您可以只使用 pipeline.apply(Create.of(...)) 来生成，但它不会扩展（生成代码将在本地执行）。

更好的方法可能是：

List<Integer> l = ...; // 100k integers inside
pipeline.apply(Create.of(l)).apply(ParDo.of(new Generate100MDoFn())).apply(TextIO.Write.to(...));

因此它将使数据流并行地均匀生成大量数据。

于 2015-03-05T00:33:58.673 回答
1

Source很简单，只需使用您自己的数字生成器扩展类： https ://cloud.google.com/dataflow/model/custom-io

于 2016-01-30T06:30:50.290 回答