google-cloud-dataflow - 使用 Dataflow 读取 CSV 标头

Question

我有一个 CSV 文件，但我事先不知道列名。在 Google Dataflow 中进行一些转换后，我需要以 JSON 格式输出数据。

获取标题行并将标签渗透到所有行的最佳方法是什么？

例如：

a,b,c
1,2,3
4,5,6

...变成（大约）：

{a:1, b:2, c:3}
{a:4, b:5, c:6}

Answer 1

您应该实现自定义FileBasedSource（类似于TextIO.TextSource），它将读取第一行并存储标题数据

    @Override
    protected void startReading(final ReadableByteChannel channel)
    throws IOException {
        lineReader = new LineReader(channel);

        if (lineReader.readNextLine()) {
            final String headerLine = lineReader.getCurrent().trim();
            header = headerLine.split(",");
            readingStarted = true;
        }
    }

后者，在读取其他行时将其添加到当前行数据：

    @Override
    protected boolean readNextRecord() throws IOException {
        if (!lineReader.readNextLine()) {
            return false;
        }

        final String line = lineReader.getCurrent();
        final String[] data = line.split(",");

        // assumes all lines are valid
        final StringBuilder record = new StringBuilder();
        for (int i = 0; i < header.length; i++) {
            record.append(header[i]).append(":").append(data[i]).append(", ");
        }

        currentRecord = record.toString();
        return true;
    }

我已经实现了一个快速（完整）的解决方案，可以在github上找到。我还添加了一个数据流单元测试来演示阅读：

@Test
public void test_reading() throws Exception {
    final File file =
            new File(getClass().getResource("/sample.csv").toURI());
    assertThat(file.exists()).isTrue();

    final Pipeline pipeline = TestPipeline.create();

    final PCollection<String> output =
            pipeline.apply(Read.from(CsvWithHeaderFileSource.from(file.getAbsolutePath())));

    DataflowAssert
            .that(output)
            .containsInAnyOrder("a:1, b:2, c:3, ", "a:4, b:5, c:6, ");

    pipeline.run();
}

其中sample.csv有以下内容：

a,b,c
1,2,3
4,5,6

Answer 2

我已经根据 Luka 的源代码创建了一个解决方案（请参阅上一个答案）。Luka 在 github 中的代码用于 dataflow-1.x，并实现了 FileBasedSource，它提取第一行并将其缓存，然后将其添加到后面的每一行。这需要在单个节点上处理整个文件（不可拆分）。

我的 FileBasedSource 变体只是返回文件的第一行；如 javadoc 类中所述，该行可以被拆分（根据需要）并用作处理完整文件的逻辑的侧输入（然后可以并行完成）。该代码与 Beam 2.x 兼容（在 Beam 2.4.0 上测试）。

见http://moi.vonos.net/cloud/beam-read-header/

Answer 3

我正在使用 Luka 的阅读器，它在启动其他链式管道之前读取整个 csv 文件。是否可以定义块大小，例如读取 10 行处理写入，然后读取接下来的 10 行

 PCollection<String> input = pipeline.apply(Read.from(CustomCsvReader.from(options.getInput())));
PCollection<Map<String,String>> mapOutput = input.apply(MapElements.via(new SimpleFunction<String, Map<String,String>>() {
        @Override
        public Map<String,String> apply(String input) {
          String[] entrys = input.split(",");
          return Stream.of(entrys).map(t -> t.split(":",2)).collect(Collectors.toMap(a -> a[0], a -> a.length > 1 ? a[1]: ""));

        }
    }));
PCollection<String> output = mapOutput.apply(ParDo.of(new CSVToXMLConverter()));
 output.apply(TextIO.write().to(options.getOutput()).withFooter(Constants.CCR_FOOTER));
pipeline.run().waitUntilFinish();