0

我有一个从 BigQuery 获取数据并将其写入 GCS 的管道，但是，如果我发现任何拒绝，我想将它们正确地写入 Bigquery 表。我将拒绝收集到全局列表变量中，然后将列表加载到 BigQuery 表中。当我在本地运行它时，这个过程运行良好，因为管道以正确的顺序运行。当我使用dataflowrunner运行它时，它不能保证顺序（我希望pipeline1在pipeline2之前运行。有没有办法使用python在Dataflow中拥有依赖管道？或者也请建议是否可以用更好的方法解决这个问题。提前致谢。

with beam.Pipeline(options=PipelineOptions(pipeline_args)) as pipeline1:
 
    data = (pipeline1
               | 'get data' >> beam.io.Read(beam.io.BigQuerySource(query=...,use_standard_sql=True))
               | 'combine output to list' >> beam.combiners.ToList()
               | 'tranform' >> beam.Map(lambda x: somefunction)  # Collecting rejects in the except block of this method to a global list variable
               ....etc
               | 'to gcs' >> beam.io.WriteToText(output)
               )

# Loading the rejects gathered in the above pipeline to Biquery
with beam.Pipeline(options=PipelineOptions(pipeline_args)) as pipeline2:
    rejects = (pipeline2
                    | 'create pipeline' >> beam.Create(reject_list)
                    | 'to json format' >> beam.Map(lambda data: {.....})
                    | 'to bq' >> beam.io.WriteToBigQuery(....)
                    )
4

1 回答 1

1

您可以做类似的事情，但只有 1 个管道，以及转换中的一些额外代码。

应该有两个输出：beam.Map(lambda x: somefunction)一个被写入 GCS，被拒绝的元素最终将被写入 BigQuery。

为此，您的转换函数必须返回一个TaggedOutput.

Beam 编程指南中有一个示例：https ://beam.apache.org/documentation/programming-guide/#multiple-outputs-dofn

第二个PCollection，然后您可以写入 BigQuery。

您不需要Create在管道的第二个分支中有一个。

管道将是这样的：

with beam.Pipeline(options=PipelineOptions(pipeline_args)) as pipeline1:
 
    data = (pipeline1
               | 'get data' >> beam.io.Read(beam.io.BigQuerySource(query=...,use_standard_sql=True))
               | 'combine output to list' >> beam.combiners.ToList()
               | 'tranform' >> beam.Map(transform)  # Tagged output produced here

    pcoll_to_gcs = data.gcs_output
    pcoll_to_bq  = data.rejected

    pcoll_to_gcs | "to gcs" >> beam.io.WriteToText(output)
    pcoll_to_bq  | "to bq" >> beam.io.WriteToBigQuery(....)

那么transform函数将是这样的

def transform(element):
  if something_is_wrong_with_element:
    yield pvalue.TaggedOutput('rejected', element)

  transformed_element = ....

  yield pvalue.TaggedOutput('gcs_output', transformed_element)
于 2020-10-09T07:35:20.543 回答