java - Apache Beam 使用多个表时有多少写入次数

Question

我正在使用 Apache Beam 从 PubSub 读取消息并将其写入 BigQuery。我想做的是根据输入中的信息写入多个表。为了减少写入量，我对 PubSub 的输入使用窗口化。

一个小例子:

messages
    .apply(new PubsubMessageToTableRow(options))
    .get(TRANSFORM_OUT)
    .apply(ParDo.of(new CreateKVFromRow())
    .apply(Window.into(FixedWindows.of(Duration.standardMinutes(10L))))
    // group by key
    .apply(GroupByKey.create())
    // Are these two rows what I want?
    .apply(Values.create())
    .apply(Flatten.iterables())
    .apply(BigQueryIO.writeTableRows()
          .withoutValidation()
          .withCreateDisposition(CreateDisposition.CREATE_NEVER)
          .withWriteDisposition(WriteDisposition.WRITE_APPEND)
          .withExtendedErrorInfo()
          .withFailedInsertRetryPolicy(InsertRetryPolicy.retryTransientErrors())
          .to((SerializableFunction<ValueInSingleWindow<TableRow>, TableDestination>) input -> {
                                        // Simplified for readability
                                        Integer destination = (Integer) input.getValue().get("key");
                                        return new TableDestination(
                                                new TableReference()
                                                        .setProjectId(options.getProjectID())
                                                        .setDatasetId(options.getDatasetID())
                                                        .setTableId(destination + "_Table"),
                                                "Table Destination");
                                    }));

我在文档中找不到任何内容，但我想知道每个窗口进行了多少次写入？如果有多个表，是否需要为窗口中的所有元素对每个表进行一次写入？或者是每个元素一次，因为每个表对于每个元素可能不同？

Answer 1

由于您使用 PubSub 作为来源，因此您的工作似乎是一项流媒体工作。因此，默认插入方法是 STREAMING_INSERTS(请参阅 docs )。我没有看到使用此方法减少写入的任何好处或理由，因为 billig 是基于数据大小的。顺便说一句，您的示例或多或少并没有真正有效地减少写入。

虽然它是一个流作业，但由于某些版本也支持 FILE_LOADS 方法。如果 withMethod 设置为 FILE_LOADS，您可以在 BigQueryIO 上定义 withTriggeringFrequency。此设置定义加载作业发生的频率。这里连接器为您处理所有事情，您不需要按键或窗口数据进行分组。将为每个表启动加载作业。

如果您的数据需要一些时间才能进入 BigQuery，那么我建议使用 FILE_LOADS，因为加载是免费的，而不是流式插入。请注意 quotas当定义触发频率时。