我正在尝试在 Beam/Java 中编写一个数据流作业来处理来自 Pub/Sub 并写入 Parquet 的一系列事件。 Pub/Sub 中的事件采用 JSON 格式,每个事件可以生成一行或多行。我能够编写一个非常简单的示例,编写仅返回 1 条记录的 ParDo 转换。 ParDo 看起来像这样
static class GenerateRecords extends DoFn<String, GenericRecord> {
@ProcessElement
public void processElement(ProcessContext context) {
final GenericData.Record record = new GenericData.Record(schema);
String msg = context.element();
com.tsp.de.schema.mschema pRecord = GenerateParquetRecord(msg);
context.output(pRecord);
}
}
以及管道的写入部分
.apply("Write to file",
FileIO.<GenericRecord>
write()
.via(
ParquetIO.sink(schema)
.withCompressionCodec(CompressionCodecName.SNAPPY)
)
.to(options.getOutputDirectory())
.withNumShards(options.getNumShards())
.withSuffix("pfile")
);
我的问题是,如何概括此 ParDo 转换以返回记录列表?我尝试了 List,但不起作用,ParquetIO.sink(schema) 发出“无法通过以下方式解析方法”的警告。
最佳答案
您可以根据需要多次在 DoFn
中调用 context.output()
。因此,如果您知道在哪种情况下需要发出多条记录的业务逻辑,那么您只需为每个输出记录调用 context.output(record)
即可。它应该比拥有容器的 PCollection
更简单。
PS:顺便说一句,我有一个 simple example如何使用 ParquetIO
和 AvroCoder
编写 GenericRecord
可能会有所帮助。
关于java - 有没有办法在 Beam 的 ParDo 转换中创建 SpecificRecord 列表以写入 Parquet 文件?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58721495/