数据流 GCS 到 BigQuery - 如何为每个输入输出多行？

Question

目前我正在使用谷歌提供的 gcs-text-to-bigquery 模板并输入一个转换函数来转换我的 jsonl 文件。 jsonl 是非常嵌套的，我希望能够通过做一些转换来为换行分隔的 json 的每一行输出多行。

例如：

{'state': 'FL', 'metropolitan_counties':[{'name': 'miami dade', 'population':100000}, {'name': 'county2', 'population':100000}…], 'rural_counties':{'name': 'county1', 'population':100000}, {'name': 'county2', 'population':100000}….{}], 'total_state_pop':10000000,….}

显然会有比 2 个更多的县，每个州都会有其中一条线。我老板想要的输出是：

当我进行 gcs-to-bq 文本转换时，我最终每个州只得到一行（所以我将从 FL 获得 miami dade 县，然后无论第一个县在我的转换中为下一个州）。我读了一点，我认为这是因为模板中的映射需要每个 jsonline 一个输出。看来我可以做一个pardo（DoFn？）不确定那是什么，或者在python中有一个与beam.Map类似的选项。转换中有一些业务逻辑（现在大约有 25 行代码，因为 json 的列比我显示的要多，但这些非常简单）。

对此有什么建议吗？今晚/明天会有数据，BQ 表会有几十万行。

我正在使用的模板目前是在 java 中，但我可以很容易地将它翻译成 python，因为在 python 中有很多在线示例。我更了解python，并且我认为它更容易考虑到不同的类型（有时一个字段可以为空），并且鉴于我看到的示例看起来更简单，它似乎不那么令人生畏，但是，对任何一个都开放

Answer 1

在 Python 中解决这个问题有点简单。这是一种可能性（未完全测试）：

from __future__ import absolute_import                                                               

import ast                                                                      

import apache_beam as beam                                                      
from apache_beam.io import ReadFromText                                            
from apache_beam.io import WriteToText                                             

from apache_beam.options.pipeline_options import PipelineOptions                   

import os                                                                       
os.environ['GOOGLE_APPLICATION_CREDENTIALS'] = '/path/to/service_account.json'      

pipeline_args = [                                                                  
    '--job_name=test'                                                              
]                                                                                  

pipeline_options = PipelineOptions(pipeline_args)                                  


def jsonify(element):                                                              
    return ast.literal_eval(element)                                               


def unnest(element):                                                            
    state = element.get('state')                                                
    state_pop = element.get('total_state_pop')                                  
    if state is None or state_pop is None:                                                   
        return                                                                  
    for type_ in ['metropolitan_counties', 'rural_counties']:                   
        for e in element.get(type_, []):                                        
            name = e.get('name')                                                
            pop = e.get('population')                                           
            county_type = (                                                     
                'Metropolitan' if type_ == 'metropolitan_counties' else 'Rural' 
            )                                                                   
            if name is None or pop is None:                                     
                continue                                                        
            yield {                                                             
                'State': state,                                                 
                'County_Type': county_type,                                     
                'County_Name': name,                                            
                'County_Pop': pop,                                              
                'State_Pop': state_pop                                          
            }

with beam.Pipeline(options=pipeline_options) as p:                              
    lines = p | ReadFromText('gs://url to file')                                        

    schema = 'State:STRING,County_Type:STRING,County_Name:STRING,County_Pop:INTEGER,State_Pop:INTEGER'                                                                      

    data = (                                                                    
        lines                                                                   
        | 'Jsonify' >> beam.Map(jsonify)                                        
        | 'Unnest' >> beam.FlatMap(unnest)                                      
        | 'Write to BQ' >> beam.io.Write(beam.io.BigQuerySink(                  
            'project_id:dataset_id.table_name', schema=schema,                     
            create_disposition=beam.io.BigQueryDisposition.CREATE_IF_NEEDED,    
            write_disposition=beam.io.BigQueryDisposition.WRITE_APPEND)       
        )                                                                       
    )

只有在处理批处理数据时才会成功。如果您有流式数据，只需将beam.io.Write(beam.io.BigquerySink(...)) 更改为beam.io.WriteToBigQuery。