如何从 PubSub 主题读取数据并将其解析到光束管道中并打印答案

【问题标题】：How to read and parse data from PubSub topic into a beam pipeline and print it如何从 PubSub 主题读取数据并将其解析到光束管道中并打印
【发布时间】：2020-01-17 02:04:47
【问题描述】：

我有一个程序，它在 pubSub 中创建一个主题并将消息发布到该主题。我还有一个自动数据流作业（使用模板），它将这些消息保存到我的 BigQuery 表中。现在我打算用 python 管道替换基于模板的作业，我的要求是从 PubSub 读取数据，应用转换并将数据保存到 BigQuery/发布到另一个 PubSub 主题。我开始用 python 编写脚本并做了很多试验和错误来实现它，但令我沮丧的是，我无法实现它。代码如下所示：

import apache_beam as beam
from apache_beam.io import WriteToText
TOPIC_PATH = "projects/test-pipeline-253103/topics/test-pipeline-topic"
OUTPUT_PATH = "projects/test-pipeline-253103/topics/topic-repub"

def run():
    o = beam.options.pipeline_options.PipelineOptions()
    p = beam.Pipeline(options=o)

    print("I reached here")
    # # Read from PubSub into a PCollection.
    data = (
        p
        | "Read From Pub/Sub" >> beam.io.ReadFromPubSub(topic=TOPIC_PATH)
    )
    data | beam.io.WriteToPubSub(topic=OUTPUT_PATH)
    print("Lines: ", data)
run()

如果我能尽早得到一些帮助，我将不胜感激。注意：我在谷歌云上设置了我的项目，并且我的脚本在本地运行。

【问题讨论】：

标签： google-cloud-platform google-bigquery google-cloud-dataflow apache-beam google-cloud-pubsub

【解决方案1】：

基于Beam programming guide，您只需在管道中添加一个转换步骤。这里是一个例子或转换：

class PrintValue(beam.DoFn):
  def process(self, element):
    print(element)
    return [element]

将其添加到您的管道中

 data |  beam.ParDo(PrintValue()) | beam.io.WriteToPubSub(topic=OUTPUT_PATH)

您可以添加所需的转换数量。您可以测试该值并将标记为 PCollection（用于具有多个输出）中的元素设置为扇出，或使用侧输入作为 PCollection 中的风扇。

【讨论】：

感谢您的帮助。我试过了，但我再次无法将任何数据发送到输出 pubsub 主题，也无法打印任何元素。我不确定我做错了什么。我所做的是data = ( p | "Read From Pub/Sub" >>beam.io.ReadFromPubSub(topic=TOPIC_PATH) | beam.ParDo(PrintValue()) | beam.io.WriteToPubSub(topic=OUTPUT_PATH) ) 另外，我的 printValue 类在同一个文件中。请提出什么问题？
好吧，你错了。我的简短回应很好；我发布了一个更完整的（和更长的！）

【解决方案2】：

这里是工作代码。

import apache_beam as beam

TOPIC_PATH = "projects/test-pipeline-253103/topics/test-pipeline-topic"
OUTPUT_PATH = "projects/test-pipeline-253103/topics/topic-repub"


class PrintValue(beam.DoFn):
    def process(self, element):
        print(element)
        return [element]

def run():

    o = beam.options.pipeline_options.PipelineOptions()
    # Replace this by --stream execution param
    standard_options = o.view_as(beam.options.pipeline_options.StandardOptions)
    standard_options.streaming = True
    p = beam.Pipeline(options=o)

    print("I reached here")
    # # Read from PubSub into a PCollection.
    data = p | beam.io.ReadFromPubSub(topic=TOPIC_PATH) | beam.ParDo(PrintValue()) | beam.io.WriteToPubSub(topic=OUTPUT_PATH)
    # Don't forget to run the pipeline!
    result = p.run()
    result.wait_until_finish()

run()

总结

您错过了运行管道。事实上，Beam 是一种图编程模型。因此，在您之前的代码中，您构建了图表，但从未运行过它。在这里，最后，运行它（不是阻塞调用）并等待结束（阻塞调用）
当您启动管道时，Beam 提到 PubSub 仅在流模式下工作。因此，您可以使用--streaming 参数开始您的代码，或者按照我的代码所示以编程方式进行

请注意，流媒体模式意味着在 PubSub 上无限期收听。如果您在 Dataflow 上运行它，您的管道将始终处于运行状态，直到您停止它。如果您的消息很少，这可能会很昂贵。确保这是目标模型

另一种方法是在有限的时间内使用您的管道（您使用调度程序来启动它，而另一个用于停止它）。但是，此时，您必须堆叠消息。在这里，您使用Topic 作为管道的入口。此选项强制 Beam 创建临时订阅并在此订阅上收听消息。这意味着在此订阅创建之前发布的消息将不会被接收和处理。

这个想法是创建一个订阅，通过这种方式，消息将被堆叠在其中（默认情况下最多 7 天）。然后，在管道 beam.io.ReadFromPubSub(subscription=SUB_PATH) 的条目中使用订阅名称。消息将被 Beam 拆散和处理（不保证订单！）

【讨论】：