创建 DAG 数据流 (apache Beam)

Question

我正在 Dataflow (Apache Beam) 上创建一个管道，以在 Google BigQuery 上读取和写入数据，但是我无法像使用 Airflow 一样创建 DAG。

这是我的代码中的一个示例：

# define pipeline
p = beam.Pipeline(argv=pipeline_args)
# execute query_1
query_result_gps = ( p | 'ReadFromBQ GPS_data' >> ... )
# write result from query_1 on BigQuery
output_gps = ( query_result_gps | 'WriteToBQ GPS_data' >> ... )
# execute query_2
query_result_temperature = (output_gps 
                                    | 'ReadFromBQ temperature_data' >> ... )
# write result from query_2
ouput_temperature = ( query_result_temperature | 'WriteToBQ temperature_data' >> ... )

我希望按顺序执行这些任务，而不是 Dataflow 以并行方式执行它们

如何让它们按顺序执行？

Answer 1

由于您希望将中间步骤输出到 BigQuery 并在两个转换之间流动数据，我认为 Branch 可以实现您想要的结果。

PCollection_1 =（从 BQ 读取）.apply(Transform_1)

PCollection_1.apply（写入BQ）

PCollection_1.apply(Transform_2).apply(写入BQ)

这将允许您在元素经过 Transform_1 之后将 Transform_2 应用于元素并将中间步骤写入 BQ。通过对同一个 PCollection 应用多个 ParDo，您可以在 DAG 中生成不同的分支。

Answer 2

我假设您正在阅读这样的大查询：

count = (p | 'read' >> beam.io.Read(beam.io.BigQuerySource(known_args.input_table))

我对 apache_beam 源代码进行了一些研究，看起来他们的 Source 转换忽略了输入 pcollection，这就是他们并行设置的原因。

查看def expand(self, pbegin):的最后一行：

class Read(ptransform.PTransform):
  """A transform that reads a PCollection."""

  def __init__(self, source):
    """Initializes a Read transform.

    Args:
      source: Data source to read from.
    """
    super(Read, self).__init__()
    self.source = source

  def expand(self, pbegin):
    from apache_beam.options.pipeline_options import DebugOptions
    from apache_beam.transforms import util

    assert isinstance(pbegin, pvalue.PBegin)
    self.pipeline = pbegin.pipeline

    debug_options = self.pipeline._options.view_as(DebugOptions)
    if debug_options.experiments and 'beam_fn_api' in debug_options.experiments:
      source = self.source

      def split_source(unused_impulse):
        total_size = source.estimate_size()
        if total_size:
          # 1MB = 1 shard, 1GB = 32 shards, 1TB = 1000 shards, 1PB = 32k shards
          chunk_size = max(1 << 20, 1000 * int(math.sqrt(total_size)))
        else:
          chunk_size = 64 << 20  # 64mb
        return source.split(chunk_size)

      return (
          pbegin
          | core.Impulse()
          | 'Split' >> core.FlatMap(split_source)
          | util.Reshuffle()
          | 'ReadSplits' >> core.FlatMap(lambda split: split.source.read(
              split.source.get_range_tracker(
                  split.start_position, split.stop_position))))
    else:
      # Treat Read itself as a primitive.
      return pvalue.PCollection(self.pipeline)

# ... other methods

看起来如果你设置这个实验性的beam_fn_api pipeline debug_option 那么pbegin 实际上会被使用，但我不确定该选项的其他效果是什么。

为什么需要它们按顺序发生？您似乎是在写一个表，然后从另一个表读取？

如果你真的需要这个顺序发生，也许像这样子类化 Read 就可以了

class SequentialRead(Read):
  def expand(self, pbegin):
      return pbegin