可以通过读取 gcs 存储桶来更新每个窗口的 Dataflow sideInput 吗？

Question

我目前正在创建一个 PCollectionView，方法是从 gcs 存储桶中读取过滤信息，并将其作为侧输入传递到管道的不同阶段，以过滤输出。如果 gcs 存储桶中的文件发生更改，我希望当前正在运行的管道使用这个新的过滤器信息。如果我的过滤器发生变化，有没有办法在每个新的数据窗口上更新这个 PCollectionView？我以为我可以在 startBundle 中做到这一点，但我不知道如何或是否可能。可以的话可以举个例子吗？

PCollectionView<Map<String, TagObject>> 
    tagMapView =
        pipeline.apply(TextIO.Read.named("TagListTextRead")
                                  .from("gs://tag-list-bucket/tag-list.json"))
                .apply(ParDo.named("TagsToTagMap").of(new Tags.BuildTagListMapFn()))
                .apply("MakeTagMapView", View.asSingleton());
PCollection<String> 
    windowedData =
        pipeline.apply(PubsubIO.Read.topic("myTopic"))
                .apply(Window.<String>into(
                              SlidingWindows.of(Duration.standardMinutes(15))
                                            .every(Duration.standardSeconds(31))));
PCollection<MY_DATA> 
    lineData = windowedData
        .apply(ParDo.named("ExtractJsonObject")
            .withSideInputs(tagMapView)
            .of(new ExtractJsonObjectFn()));

Answer 1

您可能想要“使用最多 1 分钟旧版本的过滤器作为辅助输入”之类的东西（因为从理论上讲，文件可以频繁、不可预测地更改并且独立于您的管道 - 所以没有办法真正将文件的更改与管道的行为完全同步）。

这是我能够想出的（公认的，相当笨拙的）解决方案。它依赖于这样一个事实，即侧面输入也由窗口隐式键入。在这个解决方案中，我们将创建一个以 1 分钟固定窗口为窗口的侧面输入，其中每个窗口将包含标签映射的单个值，该值源自该窗口内的某个时刻的过滤器文件。

PCollection<Long> ticks = p
  // Produce 1 "tick" per second
  .apply(CountingInput.unbounded().withRate(1, Duration.standardSeconds(1)))
  // Window the ticks into 1-minute windows
  .apply(Window.into(FixedWindows.of(Duration.standardMinutes(1))))
  // Use an arbitrary per-window combiner to reduce to 1 element per window
  .apply(Count.globally());

// Produce a collection of tag maps, 1 per each 1-minute window
PCollectionView<TagMap> tagMapView = ticks
  .apply(MapElements.via((Long ignored) -> {
    ... manually read the json file as a TagMap ...
  }))
  .apply(View.asSingleton());

这种模式（将缓慢变化的外部数据作为辅助输入加入）反复出现，我在这里提出的解决方案远非完美，我希望我们在编程模型中能更好地支持这一点。我已经提交了BEAM JIRA issue 来跟踪这个。