写入 BigQuery 时出现 Cloud Dataflow 性能问题

Question

我正在尝试使用 Cloud Dataflow（Beam Python SDK）将其读取并写入 BigQuery。

读取和写入 2000 万条记录（约 80 MB）大约需要 30 分钟。

查看数据流 DAG，我可以看到将每个 CSV 行转换为 BQ 行花费了大部分时间。

下面是执行相同操作的代码 sn-p：

beam.Map(lambda s: data_ingestion.parse_record_string(s,data_ingestion.stg_schema_dict)) 

    def parse_record_string(self, string_input,schema_dict): 

        for idx,(x,key) in enumerate(zip(imm_input,schema_dict)):
            key = key.strip()
            datatype = schema_dict[key].strip()
            if key == 'HASH_ID' and datatype != 'STRING':
                hash_id = hash(''.join(imm_input[1:idx]))
                row_dict[key] = hash_id
            else:
                if x:
                    x = x.decode('utf-8').strip()
                    row_dict[key] = x
                else:
                    row_dict[key] = None
                    #row_dict[key] = ''
        return row_dict

除了 map transform 之外，我还使用了 ParDo 和 Flatmap。它们都产生相同的结果。

请提出任何可能的调整以减少时间。

提前致谢

Answer 1

您的代码是计算密集型的。对于每条 20M 行，您执行：

• for 循环（每行有多少个元素？）
• 压缩和枚举
• 在循环的每个元素上
  • 您执行 2 个条带（在字符串上循环以删除空格）
  • 切片上的连接（这是 2 个循环）-> 这种情况多久为真？
  • 另一种情况下的另一个条带

Python 非常棒，非常方便，有很多助手。但是，请注意这种简单性的陷阱，并正确评估算法的复杂性。

如果您了解 Java，请尝试一下。它可能会更有效率。