Apache Beam 数据流：从 Azure 到 GCS 的文件传输

Question

我尝试将文件从 Azure 容器传输到 GCS 存储桶，但最终出现以下问题

1. 源文件中的记录顺序与目标文件的记录顺序不同，因为管道将进行并行处理
2. 必须编写大量自定义代码来为 GCS 目标文件提供自定义名称，因为管道为其提供默认名称。

无论如何，Apache 管道可以在不处理文件内容的情况下传输文件本身（这样就不会发生上述问题）？因为我需要将多个文件从 Azure 容器传输到 GCS 存储桶

下面是我目前用来传输文件的代码

String format = LocalDateTime.now().format(DateTimeFormatter.ofPattern("YYYY_MM_DD_HH_MM_SS3")).toString();

String connectionString = "<<AZURE_STORAGE_CONNECTION_STRING>>"; 
        
PipelineOptions options = PipelineOptionsFactory.create();
options.as(BlobstoreOptions.class).setAzureConnectionString(connectionString);
        
Pipeline p = Pipeline.create(options);
p.apply(TextIO.read().from("azfs://storageaccountname/containername/CSVSample.csv"))
.apply("",FileIO.<String>write().to("azfs://storageaccountname/containername/"+format+"/").withNumShards(1).withSuffix(".csv")
        .via(TextIO.sink()));
p.run().waitUntilFinish();

Answer 1

您应该能够为此目的使用FileIO 转换。

例如（未经测试的伪代码），

FileIO.match().filepattern("azfs://storageaccountname/containername/CSVSample.csv")
.apply(FileIO.readMatches())
.apply(ParDo.of(new MyWriteDoFn()));

MyWriteDoFn() 上方是 DoFn，它从单个文件中读取字节（使用 AzureBlobStoreFileSystem）并写入 GCS（使用 GCSFileSystem）。您可以使用 FileSystems 类中带有正确前缀的静态方法，而不是直接调用底层 FileSystem 实现的方法。