谷歌数据流运行极其缓慢缓慢

Question

我编写了简单的程序来读取 CSV（电子邮件）并在数据存储中查找关联的 id。这也会搜索 AES 加密电子邮件。

使用 Eclipse 从directrunner 运行良好，但为了获得数据流中的流程图，我使用了dataflowruuner。这启用了执行图，但即使有 3 条记录，它的运行正弦曲线也超过 30 分钟。为什么？

使用 - DataflowPipelineOptions options = PipelineOptionsFactory.as(DataflowPipelineOptions.class);

而不是

    PipelineOptions options = PipelineOptionsFactory.fromArgs(option).withValidation().create();

Answer 1

这取决于您的管道的具体情况。通常，与直接运行器相比，Dataflow 中的管道启动时间会更慢。例如。它需要构建和上传管道，然后启动机器，然后需要获取管道定义并开始执行它。在直接运行器中执行管道时，您通常只需在本地编译和运行代码，类似于任何其他程序。因此，对于难以并行化的小型数据集的琐碎情况，使用 Dataflow 的性能优势并不明显。

但是，如果管道在 Dataflow 中从未停止，那么您需要查看是否有任何错误阻止它完成（例如，可能存在一些身份验证错误、限制、资源不足或其他原因）。可以从查看 Stackdriver 开始：https://cloud.google.com/dataflow/docs/guides/using-stackdriver-monitoring

一些文档链接，希望对您有所帮助：

• [0] 管道故障排除 - https://cloud.google.com/dataflow/docs/guides/troubleshooting-your-pipeline
• [1] 直接亚军 - https://beam.apache.org/documentation/runners/direct/
• [2] 数据流运行器 - https://beam.apache.org/documentation/runners/dataflow/
• [3] Beam + 数据流幻灯片：https://docs.google.com/presentation/d/1SlzllDkCtWdg18qKFhxB1EkQAW2ZiG-r80BykODcvVY