数据流错误：“客户端具有非平凡的本地和不可腌制的状态”

Question

我有一个可以在本地执行而不会出现任何错误的管道。我曾经在本地运行的管道中遇到此错误

    'Clients have non-trivial state that is local and unpickleable.'
     PicklingError: Pickling client objects is explicitly not supported.

我相信我通过降级到 apache-beam=2.3.0 解决了这个问题 然后在本地它将完美运行。

现在我正在使用 DataflowRunner 并且在 requirements.txt 文件中我有以下依赖项

    apache-beam==2.3.0
    google-cloud-bigquery==1.1.0
    google-cloud-core==0.28.1
    google-cloud-datastore==1.6.0
    google-cloud-storage==1.10.0
    protobuf==3.5.2.post1
    pytz==2013.7

但我又遇到了这个可怕的错误

    'Clients have non-trivial state that is local and unpickleable.'
     PicklingError: Pickling client objects is explicitly not supported.

为什么它给了我 DataflowRunner 而不是 DirectRunner 的错误？他们不应该使用相同的依赖项/环境吗？ 任何帮助，将不胜感激。

我已经读到这是解决它的方法，但是当我尝试它时，我仍然得到同样的错误

    class MyDoFn(beam.DoFn):

        def start_bundle(self, process_context):
            self._dsclient = datastore.Client()

        def process(self, context, *args, **kwargs):
        # do stuff with self._dsclient

来自https://github.com/GoogleCloudPlatform/google-cloud-python/issues/3191

我之前在本地修复此问题的参考帖子：

Using start_bundle() in apache-beam job not working. Unpickleable storage.Client()

提前致谢！

Answer 1

在start_bundle 方法中初始化unpickleable 客户端是正确的方法，Beam IO 经常遵循此方法，请参阅datastoreio.py 作为示例。这是一个在 DoFn 中使用 GCS python 客户端执行简单操作的管道。我在 Apache Beam 2.16.0 上运行它没有问题。如果您仍然可以重现您的问题，请提供更多详细信息。

gcs_client.py 文件：

import argparse
import logging
import time

import apache_beam as beam
from apache_beam.options.pipeline_options import PipelineOptions
from google.cloud import storage

class MyDoFn(beam.DoFn):
  def start_bundle(self):
    self.storage_client = storage.Client()

  def process(self, element):
    bucket = self.storage_client.get_bucket("existing-gcs-bucket")
    blob = bucket.blob(str(int(time.time())))
    blob.upload_from_string("payload")
    return element

logging.getLogger().setLevel(logging.INFO)
_, options = argparse.ArgumentParser().parse_known_args()

pipeline_options = PipelineOptions(options)
p = beam.Pipeline(options=pipeline_options)
_ = p | beam.Create([None]) | beam.ParDo(MyDoFn())

p.run().wait_until_finish()

requirements.txt 文件：

google-cloud-storage==1.23.0

命令行：

python -m gcs_client \
    --project=insert_your_project \
    --runner=DataflowRunner \
    --temp_location gs://existing-gcs-bucket/temp/ \
    --requirements_file=requirements.txt \
    --save_main_session

Answer 2

在让 Dataflow 将一堆行写入 Bigtable 时，我遇到了类似的问题。将--save-main-session 设置为False 似乎已经解决了。