带DirectRunner的Apache Beam（SUBPROCESS_SDK）仅使用一个工作程序，如何强制它使用所有可用工作程序？

Question

以下代码：

def get_pipeline(workers):
    pipeline_options = PipelineOptions(['--direct_num_workers', str(workers)])
    return beam.Pipeline(options=pipeline_options,
                         runner=fn_api_runner.FnApiRunner(
                             default_environment=beam_runner_api_pb2.Environment(
                                 urn=python_urns.SUBPROCESS_SDK,
                                 payload=b'%s -m apache_beam.runners.worker.sdk_worker_main'
                                         % sys.executable.encode('ascii'))))

with get_pipeline(4) as pipeline:
  _ = (  
        pipeline
        | 'ReadTestData' >> beam.io.ReadFromParquet(input_files, columns=all_columns)
        | "write" >> beam.io.WriteToText("/tmp/txt2")
  )

仅使用4个可用工作器中的一个，并仅生成一个大输出文件（即使输入文件很多）。

如何强制Beam管道并行工作，即如何强制每个输入文件由不同的工作人员分别处理？

Answer 1

您正在使用哪个版本的Beam？

我在Beam 2.16.0上遇到了同样的问题，但是2.17.0版本似乎具有预期的行为。

您可能想尝试使用此版本，同时保持原样。