我正在使用数据流中的流数据来监听pub-sub中的数据。 然后我需要上传到存储,处理数据并将其上传到bigquery。
这是我的代码:
public class BotPipline {
public static void main(String[] args) {
DataflowPipelineOptions options = PipelineOptionsFactory.as(DataflowPipelineOptions.class);
options.setRunner(BlockingDataflowPipelineRunner.class);
options.setProject(MY_PROJECT);
options.setStagingLocation(MY_STAGING_LOCATION);
options.setStreaming(true);
Pipeline pipeline = Pipeline.create(options);
PCollection<String> input = pipeline.apply(PubsubIO.Read.maxNumRecords(1).subscription(MY_SUBSCRIBTION));
input.apply(TextIO.Write.to(MY_STORAGE_LOCATION));
input
.apply(someDataProcessing(...)).named("update json"))
.apply(convertToTableRow(...)).named("convert json to table row"))
.apply(BigQueryIO.Write.to(MY_BQ_TABLE).withSchema(tableSchema)
);
pipeline.run();
}
}
当我运行代码注释写入存储时,代码运行良好。 但是当我尝试上传到大查询时,我得到了这个错误(这是预期的......):
Write can only be applied to a Bounded PCollection
我没有使用绑定,因为我需要一直运行这个,我需要立即上传数据。 有解决方案吗
修改 这是我想要的行为:
我正在通过pubsub接收消息。 每条消息都应作为粗略数据存储在GCS中自己的文件中, 对数据执行一些处理,然后将其保存到大查询中 - 在数据中具有文件名。
在BQ收到数据后应立即看到数据 例如:
data published to pubsub : {a:1, b:2}
data saved to GCS file UUID: A1F432
data processing : {a:1, b:2} ->
{a:11, b: 22} ->
{fileName: A1F432, data: {a:11, b: 22}}
data in BQ : {fileName: A1F432, data: {a:11, b: 22}}
这个想法是处理后的数据存储在BQ中,其中包含存储在GCS中的粗略数据的链接
答案 0 :(得分:2)
目前,我们不支持在TextIO.Write
中编写无界集合。请参阅related question。
你能澄清一下你想要无界TextIO.Write
的行为吗?例如。你希望有一个不断增长的文件,或每个窗口一个文件,当窗口关闭时关闭,或其他什么,或者只是对你来说,写入的文件的总内容最终将包含所有PubSub消息,但它无论文件的结构如何等都无关紧要?
作为一种变通方法,您可以将自己的DoFn
写入GCS,使用IOChannelFactory
与GCS进行互动(事实上,TextIO.Write
只是一个复合词变换,用户可以从头开始编写自己。)
您可以使用BoundedWindow
上的可选@ProcessElement
参数访问数据窗口。如果您解释所期望的行为,我将能够提供更多建议。