Question

我正在尝试扫描BigTable数据，其中某些行是“脏”的。 - 但这取决于扫描失败，导致（序列化？） InvalidChunk 异常。代码如下：

from google.cloud import bigtable
from google.cloud import happybase
client = bigtable.Client(project=project_id, admin=True)
instance = client.instance(instance_id)
connection = happybase.Connection(instance=instance)
table = connection.table(table_name)

for key, row in table.scan(limit=5000):  #BOOM!
    pass

省略一些列或将行限制为更少或指定开始和停止键，允许扫描成功。我无法从堆栈跟踪中检测出哪些值存在问题 - 它在列之间变化 - 扫描失败。这使得在源头清理数据成为问题。

当我利用python调试器时，我发现块（类型为 google.bigtable.v2.bigtable_pb2.CellChunk ）没有值（它是NULL / undefined）：

ipdb> pp chunk.value
b''
ipdb> chunk.value_size
0

我可以使用rowkey中的HBase shell确认这一点（我来自 self._row.row_key ）

所以问题变成了： BigTable如何扫描过滤掉具有未定义/空/空值的列？

我从谷歌云API中获得同样的问题，这些API返回生成器，内部将数据作为块通过gRPC传输：

google.cloud。 happybase .table.Table＃扫描（）
google.cloud。 bigtable .table.Table＃ read_rows （）。 consume_all （）

缩写的堆栈跟踪如下：

---------------------------------------------------------------------------
InvalidChunk                              Traceback (most recent call last)
<ipython-input-48-922c8127f43b> in <module>()
      1 row_gen = table.scan(limit=n) 
      2 rows = []
----> 3 for kvp in row_gen:
      4     pass
.../site-packages/google/cloud/happybase/table.py in scan(self, row_start, row_stop, row_prefix, columns, timestamp, include_timestamp, limit, **kwargs)
    391         while True:
    392             try:
--> 393                 partial_rows_data.consume_next()
    394                 for row_key in sorted(rows_dict):
    395                     curr_row_data = rows_dict.pop(row_key)

.../site-packages/google/cloud/bigtable/row_data.py in consume_next(self)
    273         for chunk in response.chunks:
    274 
--> 275             self._validate_chunk(chunk)
    276 
    277             if chunk.reset_row:

.../site-packages/google/cloud/bigtable/row_data.py in _validate_chunk(self, chunk)
    388             self._validate_chunk_new_row(chunk)
    389         if self.state == self.ROW_IN_PROGRESS:
--> 390             self._validate_chunk_row_in_progress(chunk)
    391         if self.state == self.CELL_IN_PROGRESS:
    392             self._validate_chunk_cell_in_progress(chunk)

.../site-packages/google/cloud/bigtable/row_data.py in _validate_chunk_row_in_progress(self, chunk)
    368         self._validate_chunk_status(chunk)
    369         if not chunk.HasField('commit_row') and not chunk.reset_row:
--> 370             _raise_if(not chunk.timestamp_micros or not chunk.value)
    371         _raise_if(chunk.row_key and
    372                   chunk.row_key != self._row.row_key)

.../site-packages/google/cloud/bigtable/row_data.py in _raise_if(predicate, *args)
    439     """Helper for validation methods."""
    440     if predicate:
--> 441         raise InvalidChunk(*args)

InvalidChunk:

您能告诉我如何从Python扫描BigTable，忽略/记录引发InvalidChunk的脏行吗？ （尝试...除了不会解决生成器问题，这是在google云API row_data PartialRowsData 类中）

另外，你能告诉我在BigTable中使用表格扫描的块流代码吗？ HappyBase batch_size ＆amp; scan_batching 似乎不受支持。

Answer 1

这可能是由于以下错误：https://github.com/googleapis/google-cloud-python/issues/2980

该错误已修复，因此不再是问题。

如何处理BigTable Scan InvalidChunk异常？

1 个答案: