在Google Cloud Dataflow中按顺序读取文件

Question

我正在使用Spotify Scio来读取从Stackdriver导出到Google云端存储的日志。它们是JSON文件，其中每一行都是单个条目。查看工作日志，似乎文件被拆分为块，然后以任何顺序读取。在这种情况下，我已经将我的工作限制在1名工人身上。有没有办法强制按顺序读取和处理这些块？

作为一个例子（textFile基本上是一个TextIO.Read）：

val sc = ScioContext(myOptions)
sc.textFile(myFile).map(line => logger.info(line))

根据工作日志生成与此类似的输出：

line 5
line 6
line 7
line 8
<Some other work>
line 1
line 2
line 3
line 4
<Some other work>
line 9
line 10
line 11
line 12

我想知道的是，是否有办法强迫它按顺序读取第1-12行。我发现gzipping文件并使用指定的CompressionType读取它是一种解决方法，但我想知道是否有任何方法可以执行此操作，不涉及压缩或更改原始文件。

Answer 1

Google Cloud Dataflow / Apache Beam目前不支持在处理管道时对订单进行排序或保留。允许排序输出的缺点是它为大型数据集输出这样的结果，最终导致单个机器上的瓶颈，这对大型数据集来说是不可扩展的。