Question

我有一系列同类词，如何在不知道架构的情况下将它们写入BigQuery？

BigQuerySink要求我在构造架构时指定架构。但是，我不知道架构：它是由我试图写的字母的键定义的。

有没有办法让我的管道推断出架构，然后将它（作为副输入？）提供给接收器？

例如：

# Create a PCollection of dicts, something like
# {'field1': 'myval', 'field2': 10}
data = (p | 'generate_data' >> beam.ParDo(CreateData())

# Infer the schema from the data
# Generates a string for each element (ok to assume all dict keys equal)
# "field1:STRING, field2:INTEGER"
schema = (data
  | 'infer_schema' >> beam.ParDo(InferSchema())
  | 'sample_one'   >> beam.combiners.Sample.FixedSizeGlobally(1))

但是，如何将模式作为参数提供给BigQuerySink，并在beam.io.Write中使用它？

我知道这不正确，但我想做的是：

sink = BigQuerySink(tablename, dataset, project, schema=Materialize(schema))
p | 'write_bigquery' >> beam.io.Write(sink)

TL;博士有没有办法从apache beam创建和编写一个bigquery表，以编程方式从数据中推断出架构？

Answer 1

假设您的架构可以经常更改，您可以更好地将数据保持为更通用的形式。

例如，您的行可能包含一个重复记录（您的字典条目）。

记录架构如下所示：键（STRING）|可选的string_val（STRING）|可选的int_val（INTEGER）可选的double_val（DOUBLE）|可选的boolean_val（BOOLEAN）| ...

然后，您可以编写按类型扫描记录的查询。这样效率稍差（因为如果它们位于不同的列中，您将不得不扫描可能跳过的行），但完全避免预先指定您的架构。

Answer 2

目前，我提出的最佳解决方案是明确地将dict键映射到BigQuery架构。两个好处 - 它围绕必须指定的架构问题工作，它允许我从BigQuery中不想要的字典中过滤掉元素。

SCHEMA = {
  'field1': 'INTEGER',
  'field2': 'STRING',
  ...
}
schema_str = ','.join(['%s:%s' % (k, v) for k,v in SCHEMA.iteritems()])

sink = BigQuerySink(tablename,
        dataset=dataset,
        project=project,
        schema=schema_str,
        write_disposition=BigQueryDisposition.WRITE_TRUNCATE)

(pipeline
  # filters just the keys of each dict to the keys of SCHEMA.
  | 'filter_fields' >> beam.ParDo(FilterFieldKeysDoFn(SCHEMA))
  | 'to_bigquery' >> beam.io.Write(sink))

在Beam管道中以编程方式生成BigQuery模式

2 个答案: