GCP Dataflow-从Storage读取CSV文件并写入BigQuery

Question

我在Storage中有一个CSV文件，我想阅读它并将其写入BigQuery Table。这是我的CSV文件，其中第一行是标题：

GroupName,Groupcode,GroupOwner,GroupCategoryID
System Administrators,sysadmin,13456,100
Independence High Teachers,HS Teachers,,101
John Glenn Middle Teachers,MS Teachers,13458,102
Liberty Elementary Teachers,Elem Teachers,13559,103
1st Grade Teachers,1stgrade,,104
2nd Grade Teachers,2nsgrade,13561,105
3rd Grade Teachers,3rdgrade,13562,106
Guidance Department,guidance,,107
Independence Math Teachers,HS Math,13660,108
Independence English Teachers,HS English,13661,109
John Glenn 8th Grade Teachers,8thgrade,,110
John Glenn 7th Grade Teachers,7thgrade,13452,111
Elementary Parents,Elem Parents,,112
Middle School Parents,MS Parents,18001,113
High School Parents,HS Parents,18002,114

这是我的代码：

    public class StorgeBq {

        public static class StringToRowConverter extends DoFn<String, TableRow> {

            private String[] columnNames;

            private boolean isFirstRow = true;

            @ProcessElement
            public void processElement(ProcessContext c) {
                TableRow row = new TableRow();

                String[] parts = c.element().split(",");

                if (isFirstRow) {
                    columnNames = Arrays.copyOf(parts, parts.length);
                    isFirstRow = false;
                } else {
                    for (int i = 0; i < parts.length; i++) {
                        row.set(columnNames[i], parts[i]);
                    }
                    c.output(row);
                }
            }
        }

        public static void main(String[] args) {

            DataflowPipelineOptions options = PipelineOptionsFactory.fromArgs(args).withValidation()
                      .as(DataflowPipelineOptions.class);
                    options.setZone("europe-west1-c");
                    options.setProject("mydata-dev");
                    options.setRunner(DataflowRunner.class);
                    Pipeline p = Pipeline.create(options);

            p.apply("ReadLines", TextIO.read().from("gs://mydata3-dataflow/C2ImportGroupsSample.csv"))
            .apply("ConverToBqRow",ParDo.of(new StringToRowConverter()))
            .apply("WriteToBq", BigQueryIO.<TableRow>writeTableRows()
                    .to("mydata-dev:DF_TEST.dataflow_table")
                    .withWriteDisposition(WriteDisposition.WRITE_APPEND)
                    .withCreateDisposition(CreateDisposition.CREATE_NEVER));
            p.run().waitUntilFinish();
        }

}

有一些问题： 1）当作业开始执行时，我看到有一个名为“DropInputs”的进程，我没有在我的代码中定义!!并在所有任务开始之前运行，为什么??

2）为什么pipline不以第一个任务“ReadLines”开头？ 3）在日志文件中，我看到在任务“WriteToBq”中它试图找到一个数据作为字段，例如“一年级教师”不是一个字段而是“GroupName”的数据：

"message" : "JSON parsing error in row starting at position 0: No such field: 1st Grade Teachers.",

Answer 1

您的代码中存在一些问题。但是，首先，关于＆＃34; DropInputs＆＃34;阶段 - 你可以放心地忽略它。这是this错误报告的结果。我仍然不明白为什么需要展示它（这让我们很多用户感到困惑），而且我也喜欢Google的Google员工。在我看来，这只是一团糟。

对，现在你的代码：

1. 您假设第一行读取将是您的标题。这是一个不正确的假设。数据流并行读取，因此标题行可以随时到达。不是使用boolean标记进行检查，而是每次都在string中检查ParDo值本身，例如if (c.element.contains("GroupName") then..
2. 您缺少BigQuery表架构。您需要将withSchema(..)添加到BigQuery接收器。这是我的一条公共渠道中的example。