Question

没有关于如何将pCollections转换为输入到.CoGroupByKey（）

所需的pCollections的文档

上下文基本上我有两个大的pCollections，我需要能够找到两者之间的差异，对于II型ETL更改（如果它不存在于pColl1中然后添加到pColl2中找到的嵌套字段），那么我就是能够从BigQuery保留这些记录的历史记录。

管道架构：

将BQ表读入2个pCollections：dwsku和product。
将CoGroupByKey（）应用于两组以返回 - ＆gt;结果
解析结果以查找dwsku中的所有更改并将其嵌套到产品中。

建议任何帮助。我在SO上发现了一个java链接，它完成了我需要完成的同样的事情（但是在Python SDK上没有任何内容）。

Convert from PCollection<TableRow> to PCollection<KV<K,V>>

是否有针对Apache Beam的文档/支持，尤其是Python SDK？

Answer 1

为了让CoGroupByKey()正常工作，您需要PCollections tuples，其中第一个元素是键，第二个 - < strong>数据。

在你的情况下，你说你有BigQuerySource，它在当前版本的Apache Beam输出PCollection of dictionaries（code）中，其中每个条目代表表格中的一行被读过。您需要将此PCollections映射到元组，如上所述。使用ParDo：

很容易做到这一点

class MapBigQueryRow(beam.DoFn):
    def process(self, element, key_column):
        key = element.get(key_column)
        yield key, element


data1 = (p
            | "Read #1 BigQuery table" >> beam.io.Read(beam.io.BigQuerySource(query="your query #1"))
            | "Map #1 to KV" >> beam.ParDo(MapBigQueryRow(), key_column="KEY_COLUMN_IN_TABLE_1"))

data2 = (p
            | "Read #2 BigQuery table" >> beam.io.Read(beam.io.BigQuerySource(query="your query #2"))
            | "Map #2 to KV" >> beam.ParDo(MapBigQueryRow(), key_column="KEY_COLUMN_IN_TABLE_2"))

co_grouped = ({"data1": data1, "data2": data2} | beam.CoGroupByKey())

# do your processing with co_grouped here

BTW，可以找到用于Apache Beam的Python SDK文档here。

如何将表行PCollections转换为Python中的键值PCollections？

1 个答案: