使用Apache Beam将插入式广告扩展到BigQuery时如何指定insertId

Question

BigQuery支持重复数据删除以进行流插入。如何通过Apache Beam使用此功能？

https://cloud.google.com/bigquery/streaming-data-into-bigquery#dataconsistency

  

为帮助确保数据一致性，可以为每个插入的行提供insertId。 BigQuery至少会记住此ID一分钟。如果您尝试在该时间段内流传输相同的行集，并且设置了insertId属性，则BigQuery将使用insertId属性来尽最大努力消除重复数据。您可能必须重试插入，因为在某些错误情况下（例如系统与BigQuery之间的网络错误或BigQuery中的内部错误），无法确定流插入的状态。如果您重试插入，请对相同的行集使用相同的insertId，以便BigQuery可以尝试对数据进行重复数据删除。有关更多信息，请参阅对流插入进行故障排除。

我在Java文档中找不到此类功能。 https://beam.apache.org/releases/javadoc/2.9.0/org/apache/beam/sdk/io/gcp/bigquery/BigQueryIO.Write.html

在this question中，他建议在TableRow中设置insertId。这是正确的吗？

https://developers.google.com/resources/api-libraries/documentation/bigquery/v2/java/latest/com/google/api/services/bigquery/model/TableRow.html?is-external=true

BigQuery客户端库具有此功能。

https://googleapis.github.io/google-cloud-java/google-cloud-clients/apidocs/index.html?com/google/cloud/bigquery/package-summary.html https://github.com/googleapis/google-cloud-java/blob/master/google-cloud-clients/google-cloud-bigquery/src/main/java/com/google/cloud/bigquery/InsertAllRequest.java#L134

Answer 1

• Pub / Sub + Beam / Dataflow + BigQuery ：应该保证“恰好一次”，您不必为此担心。现在，当您要求Dataflow使用FILE_LOADS而非STREAMING_INSERTS插入BigQuery时，这种保证会更强。

• Kafka + Beam / Dataflow + BigQuery ：如果可以从Kafka多次发出一条消息（例如，如果生产者重试插入），则需要注意-复制。无论是在BigQuery（根据您的评论，目前已实现）中，还是在具有.apply(Distinct.create())转换的数据流中。

Answer 2

正如Felipe在评论中提到的那样，似乎Dataflow已经在使用insertId本身来实现“恰好一次”。因此我们无法手动指定insertId。