在批处理管道中，如何将时间戳分配给批处理源中的数据（例如Beam管道中的csv文件）

Question

我正在批处理管道中从有界源（csv文件）中读取数据，并希望根据在csv文件中存储为列的数据为元素分配时间戳。如何在Apache Beam管道中执行此操作？

Answer 1

如果批处理的数据源中每个元素都包含基于事件的时间戳，例如，您有一个具有元组{'timestamp, 'userid','ClickedSomething'}的click事件。您可以将时间戳记分配给管道中DoFn中的元素。

Java：

public void process(ProcessContext c){
     c.outputWithTimestamp(
         c.element(), 
         new Instant(c.element().getTimestamp()));
}

Python：

'AddEventTimestamps' >> beam.Map(
            lambda elem: beam.window.TimestampedValue(elem, elem['timestamp']))

[从Beam指南编辑非lambda Python示例：]

class AddTimestampDoFn(beam.DoFn):

  def process(self, element):
    # Extract the numeric Unix seconds-since-epoch timestamp to be
    # associated with the current log entry.
    unix_timestamp = extract_timestamp_from_log_entry(element)
    # Wrap and emit the current entry and new timestamp in a
    # TimestampedValue.
    yield beam.window.TimestampedValue(element, unix_timestamp)

timestamped_items = items | 'timestamp' >> beam.ParDo(AddTimestampDoFn())

[根据安东评论进行编辑] 更多信息，请参见@

https://beam.apache.org/documentation/programming-guide/#adding-timestamps-to-a-pcollections-elements