Можно ли использовать как Pub / Sub, так и BigQuery в качестве входных данных в потоке данных Google? - PullRequest
Новая
       5

Можно ли использовать как Pub / Sub, так и BigQuery в качестве входных данных в потоке данных Google?

0 голосов
/ 10 января 2019

В моем проекте я хочу использовать потоковый конвейер в потоке данных Google для обработки сообщений Pub / Sub. При очистке входных данных я также хотел бы получить побочный ввод от BigQuery. Это создало проблему, из-за которой один из двух входов не работает.

Я установил в своем конвейере параметры потоковой передачи = True, что позволяет правильно обрабатывать входы Pub / Sub. Но BigQuery не совместим с потоковыми конвейерами (см. Ссылку ниже):

https://cloud.google.com/dataflow/docs/resources/faq#what_are_the_current_limitations_of_streaming_mode

Я получил эту ошибку: «ValueError: Cloud Pub / Sub в настоящее время доступен для использования только в потоковых конвейерах». Это понятно исходя из ограничений.

Но я только хочу использовать BigQuery в качестве побочного ввода для отображения данных на входящий поток данных Pub ​​/ Sub. Локально работает, но когда я пытаюсь запустить его в потоке данных, он возвращает ошибку.

Кто-нибудь нашел хороший обходной путь для этого?

РЕДАКТИРОВАТЬ: добавив рамки моего конвейера ниже для справки: 

# Set all options needed to properly run the pipeline
options = PipelineOptions(streaming=True,
                          runner='DataflowRunner', 
                          project=project_id)

p = beam.Pipeline(options = options)

n_tbl_src = (p
         | 'Nickname Table Read' >> beam.io.Read(beam.io.BigQuerySource(
            table = nickname_spec
        )))

# This is the main Dataflow pipeline. This will clean the incoming dataset for importing into BQ.
clean_vote = (p
              | beam.io.gcp.pubsub.ReadFromPubSub(topic = None,
                                     subscription = 'projects/{0}/subscriptions/{1}'
                                                  .format(project_id, subscription_name),
                                     with_attributes = True)
              | 'Isolate Attributes' >> beam.ParDo(IsolateAttrFn())
              | 'Fix Value Types' >> beam.ParDo(FixTypesFn())
              | 'Scrub First Name' >> beam.ParDo(ScrubFnameFn())
              | 'Fix Nicknames' >> beam.ParDo(FixNicknameFn(), n_tbl=AsList(n_tbl_src))
              | 'Scrub Last Name' >> beam.ParDo(ScrubLnameFn()))


# The final dictionary will then be written to BigQuery for storage
(clean_vote | 'Write to BQ' >> beam.io.WriteToBigQuery(
    table = bq_spec,
    write_disposition = beam.io.BigQueryDisposition.WRITE_APPEND,
    create_disposition = beam.io.BigQueryDisposition.CREATE_NEVER
))

# Run the pipeline
p.run()

1 Ответ

0 голосов
/ 11 января 2019

@ Комментарий Пабло выше был правильным ответом. Для тех, кто работает в такой же ситуации, ниже приведены изменения в моем скрипте, которые сработали. 

# This opens the Beam pipeline to run Dataflow
p = beam.Pipeline(options = options)
logging.info('Created Dataflow pipeline.')

# This will pull in all of the recorded nicknames to compare to the incoming PubSubMessages.

client = bigquery.Client()
query_job = client.query("""
    select * from `{0}.{1}.{2}`""".format(project_id, dataset_id, nickname_table_id))
nickname_tbl = query_job.result()
nickname_tbl = [dict(row.items()) for row in nickname_tbl]

# This is the main Dataflow pipeline. This will clean the incoming dataset for importing into BQ.
clean_vote = (p
              | beam.io.gcp.pubsub.ReadFromPubSub(topic = None,
                                     subscription = 'projects/{0}/subscriptions/{1}'
                                                  .format(project_id, subscription_name),
                                     with_attributes = True)
              | 'Isolate Attributes' >> beam.ParDo(IsolateAttrFn())
              | 'Fix Value Types' >> beam.ParDo(FixTypesFn())
              | 'Scrub First Name' >> beam.ParDo(ScrubFnameFn())
              | 'Fix Nicknames' >> beam.ParDo(FixNicknameFn(), n_tbl=nickname_tbl)
              | 'Scrub Last Name' >> beam.ParDo(ScrubLnameFn()))


# The final dictionary will then be written to BigQuery for storage
(clean_vote | 'Write to BQ' >> beam.io.WriteToBigQuery(
    table = bq_spec,
    write_disposition = beam.io.BigQueryDisposition.WRITE_APPEND,
    create_disposition = beam.io.BigQueryDisposition.CREATE_NEVER
))

# Run the pipeline
p.run()
...