Контекст: У нас есть задание потока данных, которое преобразует сообщения PubSub в Avro GenericRecords и записывает их в GCS как «.avro». Преобразование между сообщениями PubSub и GenericRecords требует схемы. Эта схема меняется еженедельно только с добавлением полей. Мы хотим иметь возможность обновлять поля без обновления задания Dataflow.
Что мы сделали: Мы воспользовались советом этого поста и создали кеш Guava, который обновляет контент каждую минуту. Функция refre sh будет извлекать схему из GCS. Затем мы имеем FileIO.write, запрашивающий кэш Guava, чтобы получить последнюю схему и преобразовать элементы со схемой как GenericRecord. У нас также есть выходы FileIO.write для приемника Avro, который также создается с использованием схемы.
Код выглядит следующим образом:
genericRecordsAsByteArrays.apply(FileIO.<byte[]>write()
.via(fn((input, c) -> {
Map<String, Object> schemaInfo = cache.get("");
Descriptors.Descriptor paymentRecordFd =
(Descriptors.Descriptor) schemaInfo.get(DESCRIPTOR_KEY);
DynamicMessage paymentRecordMsg = DynamicMessage.parseFrom(paymentRecordFd, input);
Schema schema = (Schema) schemaInfo.get(SCHEMA_KEY);
//From concrete PaymentRecord bytes to DynamicMessage
try (ByteArrayOutputStream output = new ByteArrayOutputStream()) {
BinaryEncoder encoder = EncoderFactory.get().directBinaryEncoder(output, null);
ProtobufDatumWriter<DynamicMessage> pbWriter = new ProtobufDatumWriter<>(schema);
pbWriter.write(paymentRecordMsg, encoder);
encoder.flush();
// From dynamic message to GenericRecord
byte[] avroContents = output.toByteArray();
DatumReader<GenericRecord> reader = new GenericDatumReader<>(schema);
BinaryDecoder decoder = DecoderFactory.get().binaryDecoder(avroContents, null);
return reader.read(null, decoder);
}
}, requiresSideInputs()),
fn((output, c) -> {
Map<String, Object> schemaInfo = cache.get("");
Schema schema = (Schema) schemaInfo.get(SCHEMA_KEY);
return AvroIO.sink(schema).withCodec(CodecFactory.snappyCodec());
}, requiresSideInputs()))
.withNumShards(5)
.withNaming(new PerWindowFilenames(baseDir, ".avro"))
.to(baseDir.toString()));
Мои вопросы:
- Что произойдет, когда мы записываем в один файл Avro, но внезапно происходит обновление схемы, и теперь мы записываем новую схему в файл Avro, созданный со старой схемой?
- Запускает ли Dataflow новый файл, когда видит новую схему?
- Поток данных игнорирует новую схему и дополнительные поля, пока не будет создан новый файл?
Каждый файл Avro имеет свою собственную схему в самом начале файла, поэтому я не уверен, каково ожидаемое поведение.