如何将CSV转换为Apache Beam数据流中的字典

Question

我想读取一个csv文件，并使用apache
beam数据流将其写入BigQuery。为此，我需要以字典的形式将数据呈现给BigQuery。我该如何使用apache beam转换数据来做到这一点？

我的输入csv文件有两列，我想在BigQuery中创建随后的两列表。我知道如何在BigQuery中创建数据，这很简单，我不知道如何将csv转换为字典。下面的代码是不正确的，但应该给出我要做什么的想法。

# Standard imports
import apache_beam as beam
# Create a pipeline executing on a direct runner (local, non-cloud).
p = beam.Pipeline('DirectPipelineRunner')
# Create a PCollection with names and write it to a file.
(p
| 'read solar data' >> beam.Read(beam.io.TextFileSource('./sensor1_121116.csv'))
# How do you do this??
| 'convert to dictionary' >> beam.Map(lambda (k, v): {'luminosity': k, 'datetime': v})
| 'save' >> beam.Write(
   beam.io.BigQuerySink(
   output_table,
   schema='month:INTEGER, tornado_count:INTEGER',
   create_disposition=beam.io.BigQueryDisposition.CREATE_IF_NEEDED,
   write_disposition=beam.io.BigQueryDisposition.WRITE_TRUNCATE)))
p.run()

Answer 1

编辑：从2.12.0版开始，Beam附带了新的fileio转换，使您可以从CSV读取数据而不必重新实现源代码。您可以这样做：

def get_csv_reader(readable_file):
  # You can return whichever kind of reader you want here
  # a DictReader, or a normal csv.reader.
  if sys.version_info >= (3, 0):
    return csv.reader(io.TextIOWrapper(readable_file.open()))
  else:
    return csv.reader(readable_file.open())

with Pipeline(...) as p:
  content_pc = (p
                | beam.io.fileio.MatchFiles("/my/file/name")
                | beam.io.fileio.ReadMatches()
                | beam.Reshuffle()  # Useful if you expect many matches
                | beam.FlatMap(get_csv_reader))

我最近为Apache
Beam编写了一个测试。您可以查看Github存储库。

旧的答案 依赖于重新实现源。这已不再是推荐的主要方法：）

想法是有一个返回已解析的CSV行的源。您可以通过对FileBasedSource类进行子类化以包括CSV解析来实现。特别是，该read_records函数将如下所示：

class MyCsvFileSource(apache_beam.io.filebasedsource.FileBasedSource):
  def read_records(self, file_name, range_tracker):
    self._file = self.open_file(file_name)

    reader = csv.reader(self._file)

    for rec in reader:
      yield rec