数据流大侧输入中的Apache波束

Question

这与这个问题最为相似。

我正在Dataflow 2.x中创建一个管道，它从Pubsub队列获取流式输入。进入的每一条消息都需要通过来自Google BigQuery的一个非常大的数据集进行流式传输，并且在写入数据库之前附加了所有相关的值（基于一个键）。

问题是来自BigQuery的映射数据集非常大--任何将其用作侧输入的尝试都失败了，数据流运行程序会抛出错误“java.lang.IllegalArgumentException：ByteString would be too long”。我尝试了以下策略：

1）侧输入

• 如前所述，映射数据（显然）太大，无法执行此操作。如果我在这里错了，或者有解决方法，请告诉我，因为这将是最简单的解决方案。

2）键值对映射

• 在此策略中，我在管道的第一部分读取BigQuery数据和Pubsub消息数据，然后运行每个贯穿ParDo转换，将PCollections中的每个值更改为KeyValue对。然后，我运行一个Merge.Flatten转换和一个GroupByKey转换，将相关的映射数据附加到每个消息。
• 这里的问题是，流数据需要窗口化才能与其他数据合并，因此我必须将窗口化也应用于大的、有界的BigQuery数据。它还要求两个数据集上的窗口化策略相同。但是没有一个有界数据的窗口化策略是有意义的，我所做的几次窗口化尝试只是在一个窗口中发送所有BQ数据，然后再也不发送了。它需要与每个传入的pubsub消息连接。

3）直接在ParDo（DoFn）中调用BQ

• 这似乎是个好主意-让每个工作者声明地图数据的静态实例。如果不存在，那么直接调用BigQuery来获取它。不幸的是，这每次都会从BigQuery中抛出内部错误（在整个消息中只说“内部错误”）。向谷歌提交了一张支持票，结果他们告诉我，基本上，“你不能那样做”。

似乎这个任务并不符合“尴尬的并行”模型，所以我是不是找错了地方？

编辑：

即使在dataflow中使用高内存机器并尝试将侧边输入到map视图中，我也会得到错误java.lang.IllegalArgumentException：ByteString would be too long

下面是我正在使用的代码的一个示例（psuedo）：

    Pipeline pipeline = Pipeline.create(options);

    PCollectionView<Map<String, TableRow>> mapData = pipeline
            .apply("ReadMapData", BigQueryIO.read().fromQuery("SELECT whatever FROM ...").usingStandardSql())
            .apply("BQToKeyValPairs", ParDo.of(new BQToKeyValueDoFn())) 
            .apply(View.asMap());

    PCollection<PubsubMessage> messages = pipeline.apply(PubsubIO.readMessages()
            .fromSubscription(String.format("projects/%1$s/subscriptions/%2$s", projectId, pubsubSubscription)));

    messages.apply(ParDo.of(new DoFn<PubsubMessage, TableRow>() {
        @ProcessElement
        public void processElement(ProcessContext c) {
            JSONObject data = new JSONObject(new String(c.element().getPayload()));
            String key = getKeyFromData(data);
            TableRow sideInputData = c.sideInput(mapData).get(key);
            if (sideInputData != null) {
                LOG.info("holyWowItWOrked");
                c.output(new TableRow());
            } else {
                LOG.info("noSideInputDataHere");
            }
        }
    }).withSideInputs(mapData));

管道抛出异常并在从pardo中记录任何内容之前失败。

堆栈跟踪：

java.lang.IllegalArgumentException: ByteString would be too long: 644959474+1551393497
        com.google.cloud.dataflow.worker.repackaged.com.google.protobuf.ByteString.concat(ByteString.java:524)
        com.google.cloud.dataflow.worker.repackaged.com.google.protobuf.ByteString.balancedConcat(ByteString.java:576)
        com.google.cloud.dataflow.worker.repackaged.com.google.protobuf.ByteString.balancedConcat(ByteString.java:575)
        com.google.cloud.dataflow.worker.repackaged.com.google.protobuf.ByteString.balancedConcat(ByteString.java:575)
        com.google.cloud.dataflow.worker.repackaged.com.google.protobuf.ByteString.balancedConcat(ByteString.java:575)
        com.google.cloud.dataflow.worker.repackaged.com.google.protobuf.ByteString.copyFrom(ByteString.java:559)
        com.google.cloud.dataflow.worker.repackaged.com.google.protobuf.ByteString$Output.toByteString(ByteString.java:1006)
        com.google.cloud.dataflow.worker.WindmillStateInternals$WindmillBag.persistDirectly(WindmillStateInternals.java:575)
        com.google.cloud.dataflow.worker.WindmillStateInternals$SimpleWindmillState.persist(WindmillStateInternals.java:320)
        com.google.cloud.dataflow.worker.WindmillStateInternals$WindmillCombiningState.persist(WindmillStateInternals.java:951)
        com.google.cloud.dataflow.worker.WindmillStateInternals.persist(WindmillStateInternals.java:216)
        com.google.cloud.dataflow.worker.StreamingModeExecutionContext$StepContext.flushState(StreamingModeExecutionContext.java:513)
        com.google.cloud.dataflow.worker.StreamingModeExecutionContext.flushState(StreamingModeExecutionContext.java:363)
        com.google.cloud.dataflow.worker.StreamingDataflowWorker.process(StreamingDataflowWorker.java:1000)
        com.google.cloud.dataflow.worker.StreamingDataflowWorker.access$800(StreamingDataflowWorker.java:133)
        com.google.cloud.dataflow.worker.StreamingDataflowWorker$7.run(StreamingDataflowWorker.java:771)
        java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
        java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
        java.lang.Thread.run(Thread.java:745)

Answer 1

查看本文https://cloud.google.com/blog/products/gcp/guide-to-common-cloud-dataflow-use-case-patterns-part-2中的“pattern：Streaming mode large lookup tables”一节（这可能是唯一可行的解决方案，因为您的侧输入不适合内存）：

描述：

一个大的（以GBs为单位）查找表必须是精确的，并且经常更改或者不适合内存。

示例：

您有来自零售商的销售点信息，并且需要将产品项的名称与包含ProductID的数据记录相关联。在一个可以不断变化的外部数据库中存储着数十万个项目。此外，必须使用正确的值处理所有元素。

解决方案：

使用“调用外部服务进行数据充实”模式，但不是调用微服务，而是直接调用读优化的NoSQL数据库（如Cloud Datastore或Cloud Bigtable）。

对于要查找的每个值，使用KV实用程序类创建一个键值对。执行GroupByKey以创建相同键类型的批以对数据库进行调用。在DoFn中，向数据库调用该键，然后通过遍历迭代程序将该值应用于所有值。按照“调用外部服务进行数据充实”中所述的客户端实例化的最佳实践。

本文介绍了其他相关模式：https://cloud.google.com/blog/products/gcp/guide-to-common-cloud-dataflow-use-case-patterns-part-1:

• 模式：缓慢更改的查找缓存
• 模式：调用外部服务进行数据充实