避免在Beam Python SDK中重新计算所有云存储文件的大小

Question

我正在开发一个从谷歌云存储（GCS）目录中读取约500万个文件的管道。我已经将其配置为在谷歌云数据流上运行。

问题是，当我启动管道时，需要花费数小时“计算”所有文件的大小：

INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 10000 files
[...]
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 5480000 files
INFO:apache_beam.io.gcp.gcsio:Finished listing 5483720 files in 5549.38778591156 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 10000 files
[...]
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 5480000 files
INFO:apache_beam.io.gcp.gcsio:Finished listing 5483720 files in 7563.196493148804 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 10000 files
[...]

如你所见，计算大约5.5M文件的大小需要一个半小时（5549秒），然后从头开始！又花了2个小时运行第二遍，然后又启动了第三遍！截至本文撰写之时，该作业在数据流控制台中仍然不可用，这使我相信这一切都发生在我的本地机器上，并且没有利用任何分布式计算。

当我使用较小的输入数据集（2个文件）测试管道时，它会重复大小估计4次：

INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished listing 2 files in 0.33771586418151855 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished listing 2 files in 0.1244659423828125 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished listing 2 files in 0.13422417640686035 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished listing 2 files in 0.14139890670776367 seconds.

以这种速度，仅执行4次所有5.5M文件的GCS大小估计就需要大约8小时，所有这些都在数据流作业开始之前。

我的管道配置了--runner=DataflowRunner选项，因此它应该在Dataflow中运行：

python bigquery_import.py --runner=DataflowRunner #other options...

管道从GCS读取如下内容：

parser = argparse.ArgumentParser()
parser.add_argument(
    '--input',
    required=True,
    help='Input Cloud Storage directory to process.')
known_args, pipeline_args = parser.parse_known_args(argv)
pipeline_options = PipelineOptions(pipeline_args)
pipeline_options.view_as(SetupOptions).save_main_session = True

with beam.Pipeline(options=pipeline_options) as p:
    files = p | beam.io.ReadFromText('gs://project/dir/*.har.gz')

有关完整代码，请参阅GitHub上的bigquery_import.py。

我不明白为什么这个繁琐的过程发生在数据流环境之外，为什么它需要多次执行。我从地面军事系统读取的文件是正确的还是有更有效的方法？

Answer 1

谢谢你的报道。Beam有两个转换用于读取文本。ReadFromText和ReadAllFromText。ReadFromText将遇到此问题，但ReadAllFromText不应该遇到此问题。

https://github.com/apache/beam/blob/master/sdks/python/apache_beam/io/textio.py#L438

ReadAllFromText的缺点是它不会执行动态工作重新平衡，但在读取大量文件时，这应该不是问题。

创建https://issues.apache.org/jira/browse/BEAM-9620用于跟踪ReadFromText（通常是基于文件的源）的问题。