我试图用Beam / Java编写Dataflow作业,以处理来自Pub / Sub并写入Parquet的一系列事件。 Pub / Sub中的事件采用JSON格式,每个事件都可以生成一个或多个行。我能够编写一个非常简单的示例,编写一个只返回1条记录的ParDo转换。 ParDo看起来像这样

    static class GenerateRecords extends DoFn<String, GenericRecord> {
        @ProcessElement
        public void processElement(ProcessContext context) {
            final GenericData.Record record = new GenericData.Record(schema);
            String msg = context.element();

            com.tsp.de.schema.mschema pRecord = GenerateParquetRecord(msg);


            context.output(pRecord);
        }
    }



和管道的写入部分

                .apply("Write to file",
                FileIO.<GenericRecord>
                        write()
                        .via(
                                ParquetIO.sink(schema)
                                        .withCompressionCodec(CompressionCodecName.SNAPPY)
                        )
                        .to(options.getOutputDirectory())
                        .withNumShards(options.getNumShards())
                        .withSuffix("pfile")
                );


我的问题是,如何概括此ParDo转换以返回记录列表?我尝试了List,但是不起作用,ParquetIO.sink(schema)吠叫“无法通过以下方法解析方法”。

最佳答案

您可以根据需要多次调用context.output()。因此,如果您知道在什么情况下需要发出多个记录的业务逻辑,则只需为每个输出记录调用DoFn。它比拥有context.output(record)容器要简单得多。

PS:顺便说一句,我对如何用PCollectionGenericRecord编写ParquetIO可能有帮助。

10-06 09:51