首页 文章

如何将CSV文件导入BigQuery表而不使用任何列名或模式？

提问于
浏览 次
11

我目前正在编写一个Java实用程序，用于将几个CSV文件从GCS导入BigQuery . 我可以通过 bq load 轻松实现这一点，但我想使用Dataflow作业来实现 . 所以我'm using Dataflow'的Pipeline和ParDo转换器（返回TableRow将它应用于BigQueryIO）我已经为转换创建了StringToRowConverter（） . 这里实际问题开始了 - 我被迫为目标表指定模式，尽管我不存在 - 只是尝试加载数据 . 所以我不想手动设置TableRow的列名，因为我有大约600列 .

public class StringToRowConverter extends DoFn<String, TableRow> {

private static Logger logger = LoggerFactory.getLogger(StringToRowConverter.class);

public void processElement(ProcessContext c) {
    TableRow row = new TableRow();          
    row.set("DO NOT KNOW THE COLUMN NAME", c.element());
    c.output(row);
}
}

此外，假设该表已存在于BigQuery数据集中，我不需要创建它，并且CSV文件也包含正确顺序的列 .

如果此方案没有解决方法，并且数据加载需要列名，那么我可以将其放在CSV文件的第一行中 .

任何帮助将不胜感激 .

java csv google-bigquery google-cloud-dataflow

1 回答

  • 6

    为避免创建表，应在管道配置期间使用BigQueryIO.Write的BigQueryIO.Write.CreateDisposition.CREATE_NEVER . 资料来源：https://cloud.google.com/dataflow/java-sdk/JavaDoc/com/google/cloud/dataflow/sdk/io/BigQueryIO.Write

    您不需要事先了解BigQuery表模式，您可以动态地发现它 . 例如，您可以使用BigQuery API（https://cloud.google.com/bigquery/docs/reference/rest/v2/tables/get）查询表模式，并将其作为StringToRowConverter类的参数传递 . 另一个选项并假设第一行是 Headers ，是跳过第一行并使用它来正确映射文件的其余部分 .

    下面的代码实现了第二种方法，并将输出配置为附加到现有的BigQuery表 .

    public class DFJob {

    public static class StringToRowConverter extends DoFn<String, TableRow> {

        private String[] columnNames;

        private boolean isFirstRow = true;

        public void processElement(ProcessContext c) {
            TableRow row = new TableRow();

            String[] parts = c.element().split(",");

            if (isFirstRow) {
                columnNames = Arrays.copyOf(parts, parts.length);
                isFirstRow = false;
            } else {
                for (int i = 0; i < parts.length; i++) {
                    row.set(columnNames[i], parts[i]);
                }
                c.output(row);
            }
        }
    }

    public static void main(String[] args) {
        DataflowPipelineOptions options = PipelineOptionsFactory.create()
                .as(DataflowPipelineOptions.class);
        options.setRunner(BlockingDataflowPipelineRunner.class);

        Pipeline p = Pipeline.create(options);

        p.apply(TextIO.Read.from("gs://dataflow-samples/myfile.csv"))
                .apply(ParDo.of(new StringToRowConverter()))
                .apply(BigQueryIO.Write.to("myTable")
                        .withCreateDisposition(BigQueryIO.Write.CreateDisposition.CREATE_NEVER)
                        .withWriteDisposition(BigQueryIO.Write.WriteDisposition.WRITE_APPEND));

        PipelineResult result = p.run();
    }
}
    回复于

相关问题