我使用FlinkRunner在本地运行以下Beam管道代码 . PubsubIO用于从主题中读取消息 .
我有一个单独的线程,它定期(每30秒)向主题发布消息,并设置“ts”属性,稍后用于推导事件时间 .
自定义转换转换为KV对 -
private static class PubSubMessageGrouper extends DoFn<PubsubMessage, KV<String, PubsubMessage>> {
@ProcessElement
public void processElement(ProcessContext c) {
PubsubMessage element = c.element();
KV<String, PubsubMessage> kv = KV.of(element.getAttribute("key"), element);
c.output(kv);
}
}
请注意,“key”是发布者线程中较早的消息属性中的键集 . 目的是通过此密钥对消息进行下游分组 .
管道代码 -
PCollection<PubsubMessage> pubsubColl = p
.apply(PubsubIO.readMessagesWithAttributes()
.withTimestampAttribute("ts")
.fromTopic("projects/" + projectName + "/topics/beamtest")
);
PCollection<KV<String, PubsubMessage>> idfied =
pubsubColl.apply(ParDo.of(new PubSubMessageGrouper()));
PCollection<KV<String, PubsubMessage>> windowed = idfied
.apply(Window.<KV<String, PubsubMessage>>into(FixedWindows.of(Duration.standardSeconds(15)))
.triggering(
Repeatedly.forever(
AfterWatermark.pastEndOfWindow()
)
)
.withAllowedLateness(Duration.standardSeconds(15))
.discardingFiredPanes());
PCollection<KV<String, Iterable<PubsubMessage>>> grouped = windowed.apply(GroupByKey.create());
grouped.apply(ParDo.of(new KVPrinter()));
变换不是为了便于阅读而链接 . 最后的KVPrinter转换只是打印出从组中收到的消息,一旦我运行,它将随后被实际代码替换 .
当我运行它时,我发现触发器执行了相当长的时间(几分钟或更长时间) . 当它最终触发时,我看到没有收到一些消息(在最后一步) . 这是由于PubsubIO使用的内部水印吗?我的目的是确保所有消息都在groupby中处理,包括在允许的延迟窗口内的后期消息 .
我已经查看了相关问题,但没有得到他们的帮助 . 使用DirectRunner运行相同的操作根本不会产生任何输出,无论我等待多长时间 . 另一点需要注意的是,如果我删除管道的GroupBy部分,则会触发触发器 .
What is the watermark heuristic for PubsubIO running on GCD?
Apache Beam PubSubIO with GroupByKey
Consuming unbounded data in windows with default trigger
注意:即使我没有在Dataflow上测试过,我也用Dataflow标记了这个 . 原因是我打算在Dataflow上部署它,并且还要向正在观看标记的Dataflow团队的人员寻求帮助 .