我们正在使用 Python SDK 在 google 数据流中运行日志文件解析作业。数据分布在数百个每日日志中,我们通过云存储中的文件模式读取这些日志。所有文件的数据量约为 5-8 GB(gz 文件),总共 50-8000 万行。
loglines = p | ReadFromText('gs://logfile-location/logs*-20180101')
此外,我们还有一个简单(小)的映射 csv,它将日志文件条目映射到人类可读的文本。大约有 400 行,5 kb 大小。
例如,带有 [param=testing2] 的日志文件条目应映射到最终输出中的“客户请求 14 天免费产品试用”。
我们在带有 sideinput 的简单 beam.Map 中执行此操作,如下所示:
customerActions = loglines | beam.Map(map_logentries,mappingTable)
其中map_logentries是映射函数,mappingTable是映射表。
然而,只有当我们通过 open() / read() 读取本机 python 中的映射表时,这才有效。如果我们通过 ReadFromText() 使用光束管道执行相同的操作,并将生成的 PCollection 作为侧输入传递到 Map,如下所示:
mappingTable = p | ReadFromText('gs://side-inputs/category-mapping.csv')
customerActions = loglines | beam.Map(map_logentries,beam.pvalue.AsIter(mappingTable))
性能完全下降到每秒大约 2-3 个项目。
现在,我的问题是:
- 为什么性能会如此严重,通过考试有什么问题
PCollection 作为侧面输入?
- 如果可能不建议使用
PCollections 作为侧面输入,应该如何构建,例如
需要可以/不应该硬编码到的映射的管道
映射函数?
对于我们来说,映射确实经常变化,我需要找到一种方法让“普通”用户提供它。我们的想法是让映射 csv 在 Cloud Storage 中可用,并通过 ReadFromText() 将其简单地合并到管道中。在本地读取它涉及到向工作人员提供映射,因此只有技术团队可以做到这一点。
我知道侧面输入存在缓存问题,但这肯定不适用于 5kb 输入。
上面的所有代码都是伪代码,用于解释问题。对此的任何想法和想法将不胜感激!