Apache Beam是一种大数据处理标准,由谷歌于 2016 年创建。它提供了一套统一的 DSL 用以处理离线和实时数据,并能在目前主流的大数据处理平台上使用,包括 Spark、Flink、以及谷歌自身的商业套件 Dataflow。Beam 的数据模型基于过去的几项研究成果:FlumeJava、Millwheel,适用场景包括 ETL、统计分析、实时计算等。目前,Beam 提供了两种语言的 SDK:Java、Python。本文将讲述如何使用 Python 编写 Beam 应用程序。
安装 Apache Beam
Apache Beam Python SDK 必须使用 Python 2.7.x 版本,你可以安装pyenv来管理不同版本的 Python,或者直接从源代码编译安装(需要支持 SSL)。之后,你便可以在 Python 虚拟环境中安装 Beam SDK 了:
|
|
Wordcount 示例
Wordcount 是大数据领域的 Hello World,我们来看如何使用 Beam 实现:
|
|
运行脚本,我们便可得到每个单词出现的次数:
|
|
Apache Beam 有三个重要的基本概念:Pipeline、PCollection、以及 Transform。
- Pipeline(管道)用以构建数据集和处理过程的 DAG(有向无环图)。我们可以将它看成 MapReduce 中的
Job
或是 Storm 的Topology
。 - PCollection是一种数据结构,我们可以对其进行各类转换操作,如解析、过滤、聚合等。它和 Spark 中的
RDD
概念类似。 - Transform(转换)则用于编写业务逻辑。通过它,我们可以将一个 PCollection 转换成另一个 PCollection。Beam 提供了许多内置的转换函数,我们将在下文讨论。
在本例中,Pipeline
和PipelineOptions
用来创建一个管道。通过with
关键字,上下文管理器会自动调用Pipeline.run
和wait_until_finish
方法。
|
|
|
是 Beam 引入的新操作符,用来添加一个转换。每次转换都可以定义一个唯一的标签,默认由 Beam 自动生成。转换能够串联,我们可以构建出不同形态的转换流程,它们在运行时会表示为一个 DAG。
beam.Create
用来从内存数据创建出一个 PCollection,主要用于测试和演示。Beam 提供了多种内置的输入源(Source)和输出目标(Sink),可以接收和写入有界(Bounded)或无界(Unbounded)的数据,并且能进行自定义。
beam.Map
是一种一对一的转换,本例中我们将一个个单词转换成形如(word, 1)
的元组。beam.FlatMap
则是Map
和Flatten
的结合体,通过它,我们将包含多个单词的数组合并成一个一维的数组。
CombinePerKey
的输入源是一系列的二元组(2-element tuple)。这个操作会将元素的第一个元素作为键进行分组,并将相同键的值(第二个元素)组成一个列表。最后,我们使用beam.ParDo
输出统计结果。这个转换函数比较底层,我们会在下文详述。
输入与输出
目前,Beam Python SDK 对输入输出的支持十分有限。下表列出了现阶段支持的数据源(资料来源):
语言 | 文件系统 | 消息队列 | 数据库 |
---|---|---|---|
Java | HDFS TextIO XML | AMQP Kafka JMS | Hive Solr JDBC |
Python | textio avroio tfrecordio | - | Google Big Query Google Cloud Datastore |
这段代码演示了如何使用textio
对文本文件进行读写:
|
|
通过使用通配符,textio
可以读取多个文件。我们还可以从不同的数据源中读取文件,并用Flatten
方法将多个PCollection
合并成一个。输出文件默认也会是多个,因为 Beam Pipeline 是并发执行的,不同的进程会写入独立的文件。
转换函数
Beam 中提供了基础和上层的转换函数。通常我们更偏向于使用上层函数,这样就可以将精力聚焦在实现业务逻辑上。下表列出了常用的上层转换函数:
转换函数 | 功能含义 |
---|---|
Create(value) | 基于内存中的集合数据生成一个 PCollection。 |
Filter(fn) | 使用fn 函数过滤 PCollection 中的元素。 |
Map(fn) | 使用fn 函数做一对一的转换处理。 |
FlatMap(fn) | 功能和Map 类似,但是fn 需要返回一个集合,里面包含零个或多个元素,最终FlatMap 会将这些集合合并成一个 PCollection。 |
Flatten() | 合并多个 PCollection。 |
Partition(fn) | 将一个 PCollection 切分成多个分区。fn 可以是PartitionFn 或一个普通函数,能够接受两个参数:element 、num_partitions 。 |
GroupByKey() | 输入源必须是使用二元组表示的键值对,该方法会按键进行分组,并返回一个(key, iter<value>) 的序列。 |
CoGroupByKey() | 对多个二元组 PCollection 按相同键进行合并,如输入的是(k, v) 和(k, w) ,则输出(k, (iter<v>, iter<w>)) 。 |
RemoveDuplicates() | 对 PCollection 的元素进行去重。 |
CombinePerKey(fn) | 功能和GroupByKey 类似,但会进一步使用fn 对值列表进行合并。fn 可以是一个CombineFn ,或是一个普通函数,接收序列并返回结果,如sum 、max 函数等。 |
CombineGlobally(fn) | 使用fn 将整个 PCollection 合并计算成单个值。 |
Callable, DoFn, ParDo
可以看到,多数转换函数都会接收另一个函数(Callable)做为参数。在 Python 中,Callable可以是一个函数、类方法、Lambda 表达式、或是任何包含__call__
方法的对象实例。Beam 会将这些函数包装成一个DoFn
类,所有转换函数最终都会调用最基础的ParDo
函数,并将DoFn
传递给它。
我们可以尝试将lambda x: x.split(' ')
这个表达式转换成DoFn
类:
|
|
ParDo
转换和FlatMap
的功能类似,只是它的fn
参数必须是一个DoFn
。除了使用return
,我们还可以用yield
语句来返回结果:
|
|
合并函数
合并函数(CombineFn
)用来将集合数据合并计算成单个值。我们既可以对整个 PCollection 做合并(CombineGlobally
),也可以计算每个键的合并结果(CombinePerKey
)。Beam 会将普通函数(Callable)包装成CombineFn
,这些函数需要接收一个集合,并返回单个结果。需要注意的是,Beam 会将计算过程分发到多台服务器上,合并函数会被多次调用来计算中间结果,因此需要满足交换律和结合律。sum
、min
、max
是符合这样的要求的。
Beam 提供了许多内置的合并函数,如计数、求平均值、排序等。以计数为例,下面两种写法都可以用来统计整个 PCollection 中元素的个数:
|
|
其他合并函数可以参考 Python SDK 的官方文档(链接)。我们也可以自行实现合并函数,只需继承CombineFn
,并实现四个方法。我们以内置的Mean
平均值合并函数的源码为例:
apache_beam/transforms/combiners.py
|
|
复合转换函数
我们简单看一下上文中使用到的beam.combiners.Count.Globally
的源码(链接),它继承了PTransform
类,并在expand
方法中对 PCollection 应用了转换函数。这会形成一个小型的有向无环图,并合并到最终的 DAG 中。我们称其为复合转换函数,主要用于将相关的转换逻辑整合起来,便于理解和管理。
|
|
更多内置的复合转换函数如下表所示:
复合转换函数 | 功能含义 |
---|---|
Count.Globally() | 计算元素总数。 |
Count.PerKey() | 计算每个键的元素数。 |
Count.PerElement() | 计算每个元素出现的次数,类似 Wordcount。 |
Mean.Globally() | 计算所有元素的平均值。 |
Mean.PerKey() | 计算每个键的元素平均值。 |
Top.Of(n, reverse) | 获取 PCollection 中最大或最小的n 个元素,另有 Top.Largest(n), Top.Smallest(n). |
Top.PerKey(n, reverse) | 获取每个键的值列表中最大或最小的n 个元素,另有 Top.LargestPerKey(n), Top.SmallestPerKey(n) |
Sample.FixedSizeGlobally(n) | 随机获取n 个元素。 |
Sample.FixedSizePerKey(n) | 随机获取每个键下的n 个元素。 |
ToList() | 将 PCollection 合并成一个列表。 |
ToDict() | 将 PCollection 合并成一个哈希表,输入数据需要是二元组集合。 |
时间窗口
在处理事件数据时,如访问日志、用户点击流,每条数据都会有一个事件时间属性,而通常我们会按事件时间对数据进行分组统计,这些分组即时间窗口。在 Beam 中,我们可以定义不同的时间窗口类型,能够支持有界和无界数据。由于 Python SDK 暂时只支持有界数据,我们就以一个离线访问日志文件作为输入源,统计每个时间窗口的记录条数。对于无界数据,概念和处理流程也是类似的。
|
|
logmining.py
的完整源码可以在 GitHub(链接)中找到:
|
|
首先,我们需要为每一条记录附加上时间戳。自定义函数extract_timestamp
用以将日志中的时间[07/Mar/2004:16:05:49 -0800]
转换成 Unix 时间戳,TimestampedValue
则会将这个时间戳和对应记录关联起来。之后,我们定义了一个大小为10 分钟,间隔为5 分钟的滑动窗口(Sliding Window)。从零点开始,第一个窗口的范围是[00:00, 00:10)
,第二个窗口的范围是[00:05, 00:15)
,以此类推。所有窗口的长度都是10 分钟,相邻两个窗口之间相隔5 分钟。滑动窗口和固定窗口(Fixed Window)不同,因为相同的元素可能会落入不同的窗口中参与计算。最后,我们使用一个合并函数计算每个窗口中的记录数。通过这个方法得到前五条记录的计算结果为:
|
|
在无界数据的实时计算过程中,事件数据的接收顺序是不固定的,因此需要利用 Beam 的水位线和触发器机制来处理延迟数据(Late Data)。这个话题比较复杂,而且 Python SDK 尚未支持这些特性,感兴趣的读者可以参考 Stream101和102这两篇文章。
Pipeline 运行时
上文中提到,Apache Beam 是一个数据处理标准,只提供了 SDK 和 API,因而必须使用 Spark、Flink 这样的计算引擎来运行它。下表列出了当前支持 Beam Model 的引擎,以及他们的兼容程度: