我正在在数据流中设置Java管道,以读取.csv
文件并根据文件的内容创建一堆Begtable行。我在笨拙的文档中看到了注释,与Boogtable连接是一个"昂贵"的操作,只能进行一次并在需要它的功能之间共享连接是一个好主意。
但是,如果我将连接对象声明为主类中的 public static
变量,并且首先连接到主函数中的bigtable,那么当我随后尝试在DoFn
子类的processElement()
中引用连接时,我会获得NullPointerException
作为我的数据流管线的一部分。
相反,如果我将连接声明为实际DoFn
类中的静态变量,则该操作成功工作。
做到这一点的最佳实践或最佳方法是什么?
我担心,如果我在大规模上实现第二个选项,我将浪费大量时间和资源。如果我将变量保持在DoFn
类中的静态,这是否足以确保API不尝试每次重新建立连接?
我意识到有一个特殊的bigtable i/o调用与Bigtable同步数据流管线对象,但我认为我需要自己编写一个对象,以在DoFn
processElement()
函数中构建一些特殊的逻辑... p>这是"工作"代码的样子:
class DigitizeBT extends DoFn<String, String>{
private static Connection m_locConn;
@Override
public void processElement(ProcessContext c)
{
try
{
m_locConn = BigtableConfiguration.connect("projectID", "instanceID");
Table tbl = m_locConn.getTable(TableName.valueOf("TableName"));
Put put = new Put(Bytes.toBytes(rowKey));
put.addColumn(
Bytes.toBytes("CF1"),
Bytes.toBytes("SomeName"),
Bytes.toBytes("SomeValue"));
tbl.put(put);
}
catch (IOException e)
{
e.printStackTrace();
System.exit(1);
}
}
}
这是更新的代码,fyi:
public void SmallKVJob()
{
CloudBigtableScanConfiguration config = new CloudBigtableScanConfiguration.Builder()
.withProjectId(DEF.ID_PROJ)
.withInstanceId(DEF.ID_INST)
.withTableId(DEF.ID_TBL_UNITS)
.build();
DataflowPipelineOptions options = PipelineOptionsFactory.as(DataflowPipelineOptions.class);
options.setProject(DEF.ID_PROJ);
options.setStagingLocation(DEF.ID_STG_LOC);
// options.setNumWorkers(3);
// options.setMaxNumWorkers(5);
// options.setRunner(BlockingDataflowPipelineRunner.class);
options.setRunner(DirectPipelineRunner.class);
Pipeline p = Pipeline.create(options);
p.apply(TextIO.Read.from(DEF.ID_BAL))
.apply(ParDo.of(new DoFn1()))
.apply(ParDo.of(new DoFn2()))
.apply(ParDo.of(new DoFn3(config)));
m_log.info("starting to run the job");
p.run();
m_log.info("finished running the job");
}
}
class DoFn1 extends DoFn<String, KV<String, Integer>>
{
@Override
public void processElement(ProcessContext c)
{
c.output(KV.of(c.element().split("\,")[0],Integer.valueOf(c.element().split("\,")[1])));
}
}
class DoFn2 extends DoFn<KV<String, Integer>, KV<String, Integer>>
{
@Override
public void processElement(ProcessContext c)
{
int max = c.element().getValue();
String name = c.element().getKey();
for(int i = 0; i<max;i++)
c.output(KV.of(name, 1));
}
}
class DoFn3 extends AbstractCloudBigtableTableDoFn<KV<String, Integer>, String>
{
public DoFn3(CloudBigtableConfiguration config)
{
super(config);
}
@Override
public void processElement(ProcessContext c)
{
try
{
Integer max = c.element().getValue();
for(int i = 0; i<max; i++)
{
String owner = c.element().getKey();
String rnd = UUID.randomUUID().toString();
Put p = new Put(Bytes.toBytes(owner+"*"+rnd));
p.addColumn(Bytes.toBytes(DEF.ID_CF1), Bytes.toBytes("Owner"), Bytes.toBytes(owner));
getConnection().getTable(TableName.valueOf(DEF.ID_TBL_UNITS)).put(p);
c.output("Success");
}
} catch (IOException e)
{
c.output(e.toString());
e.printStackTrace();
}
}
}
输入.csv文件看起来像这样:
玛丽,3000
约翰,5000
彼得,2000
因此,对于.csv文件中的每一行,我必须将x行数放入bigtable中,其中x是.csv文件中的第二个单元格...
我们为此目的构建了 AbstractCloudBigtableTableDoFn
(源&amp; docs)。扩展该类而不是DOFN,并致电getConnection()
而不是自己创建连接。
10,000小排应进行一秒钟的实际工作。
编辑:根据注释,应使用bufferedmutator代替table.put()最佳吞吐量。