带有Kafka源和数据流跑步者的Beam Java SDK 2.10.0:窗口计数

Question

我在Google DataFlow上有一个问题运行Beam SDK到2.10.0作业

流程很简单：我使用kafka作为源，然后应用固定的窗口，然后按键计数元素。但是看起来数据永远不会离开计数阶段，直到工作排干。Count.PerElement/Combine.perKey(Count)/Combine.GroupedValues.out0的输出收集始终为零。元素仅在排出数据流工作后发出。

这是代码：

public KafkaProcessingJob(BaseOptions options) {
    PCollection<GenericRecord> genericRecordPCollection = Pipeline.create(options)
                     .apply("Read binary Kafka messages", KafkaIO.<String, byte[]>read()
                           .withBootstrapServers(options.getBootstrapServers())
                           .updateConsumerProperties(configureConsumerProperties())
                           .withCreateTime(Duration.standardMinutes(1L))
                           .withTopics(inputTopics)
                           .withReadCommitted()
                           .commitOffsetsInFinalize()
                           .withKeyDeserializer(StringDeserializer.class)
                           .withValueDeserializer(ByteArrayDeserializer.class))
                    .apply("Map binary message to Avro GenericRecord", new DecodeBinaryKafkaMessage());
                    .apply("Apply windowing to records", Window.into(FixedWindows.of(Duration.standardMinutes(5)))
                                       .triggering(Repeatedly.forever(AfterWatermark.pastEndOfWindow()))
                                       .discardingFiredPanes()
                                       .withAllowedLateness(Duration.standardMinutes(5)))
                    .apply("Write aggregated data to BigQuery", MapElements.into(TypeDescriptors.strings()).via(rec -> getKey(rec)))
                            .apply(Count.<String>perElement())
                            .apply(
                                new WriteWindowedToBigQuery<>(
                                    project,
                                    dataset,
                                    table,
                                    configureWindowedTableWrite()));   
}
private Map<String, Object> configureConsumerProperties() {
    Map<String, Object> configUpdates = Maps.newHashMap();
    configUpdates.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");
    return configUpdates;
}
private static String getKey(GenericRecord record) {
    //extract key
}

看起来Flow永远不会离开.apply(Count.<String>perElement())

的阶段

有人可以帮忙吗？

Answer 1

我找到了原因。

它与此处使用的timestamppolicy有关（.withCreateTime(Duration.standardMinutes(1L))）。

由于我们的kafka主题中存在空分区，因此使用默认的TimestAmplicy从未提出主题水印。我需要实施自定义策略来解决问题。