要保存预处理的 Tensorflow Transform 函数，可以使用 tft_beam.Context 对象的 export 方法来导出函数。下面是一个完整的代码示例：

import tensorflow_transform as tft
import tensorflow_transform.beam as tft_beam
import tensorflow_transform.tf_metadata as metadata
import apache_beam as beam

# 定义预处理函数
def preprocessing_fn(inputs):
    # 执行预处理操作
    outputs = {}
    outputs['output_feature'] = tf.math.log(inputs['input_feature'])
    return outputs

# 定义输入元数据
raw_metadata = metadata.Schema({'input_feature': metadata.TensorRepresentation(tf.float32, [None])})
raw_data = [{'input_feature': 1.0}, {'input_feature': 2.0}, {'input_feature': 3.0}]
raw_metadata.dataset_metadata = metadata.DatasetMetadata(metadata.Schema({}))

# 创建 Tensorflow Transform 预处理管道
with beam.Pipeline() as pipeline:
    with tft_beam.Context(temp_dir='tmp_dir'):
        # 创建输入 PCollection
        raw_data_pcoll = pipeline | beam.Create(raw_data)

        # 使用原始元数据定义并运行预处理函数
        transformed_dataset, transform_fn = (
                (raw_data_pcoll, raw_metadata) |
                tft_beam.AnalyzeAndTransformDataset(preprocessing_fn))

        # 导出预处理函数
        transformed_data, transformed_metadata = transformed_dataset
        tft_beam_io.WriteTransformFn(transform_fn, 'transform_fn')

# 加载导出的预处理函数
transform_fn = tft_beam_io.transform_fn_io.load_transform_fn('transform_fn')

# 使用导出的预处理函数进行转换
transformed_data = transform_fn.transform_raw_data(raw_data)

在上面的示例中，我们首先定义了一个简单的预处理函数 preprocessing_fn，该函数将输入特征取对数。然后，我们定义了输入元数据 raw_metadata，并创建了原始数据 raw_data。接下来，我们使用 tft_beam.Context 对象创建了预处理管道，并使用 tft_beam.AnalyzeAndTransformDataset 运行预处理函数。最后，我们使用 tft_beam_io.WriteTransformFn 导出预处理函数到指定路径，并使用 tft_beam_io.transform_fn_io.load_transform_fn 加载导出的预处理函数。最后，我们使用加载的预处理函数对原始数据进行转换。