在 Beam 中，PCollection 是指代数据集的主要抽象概念。在特定场景下，我们可能需要在 PCollections 上进行动态分区操作，以便更好地处理数据。以下是实现动态分区的示例代码：

import apache_beam as beam

class DynamicPartition(beam.DoFn):
    def process(self, element, low, high):
        if low < element < high:
            yield beam.utils.windowed_value.WindowedValue(element, timestamp=element)
        else:
            yield beam.utils.windowed_value.WindowedValue(element, beam.utils.timestamp.MAX_TIMESTAMP)

def dynamic_partitioning(pcollection, low, high):
    return (
             pcollection
             | 'Assign to windows' >> beam.ParDo(DynamicPartition(), low=low, high=high).with_output_types(pcollection.element_type)
             | 'Group each partition' >> beam.GroupByKey()
             | 'Combine partitions' >> beam.CombineValues(lambda elements: len(list(elements)))
           )

with beam.Pipeline() as p:
    pc = p | beam.io.ReadFromText('input.txt')
    dynamic_partitioning(pc, 10, 100)

在上面的代码中，首先定义了一个名为 DynamicPartition 的 DoFn 类，它接收一个元素以及两个分界值 low 和 high。然后，该函数将元素分配到两个动态分区中的一个中，并通过 WindowedValue 类包装该元素。如果元素的值在 low 和 high 的区间内，则为它分配时间戳，否则将时间戳设置为 MAX_TIMESTAMP。接着，创建了一个 dynamic_partitioning 函数，将该 DoFn 应用于 PCollections 中的每一个元素，并返回一个包含每个分区及其元素数量的字典。最后，使用 GroupByKey 和 CombineValues 操作将具有相同键（即分区）的元素组合在一起，并计算每个分区的元素数量。

最终，可以使用一个带有输入文件 input.txt 的 Beam 流水线来测试该函数的输出。注意，在