ApaceBeam的FileIO.Match步骤在匹配大量来自GCS的文件时卡住了Dataflow作业。
创始人
2024-09-03 10:30:37
0

可以通过为 FileIO.Match 步骤设置合适的数据切分、增加机器实例等方式来解决该问题。此外,还可以尝试使用 PipelineOptions 来控制 Dataflow 作业的一些参数。下面是可能的解决方法的示例代码:

PipelineOptions options = PipelineOptionsFactory.create();
options.as(DataflowPipelineOptions.class).setWorkerMachineType("n1-standard-16");
options.as(DataflowPipelineOptions.class).setNumWorkers(50);

Pipeline pipeline = Pipeline.create(options);
PCollection files = pipeline.apply(FileIO.match().filepattern("gs://bucket_name/path/to/files/*.txt"));

PCollection contents = files.apply(FileIO.readMatches().withCompression(GZIP));

PCollection lines = contents.apply(TextIO.readFiles().withCompressionType(TextIO.CompressionType.GZIP));

// do some transformations and write output
lines.apply(TextIO.write().to("gs://bucket_name/path/to/output").withSuffix(".txt"));

在上面的示例代码中,我们增加了机器实例,提高了作业的并行度,同时也设置了文件分片来防止出现数据倾斜的问题。

相关内容

热门资讯

AWSECS:访问外部网络时出... 如果您在AWS ECS中部署了应用程序,并且该应用程序需要访问外部网络,但是无法正常访问,可能是因为...
AWSElasticBeans... 在Dockerfile中手动配置nginx反向代理。例如,在Dockerfile中添加以下代码:FR...
AWR报告解读 WORKLOAD REPOSITORY PDB report (PDB snapshots) AW...
AWS管理控制台菜单和权限 要在AWS管理控制台中创建菜单和权限,您可以使用AWS Identity and Access Ma...
银河麒麟V10SP1高级服务器... 银河麒麟高级服务器操作系统简介: 银河麒麟高级服务器操作系统V10是针对企业级关键业务...
北信源内网安全管理卸载 北信源内网安全管理是一款网络安全管理软件,主要用于保护内网安全。在日常使用过程中,卸载该软件是一种常...
群晖外网访问终极解决方法:IP... 写在前面的话 受够了群晖的quickconnet的小水管了,急需一个新的解决方法&#x...
​ToDesk 远程工具安装及... 目录 前言 ToDesk 优势 ToDesk 下载安装 ToDesk 功能展示 文件传输 设备链接 ...
Azure构建流程(Power... 这可能是由于配置错误导致的问题。请检查构建流程任务中的“发布构建制品”步骤,确保正确配置了“Arti...
不能访问光猫的的管理页面 光猫是现代家庭宽带网络的重要组成部分,它可以提供高速稳定的网络连接。但是,有时候我们会遇到不能访问光...