如何限制使用 FileIO 写入的每个文件的行数

本文介绍了如何限制使用 FileIO 写入的每个文件的行数的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！

问题描述

限时送ChatGPT账号..

是否有可能使用 TextIO 或 FileIO 限制每个写入分片中的行数?

Is there a possible way to limit number of lines in each written shard using TextIO or may be FileIO?

示例:

从 Big Query - Batch Job 中读取行(例如，结果为 19500 行).进行一些转换.将文件写入 Google Cloud 存储(19 个文件，每个文件限制为 1000 条记录，一个文件有 500 条记录).Cloud Function 被触发以针对 GCS 中的每个文件向外部 API 发出 POST 请求.

这是我目前正在尝试但不起作用(试图限制每个文件 1000 行):

Here is what I'm trying to do so far but doesn't work (Trying to limit 1000 rows per file):

BQ_DATA = p | 'read_bq_view' >> beam.io.Read(
        beam.io.BigQuerySource(query=query,
                               use_standard_sql=True)) | beam.Map(json.dumps)

BQ_DATA | beam.WindowInto(GlobalWindows(), Repeatedly(trigger=AfterCount(1000)),
                              accumulation_mode=AccumulationMode.DISCARDING)
        | WriteToFiles(path='fileio', destination="csv")

我在概念上是错误的还是有其他方法可以实现这一点?

Am I conceptually wrong or is there any other way to implement this?

推荐答案

您可以在 ParDo 中实现写入 GCS 步骤并限制包含在批处理"中的元素数量像这样:

You can implement the write to GCS step inside ParDo and limit the number of elements to include in a "batch" like this:

from apache_beam.io import filesystems

class WriteToGcsWithRowLimit(beam.DoFn):
  def __init__(self, row_size=1000):
    self.row_size = row_size
    self.rows = []

  def finish_bundle(self):
     if len(self.rows) > 0:
        self._write_file()

  def process(self, element):
    self.rows.append(element)
    if len(self.rows) >= self.row_size:
        self._write_file()

  def _write_file(self):
    from time import time
    new_file = 'gs://bucket/file-{}.csv'.format(time())
    writer = filesystems.FileSystems.create(path=new_file)
    writer.write(self.rows) # may need to format
    self.rows = []
    writer.close()

BQ_DATA  | beam.ParDo(WriteToGcsWithRowLimit())

请注意，这不会创建任何少于 1000 行的文件，但您可以更改 process 中的逻辑来做到这一点.

Note that this will not create any files with less than 1000 rows, but you can change the logic in process to do that.

(编辑 1 处理余数)

(Edit 1 to handle the remainders)

(编辑 2 以停止使用计数器，因为文件将被覆盖)

(Edit 2 to stop using counters, as files will be overridden)

这篇关于如何限制使用 FileIO 写入的每个文件的行数的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！